人工智能驱动的新药研发：尽管近期遭遇挫折，但仍将改变医药创新
人工智能(AI)正在彻底改变新药的研发方式，有望为复杂疾病提供更快、更经济高效的解决方案。从分析海量蛋白质数据库到创纪录地设计候选药物，人工智能驱动的药物研发已取得显著进展。然而，正如最近的失败所揭示的那样，驾驭人工智能的潜力也需要应对生物学的复杂性、监管的不确定性和高风险的临床试验。以下是根据最新行业发展，对人工智能在医药研究中的突破、挑战和未来展望的全面概述。
人工智能药物研发的要点
-
安斯泰来制药的用于治疗干燥综合征的ASP5502
- 研发: 安斯泰来制药正在利用人工智能研发一种用于治疗干燥综合征的新化合物“ASP5502”。通过分析蛋白质结构，人工智能在一小时内提出了60,000种潜在化合物——远远超过了传统方法。
- 筛选: 人工智能系统根据稳定性、安全性和其他关键因素，将这些化合物缩小到23种顶级候选药物。
- 进展: ASP5502的临床试验于2024年9月在美国启动，这标志着人工智能驱动药物研发的一个重要里程碑。
-
英矽智能公司的人工智能设计的特发性肺纤维化(IPF)药物
- 研发(首次提及): 英矽智能公司利用其人工智能平台发现了INS018_055，这是一种新型的IPF候选药物。在分析大型数据集以识别治疗靶点后，人工智能设计了一种有前景的分子。
- 进展(首次提及): 该药物于2021年开始I期临床试验，此后已进入II期。值得注意的是，这一成就的成本大约只有以往的十分之一，突显了人工智能降低研发成本的潜力。
- 研发(再次提及): 另一份资料强调了英矽智能公司利用人工智能来确定新的靶点并为IPF设计分子的情况。
- 进展(再次提及): 截至2023年，INS018_055已进入I期临床试验，使其成为最早进入人体试验的人工智能发现和人工智能设计的药物之一。
-
AtomNet的人工智能药物研发
- 研发: AtomNet利用深度学习进行基于结构的药物设计，筛选治疗埃博拉病毒和多发性硬化症等疾病的新型生物分子。
- 进展: 这种人工智能驱动的方法加快了潜在治疗化合物的识别速度，说明了人工智能加快早期研究的能力。
-
益赛药业的人工智能生成的强迫症(OCD)药物分子
- 研发: 益赛药业与住友大日本制药合作，开发了强迫症候选药物DSP-1181。人工智能帮助自动化并显著缩短了设计过程。
- 进展: 该分子于2020年进入临床试验，标志着基于人工智能的设计越来越能够缩短临床前时间。
-
麻省理工学院的哈利新发现
- 研发: 麻省理工学院的研究人员利用人工智能检查了超过1亿种化合物，最终发现了哈利新——这是一种具有新型机制的抗生素，对耐药细菌有效。
- 进展: 哈利新在临床前研究中显示出良好的结果，代表着对抗抗生素耐药性迈出的重要一步。
近期失败案例
并非所有人工智能启动的项目都能成功。一些备受瞩目的候选药物在临床阶段遇到了困难，这凸显了将人工智能预测转化为安全有效的疗法的复杂性：
-
益赛药业的癌症药物EXS-21546
- 研发: 目的是通过人工智能设计的分子来提高癌症治疗的疗效。
- 结果: 到2023年初，EXS-21546在早期临床试验中未能显示出足够的疗效或可接受的安全性，因此被降级。
-
BenevolentAI的特应性皮炎候选药物
- 研发: BenevolentAI应用人工智能来加快特应性皮炎的发现。
- 结果: 2023年4月，II期临床试验未达到主要终点，导致该药物停止研发。
-
住友制药的精神分裂症治疗药物Ulotaront
- 研发: 住友制药利用人工智能的见解，为精神分裂症开发了Ulotaront。
- 结果: 2023年，Ulotaront在III期试验中未能达到主要终点，导致其研发终止。
-
Recursion Pharmaceuticals的用于治疗脑血管畸形(CCM)的REC-994
- 研发: Recursion Pharmaceuticals使用人工智能驱动的方法靶向CCM，这是一种涉及异常血管的脑部疾病。
- 结果: 2024年9月的试验数据显示安全性及耐受性，但疗效不一，导致Recursion的股价暴跌。
-
益赛药业更广泛的人工智能设计的药物管线
- 研发: 益赛药业将多种人工智能发现的化合物推进到临床试验。
- 结果: 到2023年中期，一些候选药物要么被降级，要么未能达到临床基准，表明基于人工智能的药物设计固有的挑战。
优势与好处
-
加速发现
- 人工智能可以快速解析海量数据集，将早期发现阶段缩短多达75%。
- 案例: 一家生物技术公司利用AlphaFold3将为期一年、耗资1000万美元的蛋白质分析过程缩短到仅需五分钟——且无需任何成本。
-
成本效益
- 通过简化流程，人工智能降低了研发成本，使探索罕见疾病或以前被忽视的疾病成为可能。
- 机器学习工具可以使研究成本比传统方法降低60%。
-
提高精度
- 人工智能擅长模拟分子与生物靶标结合的方式，从而提高发现安全有效药物的几率。
- 这种精确性也为更个性化的治疗打开了大门。
-
为罕见病带来机遇
- 历史上“无利可图”的疾病成为小型公司的可行目标，从而促进更大的创新。
-
赋能小型企业
- 降低进入门槛，使初创企业和中型企业能够与大型制药公司竞争。
人工智能药物研发的劣势与挑战
-
数据质量和可用性
- 人工智能模型依赖于大型、无偏倚的数据集才能产生可靠的结果。
- 数据不足或偏差可能会产生错误的预测，从而增加临床失败的风险。
-
人工智能模型的可解释性
- 许多人工智能系统充当“黑箱”，对它们如何得出特定结论的见解有限。
- 监管机构通常需要透明度才能进行安全性和有效性评估，这为人工智能的采用设置了额外障碍。
-
与现有流程的集成
- 制药公司必须彻底改革工作流程，对员工进行再培训，并投资基础设施才能有效地集成人工智能。
- 对变革的抵制可能会削弱人工智能的变革潜力。
-
监管和伦理障碍
- 基于人工智能的药物的指南仍在制定中，这引发了关于批准标准和责任的问题。
- 对患者数据隐私和模型安全的担忧进一步复杂化了采用过程。
-
对人工智能能力的高估
- 炒作可能导致对未经充分审查的化合物的过早试验，从而增加失败的可能性。
- 不切实际的期望可能会损害利益相关者的信任。
人工智能药物研发及其市场影响的深入分析
1. 现状与趋势
人工智能已从一种利基技术发展成为药物研发的核心引擎，它提供了快速的蛋白质结构见解和改进的分子设计。尽管取得了显著成就，但人类疾病的生物学复杂性仍在继续挑战人工智能的预测能力。
2. 关键利益相关者及其动态
- 制药公司: 行业巨头（辉瑞、诺华、阿斯利康）正在投资人工智能合作，以降低研发成本并保持竞争优势。由于更强的灵活性和敏捷性，小型生物技术公司通常在创新方面处于领先地位。
- 人工智能驱动型初创公司: 英矽智能、Recursion和益赛药业等公司面临着巨大的压力，需要提供可重复的临床成功。虽然失败可能会抑制投资者的热情，但它们也为整合奠定了基础。
- 监管机构: 谨慎的乐观主义与最少的指导相结合。随着透明度的提高，监管机构可能会简化人工智能发现疗法的审批流程。
- 投资者: 他们正在用大量资金推动该行业发展。然而，像Recursion的REC-994这样的挫折，让人们对估值过高以及融资热潮的持续时间产生了担忧。
- 医疗系统和患者: 最终，更快、更精确的治疗方法有利于患者，但高昂的药物成本和未经验证的人工智能安全性可能会招致批评。
3. 市场机遇
- 罕见病和复杂疾病: 人工智能的效率为解决无利可图或以前被忽视的疾病提供了一条可行的途径。
- 精准医疗: 患者特异性方法将获得发展动力，尤其是在肿瘤学、神经学和自身免疫性疾病领域。
- 药物再利用: 人工智能可以找到现有分子的新用途，从而缩短上市时间和减少监管障碍。
4. 挑战与风险
- 生物复杂性: 复杂的人体生物学可能会超过人工智能的预测能力，这凸显了对严格验证的需要。
- 期望过高: 过度承诺结果可能会导致投资者、监管机构和公众的失望。
- 伦理/监管限制: 关于人工智能问责制缺乏明确性可能会减缓进展或引发伦理问题。
5. 未来预测
- 并购: 大型制药公司可能会迅速收购人工智能初创公司，将尖端技术与成熟的研发管道相结合。
- 仅限人工智能的药物管线: 到2030年，一些公司可能会完全依赖人工智能驱动的管道，与传统的制药巨头竞争。
- 全球竞争加剧: 中国和印度等新兴市场拥有庞大的患者数据，可能会在人工智能驱动的药物研发方面超过西方公司。
- 整合的生态系统: 人工智能公司、学术实验室和云计算巨头（英伟达、AWS）之间的联盟可能会巩固药物研发生命周期的主要部分。
6. 利益相关者的战略建议
- 制药公司: 将内部人工智能计划与外部合作相结合，以分散风险并采用尖端方法。
- 人工智能初创公司: 强调透明的方法、强大的临床前证据以及与特定疾病市场的协调，以吸引可持续的投资。
- 投资者: 在投入大量资金之前，要求提供数据支持的概念证明——例如成功的I期或II期试验。
- 监管机构: 制定适合人工智能发现药物的框架，确保问责制和可重复性，同时又不扼杀创新。
结论
人工智能药物研发正处于一个关键的十字路口。安斯泰来制药的ASP5502等成功案例突显了人工智能改变研究速度和成本效益的能力，但备受瞩目的失败案例也说明了将算法预测转化为现实世界医学突破的复杂性。未来十年，人工智能将进一步融入制药管道，塑造一个更快、更精确、更以患者为中心的行业。在利益相关者改进人工智能驱动流程、努力比以往更快、更负责任地将救命疗法推向市场的同时，保持乐观与谨慎并存至关重要。