Credit: Pixabay/CC0 公共领域
去年12月，《对话网》(The Conversation)举办了一场关于人工智能在药物发现和开发中革命性作用的网络研讨会。科技编辑埃里克·斯马利(Eric Smalley)采访了佐治亚理工学院(Georgia Institute of Technology)计算系统生物学杰出学者杰弗里·斯科尔尼克(Jeffrey Skolnick)和范德比尔特大学(Vanderbilt University)药理学助理教授本杰明·P·布朗(Benjamin P. Brown)。
斯科尔尼克开发了基于人工智能的方法来预测蛋白质结构和功能，这些方法可能有助于药物发现并找到现有药物的适应症外用途。布朗的实验室致力于创建新的计算机模型，使药物发现更快、更可靠。以下是经过精简和编辑的访谈内容。
让我们先从大局谈起。人工智能如何改变生物医学研究和药物发现？我们谈论的潜力是什么？
斯科尔尼克：潜在的益处非常大。药物发现中一个令人沮丧的问题是，尽管从事这项工作的人才智超群，工作做得极其出色，但成功率却非常低。大约五分之一的药物会产生超过其益处的负面健康影响。在通过测试的药物中，约有一半不起作用。
在药物开发中，有几个关键问题：你能预测是哪个靶点导致特定疾病吗？一旦确定了这个靶点，你如何保证药物有效且不会同时致命？
这些是药物发现中的突出问题，人工智能可以在其中发挥重要作用，尽管不是100%有保证。与我们不同，人工智能可以查看几乎所有可用知识。在状态好的时候，它会建立强大而真实的联系，称为"洞察"；在状态不好的时候，它会"产生幻觉"，看到一些弱小且可能错误的东西。
归根结底，许多疾病没有治愈方法。大多数疾病只能维持，如高胆固醇或自身免疫疾病。癌症治疗可能让你多活五年，但现在你处于第四阶段，已经用尽了所有标准护理药物。人工智能可以在没有替代方案的情况下提出替代方案。
让我们在这里给出一些基本定义。当我们使用"药物"一词时，我们谈论的是广泛范围的疗法。你能解释一下这个范围吗——我们有小分子药物、生物制剂、基因疗法、细胞疗法。
布朗：我们体内有相当大的分子，称为蛋白质。它们像机器一样执行特定功能并相互作用。通常，当我们试图治疗疾病时，我们试图改变特定蛋白质的功能。许多药物，如阿司匹林和泰诺林(Tylenol)，是小分子，可以嵌入蛋白质并改变其功能。从根本上说，药物不必只与蛋白质相互作用，但这是我们当前药物库的主要作用方式。
还有一些蛋白质可以像药物一样发挥作用，例如抗体。当你接种病毒疫苗时，你的身体基本上会获得如何开发抗体的指示。这些抗体会针对该病毒的某一部分。你的身体正在创造这些比阿司匹林大得多的大分子，以不同的方式与外来蛋白质相互作用。基因治疗是更进一步的步骤。
因此，这些模式——分子、蛋白质、抗体或基因——是非常不同类型的分子。它们有不同的规模和规则，因此设计和发现它们的方法也大相径庭。
你能简要解释一下人工神经网络，以及深度学习中的"深度"是什么意思吗？
斯科尔尼克：DeepMind开发的AlphaFold涉及理解神经网络如何工作。他们构建了一个具有大量输入（即刺激）和不同权重输出的网络，类似于你的大脑实际工作方式。这些简单的连接或神经元具有强化学习功能。
他们还创建了复杂的神经网络，例如transformers（转换器模型），它们可以执行特定的事情，就像可以学习的特殊用途工具，并且他们添加了一种称为"注意力"的机制，可以放大关键细节。带有transformers的超级神经网络就是我们所说的深度学习。这些网络现在拥有数十亿甚至数万亿个参数。
本质上，这些机器可以学习事件之间的高阶相关性，这意味着依赖于多个事物同时属性的条件交互模式。在这些高阶相关性中，人工智能有潜力发现以前未知的事物，这些事物嵌入在拍字节（petabyte，相当于美国所有学术研究图书馆内容一半的数据单位）的生物数据中。
AlphaFold可以预测蛋白质的三维生物活性形式，拥有数百万个序列和数万个结构。它可以根据特定模式告诉你设计哪种小分子，该小分子可以附着在蛋白质上以引发某种结构变化。
这项技术如何用于生物医学研究，以了解分子动力学或本质上涉及健康和疾病的生物过程？
布朗：2013年，分子动力学模拟获得了诺贝尔奖，这是一种计算工具，帮助你理解分子如何根据物理学原理运动。围绕这些想法建立了庞大的科学研究体系。
人工智能和深度学习目前很热门，但值得一提的是，在过去十年半中，人们一直在使用更小的机器学习算法来帮助设计药物。许多想法，如使用机器学习进行虚拟筛选，并不是新的，已经实践了一段时间。
随着AlphaFold技术帮助人们设计蛋白质并预测其结构，我们改变了对这些问题的思考方式。我们有了这种新的方法库，可以围绕它构建想法，并开始思考药物发现。
从20年前到现在，当今的人工智能技术在这一过程中带来了怎样的规模变化？
斯科尔尼克：许多疾病，如癌症，是由一系列功能异常的蛋白质引起的。人工智能现在使我们能够开始概念性地思考这些疾病是如何组织和相互关联的。
疾病往往共同发生。例如，如果你有甲状腺功能亢进，你很可能发展出阿尔茨海默病。有点奇怪，对吧？我们可以看部分，但人工智能可以查看所有信息，整合集体行为，然后识别共同驱动因素。这使你能够构建疾病相互关系，提供广谱治疗方法的可能性，可以治疗整个疾病集合，而不是窄谱治疗。
相关地，人工智能还可以帮助我们理解疾病轨迹。往往共同发生的疾病通常会连续出现。你有疾病1，它给你带来疾病2，然后给你带来疾病3。这表明，如果你回到疾病1的根源，你可能能够阻止一大堆问题。没有工具，你无法分析数百万条轨迹和数百万条数据，所以以前你无法做到这一点。
这有很多希望，但人们也必须小心不要过度承诺。它会有所帮助，会加速，但目前还不能替代真正的实验、真正的临床验证和试验。
【全文结束】