3月6日 北京消息开发新药绝不是一件容易的事。平均而言，新型药品的开发工作需要耗时十年，且研发成本高达26亿美元——只有这样的巨额投入之下，药物才能由实验室真正走向市场。而由于其安全性及有效性的不确定性，最终往往只有约5%的实验性药品能够被实际投放市场。

不过药物制造商与各大科技企业正投入数十亿美元以建立人工智能解决方案，希望借此加快药物发现速度并降低药物成本。

在近期于德克萨斯州奥斯汀市召开的美国科学促进会年会上指出，“人工智能堪称医疗卫生领域的沉睡巨人。”微软公司正积极投资人工智能技术以推动药物设计与药理学研究，研究药物如何在体当中发挥作用，并将这项技术描述为“巨大的机遇”。

微软公司绝不是惟一在人工智能技术身上押下重注的厂商。截至2月底，位于多伦多的生物技术企业已经发布统计结论，发现目前已经有16家制药公司以及60多家初创企业在利用人工智能技术进行药物开发。

最大的瓶颈

药物开发领域最大的瓶颈通常在于研究工作的早期阶段，特别是从确定潜在致病目标（通常为人体内的蛋白质）到测试候选药物能否达成治疗目的之间所需要的时间。

众多最具发展雄心的人工智能组织——希望能够将这一过程由原本的四到六年周期缩短至一年之内。

由于只有5%的实验性药物能够最终被投放市场，因此人工智能技术的引入将有助于改善周期漫长且以劳动密集型为主的药物发现过程。

当然，这项崇高的目标暂时还未能达成。不过总部位于伦敦的欧洲最大私营人工智能企业表示，一旦确定了有望攻克的疾病目标，那么此项技术的引入将能够显著减少候选药物所需试验数量与错误量。到目前为止，该公司估计其能够将相关研发成本降低60%，并将药物的研发时间由原本的三年缩短至一年。

其它以人工智能为导向的药物开发工作也显示出振奋人心的早期收益，其中包括更有效地治疗艾滋病、高血压、传染病以及癌症等。

提前预测失败

由于成功开发出新药的可能性极低，因此制药业已经习惯了这种“几乎总是以失败告终”的状况。但人工智能检测方法能够有效清除部分候选药物，同时提取其中的有价值数据以推动其它项目的发展。

举例来说，通过对其所在公司的数据库进行搜索，我们发现超过23万种用于对大脑疾病进行靶向治疗的候选药物。这些分子虽然都不适合其目前所推动的项目（专注于其它疾病），但人工智能算法仍有助于揭示这类能够进入大脑的化学成分中的共通性结构特征。

目前正在明智其它人工智能程序来模拟如何将这些分子以新的方式组合在一起，并预测其中哪些部分可能有助于渗透至大脑之内以达到治疗疾病的目的——而哪些组合可能产生毒性。

现已经扩大了其研究规模，其中涉及20多种针对罕见型癌症、炎症、神经退行性疾病以及中枢神经系统疾病的药物研发计划。使用的计算机经过训练以了解生物医学语言，并能够在人体之内找到药物、疾病以及蛋白质之间存在的神秘关联。

利用其它AI计算机算法为肌萎缩侧索硬化（简称ALS）探索新的治疗方案选项——这是一种退行性神经系统疾病。如果没有人工智能技术的帮助，这一过程可能需要数年时间才能完成。

前景与挑战

当然，并不是所有人都相信人工智能技术会改变药物的开发前景。

哈佛大学博士曾经开发出面向材料科学的人工智能应用，而目前其正转向药物研发领域。在他看来，这一领域确实充斥着大量炒作气息。尽管如此，他认为“脾气暴躁”的反对者们显然忽略了他在这方面付出的努力，而真正的从业者也不会受到影响。他表示，“在不同领域之间的边界位置，总会出现众多令人兴奋的新生事物，而摩擦也将同样不可避免。”

目前的一大主要挑战，在于如何收集充足且可靠的信息来正确训练沃森以及其它人工智能系统。“人工智能的实际质量取决于数据质量。”

基于他自己设计的、用于工业类分子应用的人工智能策略，他解释了应如何立足药物研发领域对计算机进行更好地训练。首先，他将数十万种类似药物的分子信息输入到AI算法当中，以帮助其学习各类分子间的共通性特征。最终，计算机将变得足够聪明，从而自行预测新药的结构表达。

指出，“没错，人工智能会无数次预测出垃圾结果。”然而，科学家们可以设计出对应方法以排除那些无用的预测，并奖励好的预测结果，从而训练计算机并不断提升其准确性水平。

目前受到广泛关注的生成对抗网络（简称GAN）方法就是在两套人工智能网络之间建立一种竞争机制。其中的发生器网络负责猜测药物分子，而鉴别器网络则对每一项猜测结果作出对错判断。“刚开始，这两套网络都愚蠢得不忍直视。但随着时间的推移，两套网络会相互学习并同时变得更加聪明。”

当然，计算机仍然会被人类所愚弄，这一点相信对于GPS导入死路或者因临时封道而无法前进的用户们可谓深有体会。在我们看来，人工智能会提升人类的能力，但绝不会取而代之。总结称，“人工智能会给我们带来新的超能力，但最终仍将由人类对其进行控制与使用。