如果更快找到治愈方法的关键不在于实验室，而在于代码呢？这是推动AI驱动药物发现的使命，一个利用算法、数据和分析来发明新的、更好的治疗方法，甚至可能更快找到治愈方法的领域。虽然像Chat GPT这样的AI工具可能不会治愈癌症，但其他类型的AI已经在改变制药行业中新疗法的发现方式。艾伯维是那些在大规模创建和应用这些新技术方面处于领先地位的公司之一。
“AI的目标是在更短的时间内为患者带来新的、更有效的治疗方法，”艾伯维IT信息研究副总裁Phil Hajduk博士说。本文将探讨艾伯维如何利用AI扩大科学家对疾病的理解，并加速新药的发现。
1. 利用大规模数据推进AI药物发现
如今，发明新疗法既耗时又费力，部分原因是药物发现面临一个重大的数据问题。为了找到新的药物候选物并预测它们对人体的影响，科学家们需要汇总和分析大量的数据，包括遗传信息、临床试验、分子相互作用等多方面的来源。仅靠科学家自己完成这项任务可能需要数十年，甚至是一生的时间。
为了解决这个问题，加快发现的步伐，艾伯维的研究人员构建了艾伯维研发融合中心（ARCH），这是一个行业领先的平台，集中并连接了来自200多个内部和外部来源的数据。结合机器学习（ML），ARCH可以执行智能任务，获取知识并预测或分类数据。
2. 利用生成式AI优化药物设计
选定药物候选物后，科学家们接下来的重点是识别和优化具有潜在治疗价值的化合物。在这个步骤中，艾伯维的科学家们积极利用AI。选择合适的药物候选物时，研究人员会寻找多种属性。除了寻找稳定且能有效结合目标的化合物外，研究人员还希望找到具有良好吸收性的化合物，以确保药物能够到达人体所需的位置，或低粘度，以便可以通过注射器给药。
为了找到满足所有这些不同要求的候选物，研究人员传统上依赖于高通量筛选大量化合物库——这一过程需要相当多的时间和劳动。但现在，AI方法正在帮助加速这一步骤。通过一种称为大型语言模型（LLM）的AI形式，研究人员可以在计算机上进行药物设计，而不仅仅是依赖高通量筛选。LLM通过处理已知化合物的大数据集中的模式，学习结构差异如何影响稳定性、粘度等属性，并利用这些见解预测新结构。
“发现能够为患者带来更好结果的新解决方案是我们的最终目标，而AI/ML能力正在帮助我们更快实现这一目标，”艾伯维发现生物治疗副总裁W. Blaine Stine博士说。
3. AI和机器学习在精准医疗中的角色
药物发现的另一个重要方面是确保疗法尽可能适用于目标人群中的更多患者。目前，这一科学仍不完善：现有的疗法并非对每个患者都有效，而且迄今为止，科学家们缺乏理解原因的工具。但通过新兴的精准医疗领域，研究人员正逐渐接近这一目标。精准医疗利用机器学习开发疗法，使研究人员能够更好地理解受同一疾病影响的患者之间的基因、蛋白质和其他潜在生物标志物的相似性和差异，并利用这些知识指导疗法的开发。
“我们希望达到能够为特定患者群体定制治疗方案的阶段，”艾伯维精准医学免疫学执行董事Heath Guay博士说。艾伯维研究人员利用精准医疗更好地理解对某一疗法有反应的患者与没有反应的患者的临床数据，揭示可能负责或能够预测患者反应的生物标志物。科学家们可以将这些知识带回发现阶段，帮助他们识别针对该特定患者群体的潜在药物靶点。
利用AI在肿瘤学、免疫学和神经科学中定制治疗方案
在肿瘤学中，通常使用生物标志物来理解患者反应并相应地分层患者。但艾伯维在免疫学和其他治疗领域中也处于精准医疗应用的前沿。“在过去二十年中，我们在肿瘤学中了解了很多关于癌症分子生物学的知识，这导致了新的患者治疗方法的出现，”艾伯维精准医学免疫学执行董事Heath Guay博士说。“我们也希望在免疫学中做到这一点，因为大多数现有疗法都是广泛治疗疾病。我们希望达到能够为特定患者群体定制治疗方案的阶段。”
无论是精准医疗还是药物靶点，AI在帮助转化药物发现方面的所有应用都预示着患者的未来将与过去大不相同。“发现方面一直非常具有挑战性，但有了AI/ML等新能力，我们现在有机会更加雄心勃勃地应对难以治疗的疾病，寻找治愈方法，并实现我们所有人为患者带来的影响，”Stine总结道。
(全文结束)
