從藥物設(shè)計到臨床試驗，AI人工智能為藥物研發(fā)的各個階段帶來突破性進(jìn)展。有了深度學(xué)習(xí)的輔助，機(jī)器開始模仿人類大腦神經(jīng)元的活動，來創(chuàng)造一個人工的“神經(jīng)系統(tǒng)”。我們在醫(yī)藥研發(fā)的大量試驗中運(yùn)用AI的方法，來降低成本，加速數(shù)據(jù)的供應(yīng)。

 我們也通過AI來幫助我們分析大量的數(shù)據(jù)，這些數(shù)據(jù)來自病理樣本的影像學(xué)研究和生物標(biāo)志研究，以實現(xiàn)藥物的正確使用。

在我們的臨床試驗中，AI能讓我們持續(xù)監(jiān)測接收的安全數(shù)據(jù)，提醒科學(xué)家需要注意的安全信號。對此，動脈網(wǎng)翻譯了一篇來自阿斯利康的研究報告。 

預(yù)測的化合物生物活動空間和靶標(biāo)相互作用

 阿斯利康iLAB的負(fù)責(zé)人Michael Kossenjans表示，“我在DMTA Hackweek感受到了活力和熱情。我們夜以繼日地為DMTA Hackweek做準(zhǔn)備�？雌饋韼缀醪豢赡茉谝恢艿臅r間內(nèi)構(gòu)建一個自動化的DMTA平臺，但是我們做到了。這是我們研究新型實驗室自動化技術(shù)和機(jī)器學(xué)習(xí)的第一步，之后還有更多的工作需要完成�！�

藥物研發(fā)：人類和機(jī)讀數(shù)據(jù)并存

通過機(jī)器學(xué)習(xí)，我們最先進(jìn)的藥物研發(fā)機(jī)器人和其他自動化設(shè)備可以調(diào)整操作，對接收到的數(shù)據(jù)作出反應(yīng)，讓我們能更快更有效率地工作。

 AI驅(qū)動的自動化正幫助我們解決一些化學(xué)方面的復(fù)雜問題，旨在加速化合物合成的周期，即設(shè)計——制造——測試——分析（DMTA），來促進(jìn)快速公正的決策。

 我們推出的DMTA平臺只是利用新型實驗室自動化技術(shù)和機(jī)器學(xué)習(xí)的第一步，這將加速構(gòu)建和測試有關(guān)藥物的研究。它將會用來不斷地改善與治療相關(guān)的化合物。對于一個普通項目，需要數(shù)百個DMTA周期來發(fā)現(xiàn)符合候選藥物標(biāo)準(zhǔn)的化合物。當(dāng)通過人工來完成這些周期時，可能會花費(fèi)數(shù)周的時間，而我們的目標(biāo)是將化合物設(shè)計到測試數(shù)據(jù)接收之間的時間從4到6周減少至不超過5天。

 在2017年，我們舉辦了DMTA “Hackweek”。各個研究點的科學(xué)家和我們內(nèi)部的專家一起，通過他們的科學(xué)知識和專業(yè)技術(shù)構(gòu)建了首個“DMTA machine”模型。

在哥德堡的創(chuàng)新實驗室里，他們連續(xù)工作了5天，徹底改變了我們發(fā)現(xiàn)藥物的方式。本著“黑客”的精神，這個團(tuán)隊克服了無數(shù)的困難，將20多年來積累的硬件和軟件結(jié)合起來，創(chuàng)造出了一個機(jī)器模型。這種機(jī)器可以在兩小時內(nèi)，完成研究項目的整個DMTA周期。

 千里之行始于足下。通過這個簡單的模型系統(tǒng)，我們正在開發(fā)機(jī)器學(xué)習(xí)，來優(yōu)化新化合物的功效，預(yù)測不同的合成路線，讓自動化更加先進(jìn)，這樣我們就可以制造更復(fù)雜的分子，收集更多供篩選的數(shù)據(jù)。

量子計算:利用結(jié)構(gòu)化學(xué)來發(fā)現(xiàn)重要分子

建立潛在新藥的化學(xué)三維結(jié)構(gòu)是藥物研發(fā)的關(guān)鍵，因為藥物的大小和形狀非常重要。它們影響著許多不同的特性，包括與生物系統(tǒng)的相互作用，以及形成藥物所需的物質(zhì)分子的聚集方式。 

然而，就像一位跳傘者需要多次的嘗試，才能找到最深的山谷一樣。我們必須一次又一次地評估所有可能的分子形狀，以找到優(yōu)化藥物所需的低量構(gòu)象。 

量子計算的新興領(lǐng)域有望幫助我們解決這個問題。量子計算機(jī)可以同時探索所有可能的化合物結(jié)構(gòu)，并根據(jù)合適的標(biāo)準(zhǔn)，在單一的操作中，集中于最可能的結(jié)構(gòu)。

 通過調(diào)整標(biāo)準(zhǔn)，可以找到一系列高質(zhì)量的解決方案。目前，量子計算被可以處理的信息量所限制，我們?nèi)匀恍枰�在�?biāo)準(zhǔn)計算機(jī)上使用現(xiàn)有的精確方法，對它提供的解決方案進(jìn)行一些事后評估分析。

機(jī)器學(xué)習(xí)的未來應(yīng)用預(yù)計將會使量子計算進(jìn)入下一個階段。我們目前的方法似乎讓我們可以掌握最相關(guān)的解決方案，幫助我們選擇出最好的化學(xué)結(jié)構(gòu)。

利用AI幫助IMED科學(xué)家

在研究中，我們也通過AI，使現(xiàn)有的流程更有效，并將數(shù)據(jù)轉(zhuǎn)化為知識。我們正在使用AI來對常規(guī)化驗的結(jié)果進(jìn)行可靠預(yù)測，比如人體血漿蛋白結(jié)合（hPPB）測試，以此來幫助我們的科學(xué)家，讓他們有更多的時間專注于那些將給阿斯利康帶來更大競爭優(yōu)勢的問題。

 在藥物安全和新陳代謝領(lǐng)域中發(fā)展起來的hPPB測試，可以幫助我們了解潛在藥物分子是如何在病人體內(nèi)分布的。我們正在與世界領(lǐng)先的組織合作，利用AI領(lǐng)域最先進(jìn)的研究來預(yù)測結(jié)果。

 我們目前正在評估AI在安全篩選、蛋白質(zhì)生成、圖像分析和CRISPR基因編輯等方面的應(yīng)用。在未來，我們希望利用AI來改革我們藥物研發(fā)中數(shù)據(jù)收集的過程，并把這些數(shù)據(jù)變成知識。

 在2017年，虛擬篩選工具FastVS的發(fā)展表明了機(jī)器創(chuàng)造效率的前景。與OpenEye Scientific Software合作開發(fā)的新型“谷歌式”網(wǎng)絡(luò)工具，縮短了在眾多大型分子數(shù)據(jù)庫中搜索和篩選條目的時間，從數(shù)小時到數(shù)秒，優(yōu)化了藥物發(fā)現(xiàn)的過程。

大數(shù)據(jù)分析有助于傳統(tǒng)病理學(xué)進(jìn)入21世紀(jì)

在科學(xué)驅(qū)動的環(huán)境中，能快速識別和學(xué)習(xí)數(shù)據(jù)中的信號和模式，是建立知識和影響未來科學(xué)發(fā)展方向的關(guān)鍵。為了實現(xiàn)這一點，我們需要以一種可用的模式來收集整合多樣的大數(shù)據(jù)集。

 在過去，對綜合基因表達(dá)、蛋白質(zhì)和單個器官的代謝數(shù)據(jù)進(jìn)行評估，受限于我們有限的數(shù)據(jù)分析計算能力。這是首次AI能夠處理大數(shù)據(jù)，分析所有端點以及它們的空間關(guān)系。

 我們正在使用質(zhì)譜成像技術(shù)（MSI），在空間上對分子進(jìn)行生物樣本和組織切片的細(xì)胞定位，比如用于病理評估的切片。這些全面的空間數(shù)據(jù)信息，可以很好地將組織微環(huán)境、藥物定位、療效和安全性聯(lián)系起來。然而，現(xiàn)有的數(shù)據(jù)挖掘方法對計算機(jī)系統(tǒng)有很高的要求，我們只能分析小型的、單個的數(shù)據(jù)集。

為了解決這個問題，我們開發(fā)了新的計算算法，可以精確有效地分割大量的MSI數(shù)據(jù)，以提高我們對多個端點的學(xué)習(xí)能力，正如我們最近在《分析化學(xué)》上提到的那樣。

這增強(qiáng)了我們精確量化組織和器官特定區(qū)域的分子變化的能力，并為逐漸變得復(fù)雜的空間關(guān)系提供數(shù)據(jù)。藥物安全和新陳代謝領(lǐng)域的研究人員與計算機(jī)和病理科學(xué)領(lǐng)域的外部專家密切合作，是整個研究的重要部分。

 展望未來，我們計劃將深度學(xué)習(xí)算法與圖像分析相結(jié)合，加速對慢性腎臟疾病動物模型的評估，為下行流多光譜圖像分析提供更可靠的數(shù)據(jù)。這將增加數(shù)據(jù)的定量分析速度、可信度和再現(xiàn)性，并通過綜合的多模態(tài)圖像挖掘來檢測生物關(guān)系及其結(jié)果。

在2017年，我們的科學(xué)家與英國癌癥研究（CRUK）的團(tuán)隊合作，提出了繪制腫瘤的斷層掃描圖，通過Google地圖式的方法來研究癌癥的相關(guān)信息。這有可能使病理學(xué)——最傳統(tǒng)的安全學(xué)科之一——進(jìn)入21世紀(jì)。

利用AI正確使用藥物

越來越多的組織生物標(biāo)志物被用來匹配病人和正確的藥物。然而，目前的技術(shù)涉及到病理學(xué)家對圖像進(jìn)行手動標(biāo)記，整個過程主觀、耗時而且復(fù)雜。我們使用AI來解決這一問題，并開發(fā)了一種新的深度學(xué)習(xí)算法，利用數(shù)字病理學(xué)，自動進(jìn)行組織生物標(biāo)記。

 在對71位患者腫瘤樣本的概念驗證研究中，我們發(fā)現(xiàn)AI可以自動標(biāo)記人表皮生長因子受體-2 （HER2），這是一種乳腺癌的生物標(biāo)志物。該算法還可以識別出存在誤診風(fēng)險的樣本，證明了它能使組織生物標(biāo)記更快、更簡單、更精確。

 在2017年，我們在兩個世界領(lǐng)先的科學(xué)大會上展示了這項成果，并將其發(fā)表在《科學(xué)報告》上。

 我們將繼續(xù)利用最先進(jìn)的科學(xué)技術(shù)，通過與頂尖的學(xué)術(shù)機(jī)構(gòu)合作，開展類似的研究。通過將云計算和最新圖形處理單元（GPU）硬件相結(jié)合，我們打算將自動分析數(shù)字化病理圖像變成一個高通量的過程，并將AI算法融入到診斷測試的開發(fā)中。我們的目標(biāo)是利用AI來影響患者的治療，將目標(biāo)藥物用于最需要的患者。

Watcher：時刻監(jiān)測藥物安全

在我們早期的臨床試驗中，基于AI的決策支持系統(tǒng)Watcher不斷監(jiān)控輸入的安全數(shù)據(jù)，并提醒科學(xué)家需要注意的安全信號。 

Watcher是一個創(chuàng)新的AI警報系統(tǒng)，在臨床試驗中，可以幫助醫(yī)生和科學(xué)家，將臨床決策規(guī)則嵌入到邏輯中。阿斯利康、曼徹斯特大學(xué)癌癥研究所、the Centre for Cancer Biomarker Sciences和the  Christie  National  Health  Service Foundation Trust達(dá)成了為期五年的合作，是我們iDecide研究項目的重要組成部分。

CRUK Manchester Institute的數(shù)字實驗癌癥醫(yī)學(xué)團(tuán)隊（digitalECMT）負(fù)責(zé)開展iDecide項目，通過與患者直接合作，來開發(fā)新方法，使更好的臨床試驗決策能更快地直接造福于患者。

 Watcher還使用了另一種iDecide工具REACT 4，它對試驗第一階段和第二階段的安全性、有效性和生物標(biāo)志物數(shù)據(jù)進(jìn)行了整理，并使之形象化，目前正用于阿斯利康超過140項的研究中。

REACT 4可以按需進(jìn)行臨床說明，并取決于正在使用的系統(tǒng)。然而，Watcher的持續(xù)監(jiān)測可以察覺到信號并在信號發(fā)出時進(jìn)行及時的通知。 

在未來，我們計劃通過臨床規(guī)則和機(jī)器學(xué)習(xí)來發(fā)展Watcher，以增強(qiáng)和擴(kuò)展當(dāng)前的功能。這些發(fā)展將使它與及時護(hù)理設(shè)備一起被帶進(jìn)患者的家中，讓患者可以進(jìn)一步在參與臨床試驗時進(jìn)行自我監(jiān)控。