利用AI助力新药研发的探索
礼来公司超级计算机，由英伟达(Nvidia)开发。（路透社/Antranik Tavitian 摄）
摘要：药物公司如礼来和罗氏正竞相建造超级计算机，以帮助解决药物开发中90%的失败率。
礼来(Eli Lilly)首席执行官戴夫·里克斯(Dave Ricks)今年早些时候在旧金山与英伟达创始人黄仁勋(Jensen Huang)同台，吹嘘公司的技术实力时，黄仁勋调侃了新药研发的艰辛过程。
"我真的希望你们的行业能从药物发现转向，这有点像在森林里寻找松露，"黄仁勋在生物科技和制药投资者面前说道。
事实上，里克斯和整个制药行业正试图超越采集土壤样本和树皮碎片来寻找新药的传统方法，转而将希望和投资资金转向人工智能。礼来去年10月首次宣布与芯片制造商英伟达合作，建造其称为行业内最强大的超级计算机，并于今年1月扩大了这一合作，投入10亿美元进行为期五年的合作，将双方的科学家和工程师混合在新的湾区实验室中，旨在利用AI工具发现新药物。
他们并非孤军奋战。竞争对手罗氏(Roche)已宣布将与英伟达合作建造更强大的超级计算机。葛兰素史克(GSK)、阿斯利康(AstraZeneca)和默克(Merck)等公司近几个月来已宣布与科技和专注于AI的生物技术公司达成了价值数十亿美元的合作，旨在充分利用AI。
制药公司多年来一直在讨论AI加速药物研发的潜力，但至今尚未大规模实现。
RBC资本市场分析师庄荣(Trung Huynh)表示："人们曾承诺，由于AI的应用，药物临床试验的成功率将会有显著提高。但我认为这还没有发生。我认为目前还没有确凿的证据证明AI能改善结果。"
递归制药公司(Recursion Pharmaceuticals)首席执行官纳贾特·汗(Najat Khan)表示，问题的部分原因在于用于训练AI模型的基础科学数据有限，且运行高容量计算机实验的成本很高，尽管这一成本正在下降。
递归公司是这一领域的先驱。该公司成立的初衷是能够在细胞图像上训练AI，以更好地理解疾病驱动因素，从而改善目前困扰药物开发的90%失败率。
"第一波浪潮中，有很多事情失败了。很长一段时间里，药物猎人的思维模式缺失了，"汗说道。
今年1月成为CEO的汗表示，递归公司正在取得重要进展。其AI平台帮助确定了针对人体中某种特定蛋白质可能会有助于治疗遗传性结直肠息肉疾病。递归公司利用这一发现收购了一种针对该蛋白质的实验性治疗方法。在一项小型早期研究中，该公司表示其药物显著减少了患者的息肉。
AI工具还帮助递归公司将设计一种新的实验性抗癌药物的时间缩短至约18个月，而行业平均水平约为四年。不过，由于人体研究需要时间，可能仍需数年才能证明该药物有效。
然而，突破对投资者来说来得还不够快。去年，递归公司在缩减研究管线后裁掉了20%的员工。在其成立近13年后，仍未将AI赋能的药物推向市场。一些公司正逐渐接近证明AI在药物研究中的价值。日本制药商武田(Takeda)有一种银屑病药丸，是从一家使用AI发现该药物的公司收购而来的。该药物在大型研究中取得了成功，公司今年将向美国监管机构提交审批。另一家日本制药商安斯泰来(Astellas)使用AI完善了其实验性胰腺癌药物setidegrasib。该药物目前正处于后期研究阶段。
安斯泰来首席执行官冈村尚树(Naoki Okamura)表示，AI甚至可以在药物获批后扩大其影响力。公司正在使用AI来确定公司销售代表应该拜访哪些医生来推广该药物，以及在拜访中应该说什么。
总的来说，RBC资本市场估计，这项技术在未来五年内可以为美国制药行业节省约900亿美元，将每股利润提高最多13%。
到目前为止，制药商从AI中获得的大部分收益是简化后台任务或加快制造速度，而非在药物研究方面取得突破性进展。更先进的生成式AI（如2022年的ChatGPT）的出现，开辟了新的可能性。
AI公司已经开始向制药公司营销专门工具，帮助它们更快速地工作。
谷歌DeepMind开发的AlphaFold使用机器学习来预测可能有助于药物设计的蛋白质结构。今年4月，OpenAI推出了GPT-Rosalind，称其旨在帮助研究人员缩短药物开发时间线。
辉瑞(Pfizer)首席执行官阿尔伯特·布尔拉(Albert Bourla)在一次采访中说："我们都改变了看法。它有潜力改变我们所做的一切，我相信它会。从早期发现到后期开发，再到提高制造产量。"
在制造方面，AI驱动的收益已经显现。
礼来公司首席信息和数字官迪奥戈·劳(Diogo Rau)表示："现实情况是，到目前为止我们在AI中看到的所有好处实际上并不在药物发现上——而是在其余过程中。"
例如，礼来高管认为他们已经最大限度地提高了tirzepatide的产量，这是其畅销减肥药物Mounjaro和Zepbound的主要成分，以满足导致早期广泛短缺的爆炸性需求。
为了测试公司是否能生产更多，礼来去年创建了一个"数字孪生"来模拟tirzepatide的制造过程，然后将其通过公司内部开发的机器-learning工具运行。制造和质量高级副总裁斯科特·林赛(Scot Lindsey)表示，该工具识别了药物制造设备内部压力和温度等各种因素的组合，可以通过调整这些因素来缩短生产过程。
礼来拒绝透露缩短了多少生产时间或能生产多少更多的tirzepatide，但劳表示，这一增长"令人惊叹，因为我们能够接触到更多的患者。"
写信给彼得·洛夫特斯(Peter Loftus)：Peter.Loftus@wsj.com
【全文结束】