人工智能推动精准肿瘤学发展 2025年或成"转折点"
阿斯利康、辉瑞等药企正利用人工智能的计算能力优化临床试验设计、预测药物潜在疗效与安全性特征，并整合海量多组学数据以更全面理解复杂癌症。
在癌症治疗的宏大叙事中，个性化治疗是相对年轻的方法。过去数十年间，多项突破拓展了可能性边界——其中最新的是人工智能。
据资料显示，精准治疗起源于1990年代，当时研究人员首次发现某些药物在特定基因或生物标志物特征的癌症中效果更佳。在此之前，癌症患者主要依靠化疗和放疗——这些往往对身体产生无差别的化学和放射性攻击，导致严重副作用。
"癌症是高度个体化的疾病，"加州生物科技公司1Cell.Ai联合创始人兼CEO Mohan Uttarwar在接受BioSpace邮件采访时表示，"我们认为每个肿瘤解决方案都应基于精准医疗。"
精准肿瘤学的兴起得益于DNA测序等技术发展，这些技术帮助科学家识别能区分不同癌症亚型的分子，并根据生物标志物准确分层患者。如今，有一项新兴技术若被充分发挥潜力，将推动精准肿瘤学进一步发展，开拓更优的诊断和治疗前景：人工智能(AI)。
在精准肿瘤学和更广泛的药物研发领域，AI主要用于分析超越人类能力的大规模数据集，识别关键模式并作出可靠预测。OncoHost首席执行官Ofer Sharon指出："AI正成为制药研发的核心，使企业从直觉驱动转向数据驱动的研发模式。"阿斯利康美国肿瘤业务主管Arun Krishna在上月ASCO年会上证实："药物发现流程已因AI而迅速改变。"
药物发现与患者筛选
Uttarwar表示，企业可利用AI挖掘整个癌症基因组，寻找适合靶向的特定突变，或通过分析模型发现新生物标志物，更精准识别可能对治疗有反应的患者，从而提升临床试验成功率。他补充说，药企还可借助AI设计抗体偶联药物等新型疗法。
例如，企业可利用庞大的生化数据集训练分析模型，预测特定分子的潜在效力或可能出现的毒性。AI还可用于预判药物相互作用，这不仅影响临床疗效，还可能带来安全风险并恶化患者体验。传统数据采集需要大量耗时的动物实验，引发伦理争议，而AI技术可能消除这些障碍。FDA于今年4月宣布将逐步淘汰单克隆抗体等疗法的动物实验，转而采用"基于AI的计算模型"和人源类器官实验模型。FDA局长Marty Makary称："这将使我们更快更可靠地为患者提供更安全的治疗，同时降低研发成本和药价。"
多家生物制药公司已将AI模型纳入研发流程。阿斯利康过去数年已在AI合作领域投入超10亿美元，Krishna称预测性AI是"药物发现的圣杯"。通过AI，发现潜在有用分子的速度可从数月或数年缩短至30天内。
AI在患者筛选中也展现价值。2024年9月，阿斯利康运用AI对肺癌患者进行分层，以解释与第一三共合作的抗体偶联药物Dato-DXd三期试验失败原因。AI衍生的TROP2-QCS生物标志物显示：表达TROP2的患者接受Dato-DXd治疗后疾病进展或死亡风险降低43%，而未携带该标志物的患者风险仅降低25%。
辉瑞正在"构建下一代工具用于临床前和临床开发全流程"，内部医学与传染病统计部门负责人Jared Christensen表示。公司还设有预测机器学习研究枢纽。诺华也积极布局AI领域，去年斥资6500万美元与Flagship Pioneering旗下Generate:Biomedicines合作，利用其AI平台设计新型药物。OncoHost首席执行官Sharon认为，AI还将助力开发"高级伴随诊断工具"，实现更精准的患者-治疗匹配。
未来与前沿
随着生成式AI（超越分析和预测，基于现有信息创造新模型的技术）进入主流，AI潜力引发高度期待。2023年8月，Insilico Medicine开发的首个完全由生成式AI设计的药物进入二期临床试验。同年，Generate:Biomedicines完成2.73亿美元C轮融资，用于开发针对哮喘到晚期实体瘤的蛋白质疗法。
Sharon指出，生成式AI具有"重新定义创新速度和广度"的潜力，影响从从头分子设计到合成生物学的多个领域，"解锁曾被认为遥不可及的治疗可能"。Uttarwar认为生成式AI成熟后，通过模拟生物相互作用和设计新治疗分子，将大幅缩短药物发现时间与成本。
生成式AI的强大计算能力使癌药开发者能访问"多组学数据集"——整合基因组、转录组、蛋白质组和代谢组等多层次数据。Sharon强调："基因变异仅讲述部分故事，蛋白质反映肿瘤微环境实时动态。AI在整合复杂组学数据、揭示肉眼不可见模式方面至关重要。"
专家共识认为，2025年将成为转折点，首个AI设计的抗癌药物将进入人体试验，标志着治疗研发范式的根本转变。这一进程将受益于监管机构对AI定义生物标志物的接受度提升，以及制药业将AI工具深度整合入工作流程的系统性努力。
数据难题
尽管充满潜力，AI仍是新兴科学。Sharon指出："AI模型质量取决于训练数据，不一致或有偏数据会限制模型泛化能力。"Uttarwar强调信息整合的重要性："基因组、蛋白质组和影像数据常来自不同来源、格式和协议，若不妥善整合会向AI模型引入噪声。"
1Cell.Ai开发的iCore数据管理平台（与斯坦福和MD安德森合作）已实现多组学数据标准化，支持AI模型训练。Sharon认为更深层挑战在于信任："需要AI决策透明化"，才能让临床医生和监管者信赖模型结果。当前虽有数据共享倡议、可解释AI模型和监管框架等进展，但仍有大量工作待完成。
Sharon总结道："最终成功取决于AI工具如何融入临床和运营工作流程，而不仅是算法先进性。2025年将见证这一范式转变的历史时刻。"
【全文结束】
