尽管生成式人工智能在医疗保健领域的消费者端出现了一些失败案例——有些不那么严重，有些则更令人担忧——但在制药和生物技术行业，情况却大相径庭。在这个世界里，人们对生成式人工智能（GenAI）的态度和语气截然不同。利益相关者对这项技术在药物开发中的潜力充满乐观和无限想象。虚拟细胞、RNA测序和所谓的“AI科学家”等领域让人们对未来充满希望。有人甚至预期到2050年，许多机器可能会帮助科学家做出今天能获得诺贝尔奖的发现。事实上，这一进程已经开始。
“我们已经见证并参与了这些技术在计算速度和复杂性方面的快速发展，这实际上是在相对较短的时间内实现的，”NVIDIA全球医疗保健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乐观态度是完全合理的。”
尽管如此，Kelleher指出，一些关键因素可能限制人工智能在未来的影响。行业能否找到有效的解决方案来应对这些挑战，使未来的机器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预计人工智能在他们行业最显著的影响将是在产品研究与开发上。许多人认为，人工智能的价值潜力（按收入百分比计算）可能高达25%。至于未来可能的样子，行业已经在思考、被动实验或积极探索许多潜在的“假设”。
自动化支持的新效率用例包括虚拟细胞，这些细胞可以模拟行为（未来可能取代动物模型）；自主扩展实验和场景的机器人实验室；解码长期以来困扰研究人员的复杂蛋白质结构；模拟临床试验，以便在开发过程中更好地预测候选药物的表现。此外，人工智能还有其他目标，例如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创建人类难以想到的假设。
随着这些目标的实现，通过提高效率降低药物发现和开发的高成本是主要的期望之一，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，在这个未来中，人工智能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
尽管人工智能在药物发现领域的未来用例令人兴奋，但许多障碍仍然存在，这些障碍可能会限制其影响。Kelleher指出，数据稀缺——包括实验室工作台和人类医疗保健方面的缺乏见解——是一个重要的问题。“生物制药领域的数据稀缺是人工智能驱动药物发现的重要障碍，但通过合作数据共享、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。
除了数据稀缺的问题，还存在关于现有数据的偏见和伦理的担忧。专家担心AI模型会继承人类的偏见，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，因此这些偏见确实会被传递到模型中，这可能是未来的一个限制因素。”
除了数据稀缺和完整性问题外，另一个潜在的问题点是监管相关的，特别是FDA对人工智能的采用速度。在最近由JAMA发表的一篇FDA撰写的论文中，作者建议，人工智能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。“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医疗保健和生命科学业务发展负责人Stacie Calad-Thomson（同时也是AAIH的副主席）说。“FDA将继续按照当前标准审查药物申请，但预计文件的速度和数量将加快，如果FDA在采用AI解决方案方面行动迟缓，将成为处理大量申请的瓶颈。”
未来的解决方案
为了释放人工智能在药物发现领域的潜力，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，而不是将其限制在商业研究孤岛中。”NVIDIA专家补充说，调查和支持开源数据工厂、竞争前生物库和联邦学习网络是其他潜在的机会，同时还需要支持合成数据生成的基础设施需求。
同样地，还需要支持负责任的数据使用，并谨慎地接受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，我们不仅将克服当前的障碍，还将彻底改变药物发现本身，开启一个AI加速突破并为全球患者带来前所未有的疗法的时代，”Kelleher说。
(全文结束)
