AI热榜 赞助 与阿斯利康合作 设计和开发新药是一项昂贵且容易失败的科学挑战。
一种新药的开发可能需要多年时间，并且需要大量投资。
即便如此，大多数可能的候选人也永远无法接触到患者。
对于生物药物，即由工程蛋白质而不是合成化学制成的疗法（通常用于治疗大多数主要急性和慢性疾病），其复杂性甚至更大。
科学家们探索了大量可能的分子，寻找能够与正确目标结合、在人体内保持稳定并可大规模生产的稀有分子。
如今，人工智能正在加速这些过程，并迅速成为医药研发基础设施的核心部分。
人工智能辅助设计正在成为生物候选药物开发方式中日益重要的一部分，阿斯利康等公司正在积极组建工程团队以进一步推动这一趋势。
“我们所做的一切，无论是设计、制造、测试还是分析，现在都经过计算增强，”阿斯利康高级副总裁兼生物制剂工程和肿瘤学靶向发现研发主管 Puja Sapra 表示。
“周期时间越来越短，而生产力和创新不断提高。
” 萨普拉解释说，阿斯利康的方法遵循构建-测量-学习循环。
人工智能通过计算生成候选分子或对其进行优先级排序，预测哪些设计最有可能成功。
然后，科学家们将实验室资源仅集中在排名靠前的候选者身上。
这导致了更严格的反馈周期，死角更少，迭代速度更快，并且能够追踪以前认为无法通过药物治疗的疾病目标。
由于可能的分子组合数量远远超过任何人类团队可以系统探索的数量，因此使用人工智能来缩小和完善测试选项已成为生物制剂药物设计的主要焦点。
解决复杂的药物设计问题 除了加速时间之外，人工智能还被应用于发现全新类别的药物。
传统的生物制剂通常针对一种疾病途径。
下一代药物可以同时击中多个靶点或精确地将治疗有效载荷传递到特定细胞。
实现这一目标需要同时优化许多变量。
Puja Sapra 解释说，展望未来，人工智能驱动的模型可以帮助设计这些日益复杂的多特异性生物制剂。
“例如，”她继续说道，“此类模型可以帮助根据基础生物学确定优先考虑哪两个或三个目标，然后优化多个参数以平衡分子的效力、稳定性、可制造性和安全性。
” “对无法成药的人进行药物治疗正在成为现实，”萨普拉说。
“这些技术最终将使我们能够开发出针对曾经被认为不可能达到的目标的药物。
为患者带来好处的潜力是巨大的。
” 数据护城河 麦肯锡估计，生成式人工智能与其他计算工具相结合，可以将药物发现时间缩短多达 50%。
但每个人工智能模型的好坏取决于其训练数据。
在药物发现中，这意味着大量的高质量生物数据。
实验可以提供丰富的此类数据来源。
无论成功还是失败，每个实验都会产生一个关于什么有效、什么无效的信号。
🔗 原始来源
如果你要核对细节，可以再看原文： MIT Tech Review原文链接