尽管生成式AI在医疗保健领域的消费者应用中存在一些失败案例——有些不太严重，有些则更为令人担忧——制药和生物技术领域的态度截然不同。在这个世界里，人们对生成式AI在药物开发中的潜力充满乐观和无限遐想。虚拟细胞、RNA测序以及所谓的“AI科学家”等技术激发了人们对AI在临床前研究中的巨大希望。有些人甚至预计到2050年，许多机器将帮助科学家做出今天可能获得诺贝尔奖的发现。事实上，这一过程已经开始。
“我们已经见证并参与了这些技术在相对较短的时间内计算能力和复杂性的迅速提升，”NVIDIA全球医疗和生命科学业务发展负责人Rory Kelleher表示，“行业对生物和化学模型未来的发展持绝对乐观的态度。”
尽管如此，Kelleher指出，一些关键因素可能会限制AI在未来的势头和影响。行业能否通过有效的解决方案应对这些挑战，使未来的机器能够满足生命科学的需求？
一个充满“假设”的世界
与其他行业不同，制药和医疗产品领导者认为AI在其行业中最显著的影响将是在产品研发上。许多人预计，AI的价值潜力（以收入百分比定义）可能高达25%。
至于未来的可能性，行业已经在思考、被动实验或积极致力于许多潜在的“假设”。自动化能力支持了多种用例，例如虚拟细胞可以模拟行为（未来可能替代动物模型），机器人实验室可以自主扩大实验规模和场景。解码长期以来困扰研究人员的复杂蛋白质结构，以及模拟临床试验以便更好地预测候选药物在开发中的表现，都是令人兴奋的领域。AI的其他目标还包括为各种规模的组织提供超级计算级别的分子模拟，以及利用知识图谱等资源生成人类难以设想的“异想天开”的假设。
随着这些目标的实现，通过AI的效率降低高昂的药物发现和开发成本，成为主要的期望结果之一，这有助于更多高质量的候选药物最终进入临床试验。
“这些用例共同预示着一个未来，AI将从根本上改变药物发现——加速研究、降低成本，并实现以前无法想象的突破，”Kelleher说。
需要克服的障碍
尽管AI在药物发现中的未来应用令人兴奋，但许多障碍仍会带来挑战，可能会限制这些影响。Kelleher建议，数据稀缺性——包括实验室台面和人类医疗保健方面的缺乏洞察力——是一个重要的问题。
“数据稀缺性是生物制药领域AI驱动药物发现的重大障碍，但通过拥抱协作数据共享、利用合成数据生成和联邦学习，我们可以克服这些限制，解锁医学研究的新潜力，”他说。
除了数据稀缺性的问题外，还存在关于现有数据的偏见和伦理问题。专家们表达了对AI模型可能继承人类偏见的担忧，这引发了关于这些担忧如何影响下游努力以在候选药物进入人体试验时多样化临床研究的问题。
“多样性在这些模型的有效性中确实起着重要作用，”Kelleher说。“任何模型都高度依赖于其训练数据。因此，这些偏见肯定会被带入模型，这可能是未来的一个限制因素。”
除数据稀缺性和完整性问题外，另一个潜在的问题点是监管相关问题，特别是FDA对AI的采用速度。在最近一篇由FDA撰写的JAMA论文中，作者建议AI实施的快速步伐要求多个利益相关者帮助评估质量，而不仅仅是监管机构的责任。
“实际上，人工智能医疗联盟（AAIH）刚刚与政府监管机构讨论了这个问题，”NVIDIA医疗和生命科学业务发展负责人Stacie Calad-Thomson（同时也是AAIH副主席）说。“FDA将对药物申请保持与现在相同的标准，但预计文件的速度和数量将加速到一个点，如果FDA在采用AI解决方案方面进展缓慢，将导致瓶颈，从而更有效地处理大量申请。”
未来的解决方案
为了释放AI在未来药物发现中的潜力，利益相关者应优先考虑基础性和非孤立的方法，Kelleher说。
“我们需要公开、严格的基准测试、评估和验证，供社区进行科学审查，而不是将其保留在商业研究孤岛中，”他补充道。
NVIDIA专家还指出，调查和支持开源数据工厂、竞争前生物银行和联邦学习网络是其他潜在机会，同时还需要支持合成数据生成的基础设施需求。
另外，还有必要支持数据的负责任使用，谨慎接受AI科学家和代理减轻人类团队负担的想法，使他们能够减少文书工作。专家表示，这些解决方案可以帮助使从临床前到临床里程碑的过程更加顺畅和实用。
“通过实施这些解决方案，我们不仅会克服当前的障碍，”Kelleher说，“我们将彻底改变药物发现本身，开启一个AI加速突破、为全球患者带来前所未有的疗法的时代。”
(全文结束)
