药物研发一直面临高成本、长周期和低成功率的困扰，但如果人工智能能够改变这一局面呢？请继续阅读，了解实际案例并探索人工智能在药物研发中的变革潜力。
药物研发受到高成本、长周期和低成功率的阻碍，而复杂的治疗方法进一步加剧了这些挑战。虽然传统的人工智能/机器学习（AI/ML）提供了一些益处，但生成式人工智能，特别是与临床基因组学结合时，展现出变革性的机遇。通过整合包括临床基因组学在内的多种数据模态，这种方法可以影响靶点识别、患者分层和临床试验设计。利用庞大的基因组数据集与其他数据和多模态语言模型相结合，这种方法提供了对疾病生物学的更深入理解，并实现更精确的患者选择。这有望显著提高新药的成功率，加速其研发进程，最终更快地为患者提供救命治疗。本文将展示大规模应用的实例和未来展望。
生成式AI加速药物发现：案例研究与时间线
2017年，Insilico Medicine和阿斯利康等公司以及学术实验室开始大规模应用生成式AI（GenAI）进行药物发现。这些早期采用者探索了GenAI在各种研究过程中的潜力，包括数据收集、存储，甚至重新规划实验室空间以满足数据中心日益增长的需求。
最近对39家AI原生公司的研究表明，GenAI对成功率（PoS）产生了显著影响，将I期临床试验成功率从传统范围的40-65%提升至令人印象深刻的80-90%。即使排除那些可能受益于已有毒理学和临床数据的重新定位药物，成功率仍显著提高。
人工智能在药物研发中的有效性已不再仅仅是理论；它得到了具体成果和成功案例的支持。一个典型案例是DSP-1181，这是首个进入临床阶段的AI设计药物，由住友制药与Exscientia合作开发。其发现阶段仅用了12个月，而传统方法通常需要四到五年。
同样重要的是Insilico Medicine的案例，该公司展示了在短短18个月内识别新药物靶点并生成候选分子的能力。在新冠疫情期间，BenevolentAI使用其AI平台仅用三天就确定baricitinib可能是治疗该病毒的潜在药物，这是一个快速重新利用现有药物的令人印象深刻的例子。最近，Recursion Pharmaceuticals的无偏见、机器学习驱动的基因组筛选快速识别并推进了REC-1245。这是一种潜在的同类首创、高选择性RBM39降解剂，针对生物标志物富集的实体瘤和淋巴瘤。它从靶点识别到IND（新药临床试验申请）支持研究仅用了不到18个月——速度超过行业平均42个月的两倍以上。Insilico Medicine的Rentosertib（一种特发性肺纤维化药物），其靶点和化合物均通过生成式AI发现，已获得美国采用名称委员会（USAN）的正式命名。
青光眼临床试验案例：整合AI、基因组学与高级影像技术
"青光眼"一词指的是一组导致视网膜和视神经不可逆损伤的眼部疾病。对大多数青光眼患者而言，这种损伤是由眼内压升高引发的，而眼内压升高又可能由多种因素引起。约10-20%的青光眼患者患有"正常眼压性"青光眼，本质上是一种与正常眼内压相关的急性青光眼。目前有多种药物（以及几种手术方法）可用于降低眼内压并管理视力丧失。然而，10-25%的患者仍会在一只或两只眼睛中出现部分或完全视力丧失，使青光眼成为全球致盲的主要原因之一。尤其令人担忧的是青光眼的普遍性。估计数据各不相同，但到2024年全球青光眼患者超过1亿的预测并不罕见。青光眼与人口老龄化相关，使其成为快速老龄化人口地区日益增长的健康负担。
人工智能在青光眼的诊断和监测中正变得越来越重要。具体而言，基于AI的视网膜图像解释被证明比客观观察和图像解释更能敏感、可靠地监测视网膜健康。AI对视网膜图像的解释尚未成为药物研发监管机构认可的常规做法，但标准化的基于AI的影像协议纳入青光眼新药开发可能只是时间问题，这将使这些临床研究比传统方法更快完成。事实上，已有临床研究正在进行，通过检查视网膜成像AI软件以及基因型和影像数据的结合，尽可能早地识别快速进展的患者。这些方法正在扩展到其他眼病，如糖尿病视网膜病变和黄斑变性，在这些疾病中，早期诊断对保护视力至关重要。
影像分析只是现代工具和技术在青光眼诊断和监测中应用的一小部分。例如，越来越多的人认识到，患者基因可能用于更早、更准确地识别患者亚群，从而可能实现更个性化、更有效的疾病治疗方法。幸运的是，这方面已有进展。人群水平的基因分型，结合AI数据处理和分析，可能是解锁未来的关键，在这个未来中，青光眼患者不仅能够被更早诊断，还能通过个性化治疗方法尽可能长时间地保护视力。
这些方法在开发治疗包括青光眼在内的一系列眼病的新药方面也可能具有重要意义。针对青光眼等眼病的传统药物是通过简单滴眼液递送的小分子。如今，复杂的蛋白质和基因被直接注射到眼睛中，以治疗各种严重的眼部疾病。随着这些复杂性而来的是提高临床成功率的需求。一种方法是采用多模态方法，使用AI驱动的图像分析、通过基因分型进行患者预筛选以及其他工具，提高已经较低的临床成功率。
生成式AI在药物发现中的早期前景
尽管生成式AI在治疗开发中引起了制药研发领域的广泛关注并在其中引发争论，且投资者情绪仍参差不齐，但最近一项透明的基准测试提供了其变革潜力的有力初步证据。该基准测试展示了Insilico Medicine平台的有效性，涵盖靶点新颖性和疾病复杂性的范围。在高新颖性领域，生成式AI可以探索未开发的治疗空间，解锁治疗以往难以治疗疾病的方案。在中等新颖性领域以及低新颖性/高复杂性领域，生成式AI已展示出解决复杂疾病和加速急需疗法开发的潜力。生成式AI的一个关键优势，无论靶点新颖性或疾病复杂性如何，是其能够促进将药物作用机制与特定适应症相匹配的关键过程，并进一步将这种匹配细化到该适应症中的相关亚群。
这些加速时间线的关键驱动因素是整合生成式AI和自动化平台的透明端到端以患者为中心的方法。这一简化流程为进一步的研发腾出了宝贵资源，可能带来更快的突破和更快速的新疗法路径。现在关键的问题是，药物发现中AI的验证过程是否会继续，以及制药行业是否会完全接受这一范式转变，还是继续固守传统做法。虽然AI驱动的药物发现仍处于相对早期阶段，但其审慎应用，特别是结合患者数据并关注临床相关性，有潜力显著提高药物发现效率，关键的是提高成功率，最终使患者受益。
生成式人工智能，尤其是与临床基因组学和多模态结合时，提供了应对困扰传统药物研发的高成本、长周期和低成功率的变革性机遇。
关于作者
Remco Jan Geukes Foppen博士是专注于制药领域的AI和生命科学专家。凭借全球视野，他整合并实施影响业务决策的AI驱动策略，始终考虑人的因素。他的领导力在包括图像分析、数据管理、生物信息学、利用机器学习和联邦学习进行高级临床试验数据分析等领域推动了国际商业成功。Remco Jan Geukes Foppen的学术背景包括阿姆斯特丹大学的生物学博士学位和化学硕士学位。
在LinkedIn上联系>>
Vincenzo Gioia是AI创新战略家以及商业和技术高管，20年来专注于创新工具商业化的质量和精确性。Vincenzo专精于应用于图像分析、商业智能和卓越的人工智能。他对技术应用中人文因素的关注导致了高比率的解决方案实施。他拥有萨勒诺大学政治科学和市场营销硕士学位。在LinkedIn上联系>>
Alessio Zoccoli将AI应用于可持续未来。他对行业应用的深刻理解和专业技术推动了针对复杂商业挑战的AI解决方案创新。他专精于自然语言处理、计算机视觉和生成式AI的前沿进展。他是高级数据科学家，拥有罗马第三大学计算机工程硕士学位，并曾担任研究研究员。在LinkedIn上联系>>
Carlos N Velez博士、MBA，是制药和生物技术战略顾问，拥有25年咨询、风险投资、公司战略和创业经验。Carlos专精于帮助制药和生物技术公司制定其内外许可战略，在产品组合评估和优先排序、药物候选物估值、估值及相关服务方面拥有额外的专业知识和经验。他还为寻求改进内外许可流程的公司开发并提供定制培训项目（包括现场和虚拟）。他拥有北卡罗来纳大学教堂山分校药学博士学位和罗切斯特理工学院MBA学位。在LinkedIn上联系>>
【全文结束】
