AI挑选药物，治好了82岁的肿瘤患者

2月15日，英国AI上市药企Exscientia首次公开了一起癌症患者的临床用药案例。

82岁的血癌患者保罗，两年前借助Exscientia公司AI辅助临床药物精准匹配的策略，试用了强生的一款抗癌药。如今药物生效，他体内的肿瘤完全消失了。

此前，传统的研究结果表明这种药物对他的癌症类型无效，一直未尝试治疗。

Exscientia与维也纳医科大学合作

保罗几乎尝试了所有治疗选择。六个疗程的化疗没能消灭他所患的癌症，一些药物无法杀死癌细胞，还有的药物甚至会攻击体内的健康细胞。

走投无路之下，他参加了奥地利维也纳医科大学（Medical University of Vienna）与AI制药上市公司Exscientia合作的一项临床试验。

Exscientia团队利用AI开发了一种新的药物配对技术。根据人与人之间的生物学个体差异，这种筛选方式能够将每个患者与他们所需的药物精确匹配起来。

研究人员从保罗身上取了一小块组织样本，并将含正常细胞和癌细胞的样本分成一百多块，暴露在各种药物混合物中。接着，借助自动化和计算机视觉（经过训练以识别细胞微小变化的机器学习模型）来分析样本，从而筛选出对患者有效的药物。

与传统方式动辄需要数十天甚至几个月相比，该技术的优势在于：可同时测试几十种治疗方法，极大节省了时间并提高了精准度。

最后，保罗选择了一款强生研发上市的抗癌药，医生之前从未尝试过，因为试验表明对治疗他的癌症无效。然而，服用两年后，他体内的癌症细胞已经完全消失了。

这一成功的临床案例带给了Exscientia更多动力，随后公司还跟进了一项科学研究。

团队从几十名癌症患者身上采集组织样本，并评估了139种现有药物对这些患者细胞的影响，他们此前都接受了至少两个疗程的失败化疗。结论表明，Exscientia的技术，对其中半数以上的患者都成功识别出了一种有效药物。

创始人霍普金斯评价：“如果使用的是传统方法，我们就不可能这么快。”。

行业喜忧参半，仍需理性乐观

这一好消息，无疑提振了AI辅助药物研发同行们的信心，然而背后或还有诸多从未面世的失败经验。

去年，Exscientia联合日本住友制药研发的DSP-1181管线，因临床Ⅰ期结果未达到预期标准而停止研发，经智药局报道之前，鲜少被人关注。（拓展阅读：全球首个由AI设计进入临床的药物已停止研发）

此外，老牌AI药企Recursion也在2022年10月宣布，停止研发罕见病药物管线REC-3599，未来将专注于肿瘤学。

潜在原因可能是该药物的效力问题，首席执行官Chris Gibson也曾表示它是一种针对较小患者群体的药物，该决定是从资源优先的角度出发。（拓展阅读：那些悄悄消失的AI临床管线.......）

当然，成功案例也有很多。

今年2月初，Exscientia与百时美施贵宝设计的ESX4318迎来里程碑，成为公司第四条进入临床的管线产品。自2021年5月合作到推进临床I期，该管线耗时约19个月，相比传统研发方式是不小的进步。

BenevolentAI在3年内，向阿斯利康交付了关于治疗慢性肾病和特发性肺纤维化的5个靶点，助力其加速抢占市场。

国内一众企业也迎头追赶。大家熟知的英矽智能、冰州石、红云生物、中以海德、埃格林医药、费米子等多家创新公司如今都拥有了自研临床管线，开发平台的企业也不断更新完善、与高校药企进行合作验证。

在AF2、ChatGPT等新技术引发一波又一波浪潮之后，人工智能更深入渗透了药物开发（小分子/大分子）、基因编辑、合成生物学等多个生命科学细分领域。

AI药企入局的三个切口

目前，无论是否运用AI，一款新药面世都要经过“药物靶点—药物分子—设计制造—动物、人体实验”的步骤。

但实验室的环境并不能完全模拟人体环境。许多药物分子在临床前研究中似乎能发挥作用，最终在人体测试中却失败了。

由此，针对新药开发的痛点，新一代AI制药公司需突破其中的三个关键节点：选择正确靶点，设计正确的药物分子，最终确定该分子最有可能使哪些患者真正受益。

01选择正确靶点

目前，多家公司借助自然语言处理从几十年的科学研究报告中挖掘数据，包括数十万个已发表的基因序列和数百万篇学术论文。

接着，这些提取的信息被编码在知识图谱中，这种组织数据方式可以捕捉因果关系等内在的逻辑联系；机器学习模型又可以从中预测治疗某种特定疾病时最有潜力的靶点。

这已经成了AI药企一种较为成熟的研发策略，阿斯利康、武田等大药企也见到了成效。

比如去年11月，维智基因（Verge Genomics）一款治疗肌萎缩侧索硬化症（ALS）的候选小分子药物完成1期临床试验首例受试者给药。其所针对的创新靶点正是由AI技术平台发现的。

02设计正确的药物分子

2023年1月，一款能从头生成人工蛋白的AI系统“ProGen”面世。技术的深入发展，也意味着AI不再局限于充当天然蛋白分子的筛选、功能修饰工具，更能从功能出发生成全新的蛋白分子。

利用药物及临床等海量数据，机器学习可自动构建复杂的模型，高效且准确地预测药物在体内的行为，许多早期实验也可以在计算机上进行。由此，临床前研究（及后期临床试验）的实验测试工作只需要在那些成功率更高的分子上进行，极大减少了试错成本。

另外，不少公司还借助AI重新设计现有抗体、开发RNA药物、布局老药新用等环节，打造自身的差异化优势。

03临床患者精确匹配

人体内测试是药物研发必须直面的关键环节，高成本、高风险、耗时长的痛点也一直困扰着大大小小的制药公司们。

如何提升患者与药物的匹配度，从而提高临床试验的成功率? AI目前也在发挥切实的作用。如上文提到，Exscientia利用AI系统成功发现了一种对保罗有效的药物。

Andrew Hopkins博士表示：“我们可以从患者的组织上开始药物开发，而不是从疾病模型。患者就是最好的模型。” 

据观察，CytoReason、哲源科技等公司也有所布局，后者致力于用“知识+数据+超算+人工智能”的方式分析数据，从疾病的发病机制入手研发药物。（拓展阅读：中科院孵化、拿下亿元融资，这家AI制药公司会是中国的CytoReason吗？）

附录：一些行业人士的观点

人工智能将在本世纪改变生物学，正如生物信息学在上个世纪改变它一样。——Flagship Pioneering创始人Noubar Afeyan

这为我们节省了很多时间。AI已经完成了我们过去手工完成的许多步骤，但最终的验证需要在实验室进行。——Flagship Pioneering首席科学官Luisa Salter Cid

平均而言，研发一种新药需要10年以上的时间和数十亿美元。我们的愿景是利用人工智能更快、更便宜地发现药物。——风投公司Air Street Capital内森·贝纳奇

生物学已经从经验科学转变为一门工程学科。从使用人类创造的方法转变到通过生物工程，应用自然界的机器来设计、扩展和改造生物学。——风投公司 a16z

参考链接：

https://www.technologyreview.com/2023/02/15/1067904/ai-automation-drug-development/

—The End—

推荐阅读