QQ在線
企業(yè)微信
資訊
539
人工智能助力醫(yī)療，精準找出治病物質
在制藥過程中,藥物被淘汰的原因眾多,其中之一就在于其對細胞色素P450的消極抑制作用。細胞色素P450是一組主要在肝臟中產生的酶,通常被稱為CYP450,參與分解化學物質,防止它們在血液中積累到危險的水平。然而,事實證明,許多實驗藥物都能抑制CYP450的產生,這種的副作用會使藥物對人體產生毒性。
制藥公司一直依賴于傳統醫(yī)學工具來預測藥物是否會抑制患者體內的CYP450,比如在試管中進行化學分析,觀察CYP450與具有化學相似性的藥物之間的相互作用,以及在小白鼠身上進行實驗。但是這樣的預測可能并不準確。在某些情況下,CYP450相關毒性只有在人體試驗中才會被發(fā)現,導致付諸的金錢多年的努力白費。就在這個關鍵時刻,AI制藥重新進入了大眾視野。
彌補傳統制藥弊端,AI制藥效率大幅提高
制藥的低效率引出了一個更嚴肅的問題:至少20年來,價值1萬億美元的全球制藥行業(yè)一直處于藥物開發(fā)低迷、生產率下滑的狀態(tài)。制藥公司的金錢投入越來越多——10家最大的制藥公司現在每年花費近800億美元——研發(fā)出的有效藥物卻越來越少。十年前,若投入一美元來研發(fā)藥物,就能收到10美分的回報;如今,收益率卻不足2美分。某種程度上,這是因為用于治療常見疾病的藥物都已經找到了,只剩下開發(fā)用于解決復雜疾病的藥物,這些藥物只能治療一小部分人的疾病,因此能夠獲得的收益也要少得多。
根據塔夫茨藥物開發(fā)研究中心的數據,近年來,藥物上市的平均成本幾乎翻了一番,達到26億美元之多。藥物從在實驗室中誕生到流入市場的時間線被延長到了12年,而有90%的藥物在人體試驗的階段就被淘汰。
因此,研究人員對AI在藥物研發(fā)方面的高漲熱情也就不足為奇了。用戶只需要給AI工具提供樣本(某種分子結構)和相應的解決方案(分子最終如何被制成藥物),它們就可以開發(fā)自己的計算方法來快速產生相似的制藥方案。
AI(右)能更準確地找到致病腫瘤
大多數機器學習程序可以處理小數據集,而深度學習程序可以處理大量原始的、非結構化的數據。一個深度學習的版本可以從未標記的細胞圖像中進行分子結構辨識,不過,它可能需要查看上百萬個細胞樣本才能做到這一點。
最終,AI將在以下幾個方面改善藥物開發(fā):1．識別更有效的候選藥物;2．提高藥物測試的“命中率”,即通過臨床試驗并獲得監(jiān)管批準的候選人的百分比;3．加速整個制藥過程。
百時美施貴寶(Bristol-Myers Squibb)最近部署了一個機器學習程序,該程序經過訓練,已能夠在大量細胞樣本中發(fā)現與CYP450抑制效用相關的分子結構。Saha說,該程序將測試準確率提高到95%,與傳統方法相比,失敗率降低近6倍。這些結果幫助研究人員迅速篩選出可能有毒的藥物,轉而關注那些有更大希望通過多項人體試驗、獲得美國食品和藥物管理局批準的候選藥物。禮來(Eli Lilly)首席數據和分析官維平?戈帕爾(Vipin Gopal)表示:“在我們進行投資之前,AI就能幫助我們在早期排除掉那些潛在的無效用藥物。”
人工智能軟件可以預測哪些化合物可能與目標蛋白結合,以幫助縮小候選藥物的范圍
生物醫(yī)學研究人員認識到,像癌癥和阿爾茨海默病等這般復雜的疾病所涉及的涉及蛋白質達數百種,如果研發(fā)的藥物只攻擊其中一種蛋白質,則不太可能對整個病毒本身造成破壞。Kurji解釋說,Cyclica正試圖尋找能與幾十種目標蛋白相互作用的單個化合物,同時避免與其他蛋白相互作用。他補充說,目前正在開發(fā)的AI 程序旨在將大量關于蛋白質變異的遺傳數據整合在一起,這樣AI助手就可以檢測出哪些候選藥物最有效。
蘇格蘭鄧迪大學醫(yī)學信息學教授安德魯?霍普金斯(Andrew Hopkins)提出了ex唯科學算法,這個算法只需分析10個蛋白質數據就能得到有效信息。它將目標蛋白的生物數據與大約10億個蛋白質相互作用的數據庫進行比較。生成的新數據被輸入到程序中,程序再次對列表進行精簡,并分析另一輪所需的數據。這個過程重復進行,直到程序準備好生成一個易于管理的化合物列表,而這些化合物正是目標藥物的良好候選。
霍普金斯聲稱,ex唯科學的算法可以將藥物的發(fā)現時間從4．5年縮短到1年,將發(fā)現成本降低80%,合成化合物的數量也會減少到通常生產一種成功藥物所需的五分之一。目前,他正與生物科技巨頭Celgene合作,努力為三個目標尋找新的潛在藥物。
精確定位目標蛋白!
為了發(fā)現可能致病的蛋白質,生物制藥公司Berg也利用AI助手來篩選人體組織樣本的生物信息。Berg軟件的方法是把從病人的組織樣本、器官液體和血樣中提取的每一份數據都輸入程序。樣品中的活細胞被用于各種實驗,如測試其高葡萄糖水平。這種方法生成多種數據,涵蓋細胞產生能量的能力和細胞膜的硬度。
然后,所有的數據都通過一系列深度學習程序運行,這些程序尋找非疾病狀態(tài)和疾病狀態(tài)之間的特征差異,最終著眼于那些含毒性的蛋白質。在某些情況下,這些蛋白質可能成為靶標,這時Berg的AI軟件就可以尋找藥物來攻擊這些靶標。更重要的是,因為該軟件可以識別目標似乎只在一小部分患者身上引起疾病,所以它可以識別這些患者的區(qū)別性特征。這意味著患者可以在服用藥物之前進行測試,以確定藥物是否可能對他們有效。
目前,Berg正在與制藥巨頭阿斯利康(AstraZeneca)合作,尋找治療帕金森氏癥和其他神經系統疾病的目標,并與賽諾菲巴斯德(Sanofi Pasteur)合作,以改良流感疫苗。Berg軟件已經確定了診斷測試的機制,可以區(qū)分前列腺癌和良性前列腺肥大癥,而這些病癥如果不做手術則很難區(qū)分。
