设计和开发新药是一项昂贵且容易失败的科学挑战。一种新药物的开发可能需要很多年时间，并伴随着巨额投资的成本。即使如此，大多数潜在候选药物也从未到达患者手中。对于生物药物来说，由工程蛋白而非合成化学制成的治疗方法（通常用于治疗大多数重大急性和慢性疾病），其复杂性更大。科学家们探索大量可能的分子，寻找那些能与正确目标结合、在人体内保持稳定并可大规模制造的少数几种分子。如今，人工智能正在加速这些过程，并迅速成为制药研发基础设施的核心部分。人工智能辅助设计正在成为生物药物候选药物开发中的一个重要组成部分，像阿斯利康这样的公司正在积极建立其工程团队以进一步推动这一进展。“我们所做的每件事情，无论是设计、制造、测试还是分析，现在都是计算增强的，”阿斯利康生物制药工程及肿瘤靶向发现的高级副总裁普贾·萨普拉（Puja Sapra）说。“周期时间越来越短，同时生产力和创新性却在提升。”萨普拉解释说，阿斯利康的方法遵循构建-测量-学习的循环。人工智能计算生成或优先候选分子，预测哪些设计最有可能成功。然后，科学家们将实验室资源集中于排名最高的候选药物。这导致更紧密的反馈循环，较少的死胡同、更快的迭代，以及能够追踪之前被认为不可治疗的疾病靶点。由于可能的分子组合数量远远超过任何人类团队能够系统探索的范围，因此使用人工智能来缩小和优化测试选项已成为生物药物设计中的一个主要焦点。 导航复杂的药物设计问题 除了加速时间表，人工智能还被应用于发现全新的药物类别。传统的生物药物通常针对一种疾病途径，而下一代药物可以同时作用于多个靶点，或精确递送治疗负荷到特定细胞。这需要在多个变量中进行优化。展望未来，基于人工智能的模型可以帮助设计这些越来越复杂的多靶向生物药物，萨普拉解释道。“例如，”她继续说，“这些模型可以帮助确定根据基础生物学优先考虑的两个或三个靶点，然后在多个参数之间进行优化，以平衡分子的效能、稳定性、可制造性和安全性。”萨普拉说：“对不可药物化的靶点药物化正在成为现实。这些技术最终将使我们能够开发针对曾被认为不可能实现的靶点的药物。对患者的潜在好处是显著的。” 数据护城河 麦肯锡估计，生成性人工智能结合其他计算工具可能将药物发现时间缩短多达50%。但每个人工智能模型的效果都取决于其训练数据。在药物发现中，这意味着需要充足的高质量生物数据。实验可以提供丰富的此类数据源。无论成功与否，每个实验都会生成一些关于什么有效、什么无效的信号。“数据是我们的差异化因素，”萨普拉说，解释公司数据集是专有和多模态的，包括分子结构、结合测量、安全性概况和制造成果。“我们在多个疾病领域和药物类型上构建了一个有意的多样化投资组合。所有这些数据使我们能够利用更丰富、更具代表性的训练集来微调前沿人工智能模型。”她继续说：“此外，我们投资了深度筛选技术，以生成大量额外数据集，以不断优化和验证我们的模型。” 建立一个自主发现引擎 为了将所有这些数据集中在一个地方，阿斯利康正在康涅狄格州剑桥的肯德尔广场建立一个所谓的“未来实验室”设施，在这里人工智能和机器人自动化将能够形成一个连续的闭环发现系统。“自驾车使用传感器和模型来导航其环境，这个系统使用人工智能进行预测，机器人系统执行实验，仪器生成数据，”萨普拉解释道。这些数据直接反馈到模型中，加速每个后续循环。“在整个过程中，科学家将始终是流程中的核心，提供监督、判断和战略方向，以确保输出是可解释的、可容忍的，并且以潜在的患者利益为导向，”她补充道。最终，自动化高通量系统将能够每周制造和评估成千上万的分子相互作用。“这将产生规模上传统工作流程无法匹敌的人工智能准备数据，