人工智慧在藥物研發上的套用
盡管人工智慧（Artificial intelligence, AI）對影像辨識等領域產生了深遠的影響，但在藥物發現方面仍處於起步階段，目前主要集中在給定 化合物的類似物辨識 ， 構效關系 （Structure-Activity Relationship, SAR）分析，部份物理化學性質的預測上等。然而，在面對傳統技術難以突破的 難靶先導化合物發現 及多維的 成藥性決策 上仍突破很少，尤其是在First-in- class功能化合物發現和體內功效方面，尚未能完全發揮AI在藥物研發中的潛力。因此，選擇藥物研發中什麽樣的科學問題以及要對哪些成藥指標進行建模將是在藥物研發中發揮AI突破的關鍵。
現代藥物研發流程如圖1是藥物研發人員總結出的一套統一的科學研究規範，正是有了這套規範，人類在新藥的研究上就能取得巨大的進步。不能否認傳統模式取得的成就，但也必須正視其中的問題：這種以實驗科學為主的研究方式，高度依賴於藥物研發人員的個人經驗與創造力，周期長，成本高，效率低。
現階段，人工智慧和計算無法解決所有問題，但是人工智慧作為一種技術工具，只要滿足充足的數據等條件，就可以加以套用，計算也被廣泛套用於藥物研發的多個環節。目前國內的AI制藥產業對人工智慧技術的套用主要集中在早期藥物發現階段和臨床前的開發階段，而且集中在 小分子藥物 上的套用較多。
具體到細分環節來說，涉獵 靶點發現、分子生成、活性預測、ADME/T性質預測、化合物合成、藥物晶型預測、藥物劑型預測 等。其中，分子生成和分子的活性以及ADME/T性質預測是藥物發現的核心環節，關註企業較多。
藥物靶點:
藥物靶點指的是藥物在人體內的作用結合位點，現代新藥研究與開發的關鍵首先是尋找、確定靶點，選擇確定新穎的有效藥靶是新藥開發的首要任務。
分子生成：
在傳統的藥物發現流程中，全新藥物分子的發現往往依賴於藥化專家的經驗；而據估計可成藥的分子空間大約在1023-1060左右，這種傳統的藥物發現方法只能在極小的化學空間內進行探索，大大增加了藥物發現流程的周期和成本，也限制了發現分子的多樣性。對此，分子生成模型透過給定分子的各種約束來逆向生成分子為藥物發現提供了一種新的解決方案。深度生成模型在nlp、cv等領域已經有很多成熟套用，常見的生成模型有AR、VAE、GAN、Flow以及EBM、diffusion model等。
現有的基於圖的模型大致可以分為兩種型別，一種是順序叠代過程，另一種是一次性生成，具體可以分為逐原子，基於子圖（片段）模型。由於圖的優勢和圖神經網路的發展，基於圖的生成模型現在在分子設計中占據主導地位，但仍然存在一些挑戰，如隨著節點大小的增加，總計算量至少會增加節點數的平方，導致很難獲得精確的似然等。因此，應該更好地解決節點排序問題，有利於生成高品質的分子[2]。
活性預測：
在大多傳統的化合物活性研究中,透過動物活體測驗和檢測方式對化合物的藥物活性進行測定,在海量化合物數據環境下無疑要耗費大量時間及成本。而現代化合物活性研究對未知化合物的活性預測是透過使用數學方法建立定量構效關系模型來實作的。隨著電腦資料探勘技術的不斷發展,機器學習成為了電腦科學領域的一個活躍的研究方法,科學家們套用機器學習方法提高藥物活性預測效率。然而,大多數已有研究方法使用的都是淺層機器學習演算法,面對已知樣本和計算單元受到限制的情況下,其對復雜問題的泛化能力難以滿足要求,無法學習更有用的特征[3]。
從目前的發展階段來看，仍然需要專家在其中參與重要工作。比如鑒別數據品質，定義AI需要解決什麽問題，判斷鑒別AI給出的解決方案是否可行。
參考資料：
1.Duxin Sun, Wei Gao, Hongxiang Hu, Simon Zhou, Why 90% of clinical drug development fails and how to improve it?, Acta Pharmaceutica Sinica B, 2022, ISSN 2211-3835.
2.Yu Cheng, Yongshun Gong, Yuansheng Liu, Bosheng Song, Quan Zou, Molecular design in drug discovery: a comprehensive review of deep generative models, Briefings in Bioinformatics, 2021;, bbab344.
3. https:// wap.cnki.net/touch/web/ Dissertation/Article/10755-1016768693.nh.html .
