我要投稿

人工智能在药物研发上的应用

发布日期：2024-09-03 12:38:48 浏览次数： 2085 作者：AIDD learning

尽管人工智能（Artificial intelligence, AI）对图像识别等领域产生了深远的影响，但在药物发现方面仍处于起步阶段，目前主要集中在给定化合物的类似物识别，构效关系（Structure-Activity Relationship, SAR）分析，部分物理化学性质的预测上等。然而，在面对传统技术难以突破的难靶先导化合物发现及多维的成药性决策上仍突破很少，尤其是在First-in-class功能化合物发现和体内功效方面，尚未能完全发挥AI在药物研发中的潜力。因此，选择药物研发中什么样的科学问题以及要对哪些成药指标进行建模将是在药物研发中发挥AI突破的关键。

图1 药物研发流程

现代药物研发流程如图1是药物研发人员总结出的一套统一的科学研究规范，正是有了这套规范，人类在新药的研究上就能取得巨大的进步。不能否认传统模式取得的成就，但也必须正视其中的问题：这种以实验科学为主的研究方式，高度依赖于药物研发人员的个人经验与创造力，周期长，成本高，效率低。

现阶段，人工智能和计算无法解决所有问题，但是人工智能作为一种技术工具，只要满足充足的数据等条件，就可以加以应用，计算也被广泛应用于药物研发的多个环节。目前国内的AI制药产业对人工智能技术的应用主要集中在早期药物发现阶段和临床前的开发阶段，而且集中在小分子药物上的应用较多[1]。

图2 人工智能在药物研发上的应用

具体到细分环节来说，涉猎靶点发现、分子生成、活性预测、ADME/T性质预测、化合物合成、药物晶型预测、药物剂型预测等。其中，分子生成和分子的活性以及ADME/T性质预测是药物发现的核心环节，关注企业较多。

图3 靶点发现

药物靶点:

药物靶点指的是药物在人体内的作用结合位点，现代新药研究与开发的关键首先是寻找、确定靶点，选择确定新颖的有效药靶是新药开发的首要任务。

图4 分子生成

分子生成：

在传统的药物发现流程中，全新药物分子的发现往往依赖于药化专家的经验；而据估计可成药的分子空间大约在1023-1060左右，这种传统的药物发现方法只能在极小的化学空间内进行探索，大大增加了药物发现流程的周期和成本，也限制了发现分子的多样性。对此，分子生成模型通过给定分子的各种约束来逆向生成分子为药物发现提供了一种新的解决方案。深度生成模型在nlp、cv等领域已经有很多成熟应用，常见的生成模型有AR、VAE、GAN、Flow以及EBM、diffusion model等。

现有的基于图的模型大致可以分为两种类型，一种是顺序迭代过程，另一种是一次性生成，具体可以分为逐原子，基于子图（片段）模型。由于图的优势和图神经网络的发展，基于图的生成模型现在在分子设计中占据主导地位，但仍然存在一些挑战，如随着节点大小的增加，总计算量至少会增加节点数的平方，导致很难获得精确的似然等。因此，应该更好地解决节点排序问题，有利于生成高质量的分子[2]。

图5 活性预测

活性预测：

在大多传统的化合物活性研究中,通过动物活体测验和检测方式对化合物的药物活性进行测定,在海量化合物数据环境下无疑要耗费大量时间及成本。而现代化合物活性研究对未知化合物的活性预测是通过使用数学方法建立定量构效关系模型来实现的。随着计算机数据挖掘技术的不断发展,机器学习成为了计算机科学领域的一个活跃的研究方法,科学家们应用机器学习方法提高药物活性预测效率。然而,大多数已有研究方法使用的都是浅层机器学习算法,面对已知样本和计算单元受到限制的情况下,其对复杂问题的泛化能力难以满足要求,无法学习更有用的特征[3]。

从目前的发展阶段来看，仍然需要专家在其中参与重要工作。比如鉴别数据质量，定义AI需要解决什么问题，判断鉴别AI给出的解决方案是否可行。