人工智能可以加快藥物發(fā)現(xiàn)速度

當(dāng)前的Covid-19危機凸顯了對快速發(fā)現(xiàn)新興疾病的新療法的需求。但是，調(diào)整大規(guī)模的實驗工作以適應(yīng)不斷變化的環(huán)境不可能一overnight而就。對敏捷性的緊迫呼吁表明，我們需要采取新的方法來搜索和識別分子療法和療法。

從歷史上看，藥物發(fā)現(xiàn)依靠大量的實驗工作來繪制化學(xué)空間的相關(guān)部分。即使出現(xiàn)了自動化的高投入篩選方法，為新疾病設(shè)計有效的檢測方法并大規(guī)模運行也可能需要數(shù)月的時間。

如果不訪問數(shù)據(jù)，我們將無法釋放人工智能的潛力

新興的人工智能(AI)技術(shù)具有加速和轉(zhuǎn)變對分子療法的搜索的潛力，從而能夠快速，大規(guī)模地識別有效的候選藥物。為實現(xiàn)這一目標(biāo)，我們發(fā)起了一項名為AI Cures的計劃，以期減少來自不同背景的人們參與和貢獻(xiàn)的障礙。通過公開共享數(shù)據(jù)，關(guān)鍵分析和方法，我們希望探索AI可以幫助發(fā)現(xiàn)藥物的多種方式。較高的科學(xué)標(biāo)準(zhǔn)和公開分析還可以減輕可能的錯誤，提前宣布的負(fù)面影響。

AI算法最簡單的任務(wù)是計算機屬性預(yù)測。該算法學(xué)會預(yù)測實驗分析的結(jié)果，例如用給定化合物處理過的細(xì)胞是否能夠承受病毒感染，從而可以快速，廉價地掃描大型化合物庫尋找有效的候選藥物。人工智能工具確實需要學(xué)習(xí)初始數(shù)據(jù)，但所需的數(shù)據(jù)量可能遠(yuǎn)遠(yuǎn)少于全面的實驗調(diào)查。確實，算法自然是機會主義的，尋求將分子特征與測量結(jié)果聯(lián)系起來的一致的統(tǒng)計模式。初始數(shù)據(jù)中的信號越清晰，預(yù)測或有效模擬實驗結(jié)果所需的信號就越少。例如，在我們之前的抗生素研究中，

人工智能工具可以幫助重新利用已經(jīng)通過臨床批準(zhǔn)流程的化合物。只有大約10,000種這樣的化合物，其中一些正在接受臨床試驗，并且已經(jīng)進(jìn)行了許多篩選和測試其針對Covid-19有效性的工作。各種病毒抑制篩選的實驗結(jié)果彼此之間并不十分吻合，但是，為AI工具調(diào)和了細(xì)胞類型，細(xì)胞系和實驗方案的差異留出了很大的空間。

不幸的是，單一藥物的重新努力可能無法產(chǎn)生有效的治療。許多已知的病毒療法(例如用于治療HIV的療法)都是基于藥物的組合而非單個化合物?？紤]分子混合物有多種理由。它們可用于增強效力(針對不同的途徑和過程)，減輕副作用或調(diào)節(jié)人類免疫應(yīng)答。為了確定有效的藥物組合，理想情況下，我們將可以同時用多種劑量的多種候選化合物處理的感染細(xì)胞進(jìn)行大規(guī)模篩選。但是，此搜索空間是組合的，從而導(dǎo)致系統(tǒng)的實驗工作不足。這是AI和機器學(xué)習(xí)工具可以真正發(fā)揮作用的地方。除了從有限的數(shù)據(jù)中暗示有希望的組合之外，算法還可以指出哪種組合對實驗性篩選最有幫助。實際上，人工智能算法的作用和實驗篩選工作是高度協(xié)同的。