从药物设计到临床试验,AI人工智能为药物研发的各个阶段带来突破性进展。有了深度学习的辅助,机器开始模仿人类大脑神经元的活动,来创造一个人工的“神经系统”。我们在医药研发的大量试验中运用AI的方法,来降低成本,加速数据的供应。
我们也通过AI来帮助我们分析大量的数据,这些数据来自病理样本的影像学研究和生物标志研究,以实现药物的正确使用。
在我们的临床试验中,AI能让我们持续监测接收的安全数据,提醒科学家需要注意的安全信号。对此,动脉网翻译了一篇来自阿斯利康的研究报告。
预测的化合物生物活动空间和靶标相互作用
阿斯利康iLAB的负责人Michael Kossenjans表示,“我在DMTA Hackweek感受到了活力和热情。我们夜以继日地为DMTA Hackweek做准备。看起来几乎不可能在一周的时间内构建一个自动化的DMTA平台,但是我们做到了。这是我们研究新型实验室自动化技术和机器学习的第一步,之后还有更多的工作需要完成。”
药物研发:人类和机读数据并存
通过机器学习,我们最先进的药物研发机器人和其他自动化设备可以调整操作,对接收到的数据作出反应,让我们能更快更有效率地工作。
AI驱动的自动化正帮助我们解决一些化学方面的复杂问题,旨在加速化合物合成的周期,即设计——制造——测试——分析(DMTA),来促进快速公正的决策。
我们推出的DMTA平台只是利用新型实验室自动化技术和机器学习的第一步,这将加速构建和测试有关药物的研究。它将会用来不断地改善与治疗相关的化合物。
对于一个普通项目,需要数百个DMTA周期来发现符合候选药物标准的化合物。当通过人工来完成这些周期时,可能会花费数周的时间,而我们的目标是将化合物设计到测试数据接收之间的时间从4到6周减少至不超过5天。
在2017年,我们举办了DMTA “Hackweek”。各个研究点的科学家和我们内部的专家一起,通过他们的科学知识和专业技术构建了首个“DMTA machine”模型。
在哥德堡的创新实验室里,他们连续工作了5天,彻底改变了我们发现药物的方式。本着“黑客”的精神,这个团队克服了无数的困难,将20多年来积累的硬件和软件结合起来,创造出了一个机器模型。这种机器可以在两小时内,完成研究项目的整个DMTA周期
千里之行始于足下。通过这个简单的模型系统,我们正在开发机器学习,来优化新化合物的功效,预测不同的合成路线,让自动化更加先进,这样我们就可以制造更复杂的分子,收集更多供筛选的数据。
量子计算:利用结构化学来发现重要分子
建立潜在新药的化学三维结构是药物研发的关键,因为药物的大小和形状非常重要。它们影响着许多不同的特性,包括与生物系统的相互作用,以及形成药物所需的物质分子的聚集方式。
然而,就像一位跳伞者需要多次的尝试,才能找到最深的山谷一样。我们必须一次又一次地评估所有可能的分子形状,以找到优化药物所需的低量构象。
量子计算的新兴领域有望帮助我们解决这个问题。量子计算机可以同时探索所有可能的化合物结构,并根据合适的标准,在单一的操作中,集中于最可能的结构。
通过调整标准,可以找到一系列高质量的解决方案。目前,量子计算被可以处理的信息量所限制,我们仍然需要在标准计算机上使用现有的精确方法,对它提供的解决方案进行一些事后评估分析。
机器学习的未来应用预计将会使量子计算进入下一个阶段。我们目前的方法似乎让我们可以掌握最相关的解决方案,帮助我们选择出最好的化学结构。
利用AI帮助IMED科学家
在研究中,我们也通过AI,使现有的流程更有效,并将数据转化为知识。我们正在使用AI来对常规化验的结果进行可靠预测,比如人体血浆蛋白结合(hPPB)测试,以此来帮助我们的科学家,让他们有更多的时间专注于那些将给阿斯利康带来更大竞争优势的问题。