侵權(quán)投訴
訂閱
糾錯(cuò)
加入自媒體

生物學(xué)復(fù)雜性限制了AI在臨床試驗(yàn)環(huán)節(jié)的計(jì)算處理能力

聲明:本文為火石創(chuàng)造原創(chuàng)文章,歡迎個(gè)人轉(zhuǎn)發(fā)分享,網(wǎng)站、公眾號(hào)等轉(zhuǎn)載需經(jīng)授權(quán)。

本文核心觀點(diǎn)源自下方文章,并由筆者二次提煉組織,特此注明。

Bender A. et al. Artificial intelligence in drug discovery: what is realistic, what are illusions? ——Drug Discovery Today2020.12 雖然基因組學(xué)、蛋白質(zhì)組學(xué)、生物信息學(xué)等現(xiàn)代分子生物學(xué)科的發(fā)展為藥物研發(fā)理論帶來了長(zhǎng)足進(jìn)步,但由于藥物分子在人體發(fā)生生化反應(yīng)的復(fù)雜性,新藥研發(fā)并沒有擺脫經(jīng)驗(yàn)主義色彩。

傳統(tǒng)的藥物研發(fā)以藥化專家為主導(dǎo),通常情況下,藥化專家根據(jù)經(jīng)驗(yàn)每提出5000~10000種化合物做藥物篩選,最終只有1種化合物能通過臨床測(cè)試并最終上市。據(jù)Nature統(tǒng)計(jì),一款新藥從研發(fā)到獲批上市,平均需要10~15年時(shí)間,耗費(fèi)約26億美元,但臨床成功率不到10%。研發(fā)周期長(zhǎng)、研發(fā)成本高、成功率低已經(jīng)成為新藥研發(fā)的“三座大山”。 AI技術(shù)在自然語言處理、圖像識(shí)別、深度學(xué)習(xí)和認(rèn)知計(jì)算等方面的優(yōu)勢(shì)可應(yīng)用到新藥研發(fā)各個(gè)環(huán)節(jié)。據(jù)估算,從靶點(diǎn)確定到臨床候選藥物環(huán)節(jié),通過AI輔助計(jì)算的方法,可以把從傳統(tǒng)研發(fā)方法需要3~6年的時(shí)間壓縮到1~2年,從而大幅提升效率并節(jié)省成本。

因此,AI+新藥研發(fā)成為當(dāng)前藥學(xué)研究和前沿醫(yī)學(xué)創(chuàng)業(yè)的熱點(diǎn)。據(jù)統(tǒng)計(jì),2020年全球AI+新藥研發(fā)領(lǐng)域的投資已經(jīng)超過18.3億美元,是2015年投資額的5.4倍。

圖1:AI在藥物研發(fā)各環(huán)節(jié)的應(yīng)用來源:根據(jù)公開資料整理

01AI應(yīng)用在臨床試驗(yàn)環(huán)節(jié)應(yīng)用嚴(yán)重不足

藥物研發(fā)有十余個(gè)環(huán)節(jié),但受限于數(shù)據(jù)可獲得性等方面的因素,AI目前只能應(yīng)用于少數(shù)環(huán)節(jié)。據(jù)統(tǒng)計(jì),近10年來,AI在新藥研發(fā)領(lǐng)域的應(yīng)用主要集中在藥物發(fā)現(xiàn)階段,占比超過2/3(66例),例如靶點(diǎn)及生物標(biāo)記物的選擇與確定、先導(dǎo)化合物的確定、構(gòu)效關(guān)系的研究與活性化合物的篩選、先導(dǎo)化合物的優(yōu)化、候選藥物的選定等環(huán)節(jié)。而用于臨床試驗(yàn)階段(例如藥物依從性、預(yù)測(cè)治療結(jié)果、數(shù)據(jù)分析、病理研究、疾病診斷等場(chǎng)景)的AI應(yīng)用不足1/4(23例)。

圖2:近年AI應(yīng)用在新藥研發(fā)細(xì)分環(huán)節(jié)的案例數(shù)量分布來源:速石科技

02AI輔助新藥研發(fā)的最大價(jià)值:提高臨床試驗(yàn)成功率

實(shí)際上,臨床試驗(yàn)階段的效率提升或成本降低對(duì)新藥研發(fā)投入的影響要遠(yuǎn)超過藥物發(fā)現(xiàn)階段。據(jù)英國(guó)劍橋大學(xué)化學(xué)系分子信息研究中心Andreas Bender博士測(cè)算,在臨床試驗(yàn)階段,降低試驗(yàn)失敗率帶來的收益是提升藥物發(fā)現(xiàn)速度或降低成本的2~5倍。但如前所述,AI應(yīng)用主要集中在藥物發(fā)現(xiàn)環(huán)節(jié),這類應(yīng)用為新藥研發(fā)成本的節(jié)省非常有限。在臨床試驗(yàn)環(huán)節(jié)的應(yīng)用,特別是通過AI降低臨床試驗(yàn)失敗率才是其最大用武之地。

圖3:提升速度、提升質(zhì)量、降低成本對(duì)藥物研發(fā)收益的影響程度對(duì)比來源:Drug Discovery Today

Andreas Bender模擬了通過AI技術(shù)手段加速藥物發(fā)現(xiàn)速度、降低成本和提升全流程各環(huán)節(jié)成功率(提升質(zhì)量)三種情況(假設(shè)AI對(duì)速度、成本和階段成功率的改進(jìn)皆為20%),對(duì)一個(gè)成功推向市場(chǎng)的新藥在成本方面的影響。

從圖3中可以看出,提高成功率(特別是在所有臨床階段)對(duì)整個(gè)研發(fā)項(xiàng)目?jī)r(jià)值的影響最大,遠(yuǎn)遠(yuǎn)超出了提高各自階段的研發(fā)速度和降低成本帶來的收益。

03生物學(xué)復(fù)雜性限制了AI在臨床試驗(yàn)環(huán)節(jié)的計(jì)算處理能力

AI應(yīng)用集中于藥物發(fā)現(xiàn)環(huán)節(jié),是因?yàn)樵摥h(huán)節(jié)以化學(xué)過程為主,研究人員對(duì)候選化合物數(shù)據(jù)的完整性及可重復(fù)性、化學(xué)穩(wěn)定性、理論認(rèn)知度等都有較好的把握,有利于AI建模。

但臨床試驗(yàn)階段是以生物學(xué)過程為主,其復(fù)雜性在數(shù)據(jù)和AI建模兩方面帶來巨大挑戰(zhàn)。在數(shù)據(jù)方面,需要將臨床數(shù)據(jù)加以結(jié)構(gòu)化處理,而諸如病歷、隨訪記錄目前還很難標(biāo)準(zhǔn)化、數(shù)字化;由于涉及患者隱私,目前尚無能充分保障數(shù)據(jù)安全的有效措施,這也限制了臨床數(shù)據(jù)的靈活運(yùn)用。因此,目前行業(yè)內(nèi)還嚴(yán)重缺乏真實(shí)可信、覆蓋臨床各環(huán)節(jié)的完整臨床數(shù)據(jù)庫。在AI建模方面,化合物與人體靶點(diǎn)的反應(yīng)過程非常復(fù)雜,目前理論認(rèn)知不足,受環(huán)境影響因素很大,數(shù)據(jù)穩(wěn)定性和可重復(fù)性差,所以不利于AI建模,對(duì)療效和安全性的影響也難以把控。 當(dāng)前AI藥物研發(fā)模型通常是從簡(jiǎn)出發(fā),很少一開始就考慮生物學(xué)的復(fù)雜性,因而常常在臨床測(cè)試時(shí)遭遇失敗。這種簡(jiǎn)化的AI模型僅在單因果疾病的情況下才是有效的,例如某病毒感染人體,需要復(fù)制某種蛋白酶或者受體才能進(jìn)入細(xì)胞,基于這類單一靶點(diǎn)有效并已經(jīng)產(chǎn)生了很多獲批上市藥物。但是,大多數(shù)疾病難以靠單一靶點(diǎn)調(diào)控進(jìn)行有效修復(fù),導(dǎo)致許多基于單一靶點(diǎn)的藥物在臨床試驗(yàn)中失敗。

此外,AI系統(tǒng)中往往會(huì)簡(jiǎn)化模型而忽視其他問題,例如化合物是否到達(dá)其預(yù)期的靶點(diǎn),是否能夠治療疾病的某種表型,以及它的副作用是否在可以接受的范圍內(nèi)等等。

AI系統(tǒng)要取得成功,需要建立明確的“化合物-靶點(diǎn)-表型”聯(lián)系。雖然近年來出現(xiàn)了一些更具臨床相關(guān)性的模型(其中,部分模型是針對(duì)特定患者群體的),對(duì)未來藥物的發(fā)現(xiàn)具有積極意義,但現(xiàn)階段可用AI進(jìn)行挖掘的數(shù)據(jù)相對(duì)較少。還有一個(gè)問題是,一個(gè)模型越針對(duì)特定患者人群,這個(gè)模型越不能通用,這就需要生成足夠多的數(shù)據(jù)才能具有實(shí)用價(jià)值,這也為AI應(yīng)用于新藥研發(fā)所面臨的巨大挑戰(zhàn)。

04總結(jié)

概括言之,受限于生物學(xué)的復(fù)雜性和臨床數(shù)據(jù)庫的缺乏,AI在藥物研發(fā)領(lǐng)域的應(yīng)用主要集中在前端藥物發(fā)現(xiàn)環(huán)節(jié),但這為藥物研發(fā)帶來的收益相對(duì)有限。未來,只有臨床數(shù)據(jù)極大豐富完善,在“化合物-靶點(diǎn)-表型”三者之間建立更明確的藥理關(guān)系,AI更多應(yīng)用到臨床試驗(yàn)環(huán)節(jié),才能對(duì)新藥研發(fā)產(chǎn)生真正的推動(dòng)作用和價(jià)值體現(xiàn)。  

參考資料:

1、AI For Drug Discovery, Biomarker Development and Advanced R&D Landscape Overview 2020;

2、速石科技《全球44家頂尖藥企AI輔助藥物研發(fā)行動(dòng)白皮書》;

3、Bender A. et al. Artificial intelligence in drug discovery: what is realistic, what are illusions? ——Drug Discovery Today2020.12

聲明: 本文由入駐維科號(hào)的作者撰寫,觀點(diǎn)僅代表作者本人,不代表OFweek立場(chǎng)。如有侵權(quán)或其他問題,請(qǐng)聯(lián)系舉報(bào)。

發(fā)表評(píng)論

0條評(píng)論,0人參與

請(qǐng)輸入評(píng)論內(nèi)容...

請(qǐng)輸入評(píng)論/評(píng)論長(zhǎng)度6~500個(gè)字

您提交的評(píng)論過于頻繁,請(qǐng)輸入驗(yàn)證碼繼續(xù)

  • 看不清,點(diǎn)擊換一張  刷新

暫無評(píng)論

暫無評(píng)論

醫(yī)療科技 獵頭職位 更多
文章糾錯(cuò)
x
*文字標(biāo)題:
*糾錯(cuò)內(nèi)容:
聯(lián)系郵箱:
*驗(yàn) 證 碼:

粵公網(wǎng)安備 44030502002758號(hào)