AI人工智能在藥物研發(fā)中的應(yīng)用
日期：2024-10-12 15:59:43
2024年諾貝爾化學(xué)獎(jiǎng)于10月9日揭曉，一半授予大衛(wèi)·貝克（David Baker），“以表彰在計(jì)算蛋白質(zhì)設(shè)計(jì)方面的貢獻(xiàn)”；另一半則共同授予德米斯·哈薩比斯（Demis Hassabis）和約翰·M·詹珀（John M. Jumper），“以表彰他們?cè)诘鞍踪|(zhì)結(jié)構(gòu)預(yù)測(cè)方面的成就”。三位獲獎(jiǎng)?wù)邔⑷斯ぶ悄芗夹g(shù)引入了化學(xué)領(lǐng)域，尤其是在蛋白質(zhì)設(shè)計(jì)和結(jié)構(gòu)預(yù)測(cè)上取得了劃時(shí)代的成果。諾獎(jiǎng)的頒布，凸顯了人工智能（AI）在化學(xué)和生物領(lǐng)域的巨大潛力。AI技術(shù)，尤其是機(jī)器學(xué)習(xí)和深度學(xué)習(xí)，正在藥物研發(fā)中發(fā)揮越來(lái)越重要的作用。
藥物研發(fā)是一個(gè)復(fù)雜、耗時(shí)且成本高昂的過(guò)程。傳統(tǒng)藥物研發(fā)過(guò)程通常包括靶點(diǎn)識(shí)別、化合物篩選、藥物設(shè)計(jì)、臨床試驗(yàn)等多個(gè)階段，這一過(guò)程耗時(shí)長(zhǎng)、成本高且成功率低。然而，AI技術(shù)的應(yīng)用正在改變這一現(xiàn)狀，通過(guò)提高研發(fā)效率、降低成本并縮短研發(fā)周期，AI有望打破傳統(tǒng)藥物研發(fā)的“雙十定律”。
1. AI在靶標(biāo)識(shí)別與驗(yàn)證中的應(yīng)用
藥物靶標(biāo)（通常是蛋白質(zhì)）是指體內(nèi)與特定疾病過(guò)程具有內(nèi)在聯(lián)系、可通過(guò)與藥物作用從而產(chǎn)生預(yù)期治療效果的分子。新藥研發(fā)的首要問(wèn)題就是對(duì)藥物-靶標(biāo)相互作用（drug-target interaction, DT)的鑒定，即確定藥物分子和靶標(biāo)之間是否會(huì)產(chǎn)生相互作用，并基于此尋找能夠作用于特定靶標(biāo)的藥物分子。
DTI的鑒定是一個(gè)非常復(fù)雜的步驟，它對(duì)于候選藥物的發(fā)現(xiàn)、藥物分子作用機(jī)制的理解、藥物分子的多靶標(biāo)研究和藥物重定位等問(wèn)題具有重要意義。DTI預(yù)測(cè)的核心問(wèn)題是判斷藥物分子和靶標(biāo)蛋白是否會(huì)產(chǎn)生相互作用。AI可以基于已有的藥物分子與靶標(biāo)蛋白相互作用的信息，對(duì)未知的藥物分子和靶標(biāo)蛋白進(jìn)行預(yù)測(cè)，從而篩選藥物分子，繼而能夠快速、有效地為后續(xù)臨床試驗(yàn)確定候選藥物。此外，基于異質(zhì)網(wǎng)絡(luò)的深度學(xué)習(xí)方法也被用于藥物靶標(biāo)預(yù)測(cè)，通過(guò)整合藥物-疾病信息、靶標(biāo)-靶標(biāo)信息等多維度信息，構(gòu)建特征矩陣進(jìn)行預(yù)測(cè)[1]。
目前，AI已經(jīng)被一些企業(yè)投入到實(shí)際應(yīng)用中。例如，Atomwise公司開(kāi)發(fā)的深度卷積神經(jīng)網(wǎng)絡(luò)（AtomNet）可以對(duì)小分子和靶標(biāo)蛋白的相互作用進(jìn)行預(yù)測(cè)，從而篩選出高親和力結(jié)合的藥物分子和靶標(biāo)[2]。Deep Genomics公司開(kāi)發(fā)的AI系統(tǒng)可以在18個(gè)月內(nèi)完成從靶點(diǎn)發(fā)現(xiàn)到先導(dǎo)化合物篩選的全過(guò)程，并成功發(fā)現(xiàn)了業(yè)界首個(gè)由AI發(fā)現(xiàn)的治療候選藥物[3]。
2. AI在蛋白質(zhì)結(jié)構(gòu)預(yù)測(cè)中的應(yīng)用
蛋白質(zhì)結(jié)構(gòu)預(yù)測(cè)是生物信息學(xué)中的一個(gè)重要問(wèn)題，它對(duì)于理解生物分子的功能、疾病機(jī)理以及藥物設(shè)計(jì)至關(guān)重要。AI技術(shù)，尤其是機(jī)器學(xué)習(xí)和深度學(xué)習(xí)，已經(jīng)在這一領(lǐng)域取得了顯著進(jìn)展。
AlphaFold是由DeepMind開(kāi)發(fā)的革命性人工智能系統(tǒng)，它利用深度學(xué)習(xí)和共進(jìn)化信號(hào)預(yù)測(cè)蛋白質(zhì)的三維結(jié)構(gòu)，達(dá)到了與實(shí)驗(yàn)方法相媲美的精度。在CASP13競(jìng)賽中取得顯著成績(jī)后，AlphaFold2進(jìn)一步提升了預(yù)測(cè)能力，甚至能夠預(yù)測(cè)蛋白質(zhì)的多種構(gòu)象。
AlphaFold 3 模型在預(yù)測(cè)準(zhǔn)確性方面取得了顯著的改進(jìn)，與許多以前專門用于特定類型的分子間相互作用的預(yù)測(cè)工具相比，它在多個(gè)方面都顯示出更高的準(zhǔn)確性。這些改進(jìn)包括與小分子配體的相互作用、蛋白質(zhì)-核酸相互作用、抗體-抗原相互作用等[4]。
AlphaFold的成功標(biāo)志著AI在結(jié)構(gòu)生物學(xué)領(lǐng)域的重大進(jìn)展，并為未來(lái)的研究和應(yīng)用開(kāi)辟了新的可能性。上文所提到的諾貝爾化學(xué)獎(jiǎng)獲得者Demis Hassabis和John M. Jumper正是AlphaFold的發(fā)明者。
3. AI在藥物設(shè)計(jì)中的應(yīng)用
計(jì)算機(jī)輔助藥物設(shè)計(jì)（computer-aided drug design, CADD）技術(shù)基于計(jì)算化學(xué)和計(jì)算生物學(xué)的理論與方法，運(yùn)用特定的計(jì)算機(jī)程序來(lái)分析、模擬和預(yù)測(cè)藥物分子的結(jié)構(gòu)與性質(zhì)的關(guān)系、藥物分子與受體生物大分子之間的相互作用機(jī)制，以及生物大分子之間的識(shí)別和結(jié)合過(guò)程。CADD技術(shù)包括基于結(jié)構(gòu)的藥物設(shè)計(jì)（structure-based drug design, SBDD）、基于配體的藥物設(shè)計(jì)（ligand-based drug design, LBDD）和高通量虛擬篩選（HTVS），這些技術(shù)極大地促進(jìn)了先導(dǎo)化合物的發(fā)現(xiàn)和優(yōu)化[5]。
1979年，世界上首家CADD公司Tripos成立，開(kāi)啟了該領(lǐng)域的商業(yè)化進(jìn)程。1990年，Schrodinger公司成立，迅速成為CADD及人工智能藥物設(shè)計(jì)(artificial intelligence drug design, AIDD)領(lǐng)域的領(lǐng)頭羊。
在AIDD中，首要步驟是學(xué)習(xí)并理解輸入化合物的結(jié)構(gòu)和特性，以便生成具有預(yù)期活性和成藥性的新分子。基本流程首先包括數(shù)據(jù)獲取和處理，涉及對(duì)已有藥學(xué)數(shù)據(jù)（包括蛋白信息、小分子結(jié)構(gòu)及藥效信息等）的收集、清洗和標(biāo)準(zhǔn)化處理，隨后是特征工程和表征學(xué)習(xí)，例如蛋白質(zhì)和分子的表征。CADD與AIDD的融合為藥物發(fā)現(xiàn)和開(kāi)發(fā)領(lǐng)域帶來(lái)了根本性的變化。通過(guò)將CADD的強(qiáng)大數(shù)據(jù)處理與分析能力與AIDD的先進(jìn)算法和人工智能技術(shù)相結(jié)合，通過(guò)不斷的技術(shù)革新和跨學(xué)科合作，特別是生成式大模型技術(shù)的運(yùn)用，AIDD的未來(lái)展望非常廣闊。
4. 臨床試驗(yàn)優(yōu)化
AI不僅可以加速藥物的發(fā)現(xiàn)和設(shè)計(jì)，還可以優(yōu)化臨床試驗(yàn)的設(shè)計(jì)和執(zhí)行，不僅能夠提高臨床試驗(yàn)的效率和成功率，還能夠在多個(gè)方面對(duì)臨床試驗(yàn)的設(shè)計(jì)、執(zhí)行和結(jié)果分析產(chǎn)生積極影響。
在臨床試驗(yàn)設(shè)計(jì)中，AI可以通過(guò)模擬和建模來(lái)創(chuàng)建虛擬隊(duì)列，從而增加案例組的大小，這有助于提高試驗(yàn)的成功率。此外，AI還能夠自動(dòng)化和優(yōu)化試驗(yàn)設(shè)計(jì)，預(yù)測(cè)試驗(yàn)成功率，從而減少時(shí)間和成本[6]。例如，通過(guò)使用遺傳算法（GA），可以優(yōu)化藥物開(kāi)發(fā)中的生物等效性研究和劑量發(fā)現(xiàn)研究的設(shè)計(jì)，從而減少所需的樣本量和血液采集點(diǎn)。
在患者招募方面，通過(guò)智能匹配系統(tǒng)，AI可以提高受試者的招募效率和成功率，尤其是在招募腫瘤患者和罕見(jiàn)病患者時(shí)。此外，AI還可以通過(guò)自然語(yǔ)言處理技術(shù)高效處理復(fù)雜的電子健康記錄數(shù)據(jù)，從而縮短招募時(shí)間并減輕臨床試驗(yàn)設(shè)計(jì)人員的工作負(fù)擔(dān)[7]。
在臨床試驗(yàn)的執(zhí)行過(guò)程中，AI可以通過(guò)自動(dòng)化數(shù)據(jù)生成和管理，智能解釋數(shù)據(jù)，并自動(dòng)填寫所需的分析報(bào)告，從而提高臨床試驗(yàn)的效率和準(zhǔn)確性。此外，AI還可以在遠(yuǎn)程患者監(jiān)測(cè)中發(fā)揮作用，通過(guò)結(jié)構(gòu)化、標(biāo)準(zhǔn)化和數(shù)字化驅(qū)動(dòng)的元素來(lái)加速臨床試驗(yàn)[8]。
在臨床試驗(yàn)的結(jié)果分析方面，AI方法可以學(xué)習(xí)標(biāo)準(zhǔn)化輸入數(shù)據(jù)的結(jié)果，以產(chǎn)生準(zhǔn)確的結(jié)果預(yù)測(cè)。此外，AI還可以通過(guò)提取或接入電子醫(yī)療保健記錄，并結(jié)合患者的遺傳數(shù)據(jù)，來(lái)提高對(duì)臨床結(jié)果的預(yù)測(cè)能力[9]。
5. 藥物重定位
AI在藥物重定位中的應(yīng)用已經(jīng)成為一個(gè)重要的研究領(lǐng)域，其目的是利用現(xiàn)有的藥物、臨床試驗(yàn)失敗的藥物或擱置的藥物來(lái)探索新的適應(yīng)癥，以縮短研發(fā)周期、降低研發(fā)成本，并提高藥物開(kāi)發(fā)的效率。
AI技術(shù)通過(guò)整合和分析來(lái)自不同來(lái)源的數(shù)據(jù)，如基因組學(xué)、蛋白質(zhì)組學(xué)、藥物化學(xué)和臨床試驗(yàn)數(shù)據(jù)，幫助研究人員識(shí)別藥物與疾病之間的新關(guān)聯(lián)。例如，通過(guò)機(jī)器學(xué)習(xí)算法，可以從大規(guī)模的生物醫(yī)學(xué)數(shù)據(jù)庫(kù)中挖掘出藥物與特定疾病之間的潛在關(guān)系[10]。此外，AI還能夠預(yù)測(cè)藥物對(duì)特定疾病的治療效果，加速藥物重定位的過(guò)程。
目前，已有多種AI算法被應(yīng)用于藥物重定位中，包括基于特征的方法、基于矩陣分解的方法、基于網(wǎng)絡(luò)的方法以及深度學(xué)習(xí)方法。這些方法能夠處理數(shù)據(jù)稀疏性、缺失數(shù)據(jù)和多種關(guān)聯(lián)類型的問(wèn)題，提高藥物重定位的準(zhǔn)確性和效率[11]。例如，基于深度學(xué)習(xí)的藥物重定位方法能夠通過(guò)組合深度結(jié)構(gòu)與藥物相關(guān)的各種屬性信息進(jìn)行模式挖掘，加快藥物重定位的研發(fā)速度。
6. 結(jié)語(yǔ)
隨著人工智能技術(shù)的不斷進(jìn)步，其在藥物研發(fā)領(lǐng)域的應(yīng)用前景廣闊。AI不僅能夠加速藥物發(fā)現(xiàn)和設(shè)計(jì)的過(guò)程，還能夠提高臨床試驗(yàn)的效率和成功率，最終為患者帶來(lái)更有效、更個(gè)性化的治療方案。然而，要實(shí)現(xiàn)這一目標(biāo)，我們需要跨學(xué)科的合作、高質(zhì)量的數(shù)據(jù)、先進(jìn)的算法，以及對(duì)AI模型的透明度和可解釋性的關(guān)注。未來(lái)，隨著AI技術(shù)的進(jìn)一步發(fā)展和應(yīng)用，我們有理由相信，它將在藥物研發(fā)領(lǐng)域發(fā)揮更加重要的作用，為全球健康事業(yè)做出更大的貢獻(xiàn)。
參考文獻(xiàn)：
[1] Application of Machine Learning for Drug-Target Interaction Prediction. Front Genet, 2021.
[2] Meramalnet: A Deep Learning Convolutional Neural Network for Bioactivity Prediction in Structure-based Drug Discovery. 2020.
[3] Deep Genomics Nominates Industry’s First AI-Discovered Therapeutic Candidate. Retrieved September 25, 2019
[4] Accurate structure prediction of biomolecular interactions with AlphaFold 3. Nature,2024.
[5] Artificial intelligence in drug design .Sci China Life Sci, 2018.
[6] Artificial intelligence for optimizing recruitment and retention in clinical trials: a scoping review. J Am Med Inform Assoc, 2024.
[7] The role of artificial intelligence in hastening time to recruitment in clinical trials. BJR Open, 2023.
[8] Computational design of clinical trials using a combination of simulation and the genetic algorithm. CPT Pharmacometrics Syst Pharmacol, 2023.
[9] Artificial intelligence, machine learning, and deep learning for clinical outcome prediction. Emerg Top Life Sci, 2021.
[10] Rethinking Drug Repositioning and Development with Artificial Intelligence, Machine Learning, and Omics. OMICS, 2019.
[11] Performance Analysis of Big Data Based Mining and Machine Learning Algorithms: A Review. Turkish Online Journal of Qualitative Inquiry, 2021.
藥物研發(fā)是一個(gè)復(fù)雜、耗時(shí)且成本高昂的過(guò)程。傳統(tǒng)藥物研發(fā)過(guò)程通常包括靶點(diǎn)識(shí)別、化合物篩選、藥物設(shè)計(jì)、臨床試驗(yàn)等多個(gè)階段，這一過(guò)程耗時(shí)長(zhǎng)、成本高且成功率低。然而，AI技術(shù)的應(yīng)用正在改變這一現(xiàn)狀，通過(guò)提高研發(fā)效率、降低成本并縮短研發(fā)周期，AI有望打破傳統(tǒng)藥物研發(fā)的“雙十定律”。
1. AI在靶標(biāo)識(shí)別與驗(yàn)證中的應(yīng)用
藥物靶標(biāo)（通常是蛋白質(zhì)）是指體內(nèi)與特定疾病過(guò)程具有內(nèi)在聯(lián)系、可通過(guò)與藥物作用從而產(chǎn)生預(yù)期治療效果的分子。新藥研發(fā)的首要問(wèn)題就是對(duì)藥物-靶標(biāo)相互作用（drug-target interaction, DT)的鑒定，即確定藥物分子和靶標(biāo)之間是否會(huì)產(chǎn)生相互作用，并基于此尋找能夠作用于特定靶標(biāo)的藥物分子。
DTI的鑒定是一個(gè)非常復(fù)雜的步驟，它對(duì)于候選藥物的發(fā)現(xiàn)、藥物分子作用機(jī)制的理解、藥物分子的多靶標(biāo)研究和藥物重定位等問(wèn)題具有重要意義。DTI預(yù)測(cè)的核心問(wèn)題是判斷藥物分子和靶標(biāo)蛋白是否會(huì)產(chǎn)生相互作用。AI可以基于已有的藥物分子與靶標(biāo)蛋白相互作用的信息，對(duì)未知的藥物分子和靶標(biāo)蛋白進(jìn)行預(yù)測(cè)，從而篩選藥物分子，繼而能夠快速、有效地為后續(xù)臨床試驗(yàn)確定候選藥物。此外，基于異質(zhì)網(wǎng)絡(luò)的深度學(xué)習(xí)方法也被用于藥物靶標(biāo)預(yù)測(cè)，通過(guò)整合藥物-疾病信息、靶標(biāo)-靶標(biāo)信息等多維度信息，構(gòu)建特征矩陣進(jìn)行預(yù)測(cè)[1]。
目前，AI已經(jīng)被一些企業(yè)投入到實(shí)際應(yīng)用中。例如，Atomwise公司開(kāi)發(fā)的深度卷積神經(jīng)網(wǎng)絡(luò)（AtomNet）可以對(duì)小分子和靶標(biāo)蛋白的相互作用進(jìn)行預(yù)測(cè)，從而篩選出高親和力結(jié)合的藥物分子和靶標(biāo)[2]。Deep Genomics公司開(kāi)發(fā)的AI系統(tǒng)可以在18個(gè)月內(nèi)完成從靶點(diǎn)發(fā)現(xiàn)到先導(dǎo)化合物篩選的全過(guò)程，并成功發(fā)現(xiàn)了業(yè)界首個(gè)由AI發(fā)現(xiàn)的治療候選藥物[3]。
2. AI在蛋白質(zhì)結(jié)構(gòu)預(yù)測(cè)中的應(yīng)用
蛋白質(zhì)結(jié)構(gòu)預(yù)測(cè)是生物信息學(xué)中的一個(gè)重要問(wèn)題，它對(duì)于理解生物分子的功能、疾病機(jī)理以及藥物設(shè)計(jì)至關(guān)重要。AI技術(shù)，尤其是機(jī)器學(xué)習(xí)和深度學(xué)習(xí)，已經(jīng)在這一領(lǐng)域取得了顯著進(jìn)展。
AlphaFold是由DeepMind開(kāi)發(fā)的革命性人工智能系統(tǒng)，它利用深度學(xué)習(xí)和共進(jìn)化信號(hào)預(yù)測(cè)蛋白質(zhì)的三維結(jié)構(gòu)，達(dá)到了與實(shí)驗(yàn)方法相媲美的精度。在CASP13競(jìng)賽中取得顯著成績(jī)后，AlphaFold2進(jìn)一步提升了預(yù)測(cè)能力，甚至能夠預(yù)測(cè)蛋白質(zhì)的多種構(gòu)象。
AlphaFold 3 模型在預(yù)測(cè)準(zhǔn)確性方面取得了顯著的改進(jìn)，與許多以前專門用于特定類型的分子間相互作用的預(yù)測(cè)工具相比，它在多個(gè)方面都顯示出更高的準(zhǔn)確性。這些改進(jìn)包括與小分子配體的相互作用、蛋白質(zhì)-核酸相互作用、抗體-抗原相互作用等[4]。
AlphaFold的成功標(biāo)志著AI在結(jié)構(gòu)生物學(xué)領(lǐng)域的重大進(jìn)展，并為未來(lái)的研究和應(yīng)用開(kāi)辟了新的可能性。上文所提到的諾貝爾化學(xué)獎(jiǎng)獲得者Demis Hassabis和John M. Jumper正是AlphaFold的發(fā)明者。
3. AI在藥物設(shè)計(jì)中的應(yīng)用
計(jì)算機(jī)輔助藥物設(shè)計(jì)（computer-aided drug design, CADD）技術(shù)基于計(jì)算化學(xué)和計(jì)算生物學(xué)的理論與方法，運(yùn)用特定的計(jì)算機(jī)程序來(lái)分析、模擬和預(yù)測(cè)藥物分子的結(jié)構(gòu)與性質(zhì)的關(guān)系、藥物分子與受體生物大分子之間的相互作用機(jī)制，以及生物大分子之間的識(shí)別和結(jié)合過(guò)程。CADD技術(shù)包括基于結(jié)構(gòu)的藥物設(shè)計(jì)（structure-based drug design, SBDD）、基于配體的藥物設(shè)計(jì)（ligand-based drug design, LBDD）和高通量虛擬篩選（HTVS），這些技術(shù)極大地促進(jìn)了先導(dǎo)化合物的發(fā)現(xiàn)和優(yōu)化[5]。
1979年，世界上首家CADD公司Tripos成立，開(kāi)啟了該領(lǐng)域的商業(yè)化進(jìn)程。1990年，Schrodinger公司成立，迅速成為CADD及人工智能藥物設(shè)計(jì)(artificial intelligence drug design, AIDD)領(lǐng)域的領(lǐng)頭羊。
在AIDD中，首要步驟是學(xué)習(xí)并理解輸入化合物的結(jié)構(gòu)和特性，以便生成具有預(yù)期活性和成藥性的新分子。基本流程首先包括數(shù)據(jù)獲取和處理，涉及對(duì)已有藥學(xué)數(shù)據(jù)（包括蛋白信息、小分子結(jié)構(gòu)及藥效信息等）的收集、清洗和標(biāo)準(zhǔn)化處理，隨后是特征工程和表征學(xué)習(xí)，例如蛋白質(zhì)和分子的表征。CADD與AIDD的融合為藥物發(fā)現(xiàn)和開(kāi)發(fā)領(lǐng)域帶來(lái)了根本性的變化。通過(guò)將CADD的強(qiáng)大數(shù)據(jù)處理與分析能力與AIDD的先進(jìn)算法和人工智能技術(shù)相結(jié)合，通過(guò)不斷的技術(shù)革新和跨學(xué)科合作，特別是生成式大模型技術(shù)的運(yùn)用，AIDD的未來(lái)展望非常廣闊。
4. 臨床試驗(yàn)優(yōu)化
AI不僅可以加速藥物的發(fā)現(xiàn)和設(shè)計(jì)，還可以優(yōu)化臨床試驗(yàn)的設(shè)計(jì)和執(zhí)行，不僅能夠提高臨床試驗(yàn)的效率和成功率，還能夠在多個(gè)方面對(duì)臨床試驗(yàn)的設(shè)計(jì)、執(zhí)行和結(jié)果分析產(chǎn)生積極影響。
在臨床試驗(yàn)設(shè)計(jì)中，AI可以通過(guò)模擬和建模來(lái)創(chuàng)建虛擬隊(duì)列，從而增加案例組的大小，這有助于提高試驗(yàn)的成功率。此外，AI還能夠自動(dòng)化和優(yōu)化試驗(yàn)設(shè)計(jì)，預(yù)測(cè)試驗(yàn)成功率，從而減少時(shí)間和成本[6]。例如，通過(guò)使用遺傳算法（GA），可以優(yōu)化藥物開(kāi)發(fā)中的生物等效性研究和劑量發(fā)現(xiàn)研究的設(shè)計(jì)，從而減少所需的樣本量和血液采集點(diǎn)。
在患者招募方面，通過(guò)智能匹配系統(tǒng)，AI可以提高受試者的招募效率和成功率，尤其是在招募腫瘤患者和罕見(jiàn)病患者時(shí)。此外，AI還可以通過(guò)自然語(yǔ)言處理技術(shù)高效處理復(fù)雜的電子健康記錄數(shù)據(jù)，從而縮短招募時(shí)間并減輕臨床試驗(yàn)設(shè)計(jì)人員的工作負(fù)擔(dān)[7]。
在臨床試驗(yàn)的執(zhí)行過(guò)程中，AI可以通過(guò)自動(dòng)化數(shù)據(jù)生成和管理，智能解釋數(shù)據(jù)，并自動(dòng)填寫所需的分析報(bào)告，從而提高臨床試驗(yàn)的效率和準(zhǔn)確性。此外，AI還可以在遠(yuǎn)程患者監(jiān)測(cè)中發(fā)揮作用，通過(guò)結(jié)構(gòu)化、標(biāo)準(zhǔn)化和數(shù)字化驅(qū)動(dòng)的元素來(lái)加速臨床試驗(yàn)[8]。
在臨床試驗(yàn)的結(jié)果分析方面，AI方法可以學(xué)習(xí)標(biāo)準(zhǔn)化輸入數(shù)據(jù)的結(jié)果，以產(chǎn)生準(zhǔn)確的結(jié)果預(yù)測(cè)。此外，AI還可以通過(guò)提取或接入電子醫(yī)療保健記錄，并結(jié)合患者的遺傳數(shù)據(jù)，來(lái)提高對(duì)臨床結(jié)果的預(yù)測(cè)能力[9]。
5. 藥物重定位
AI在藥物重定位中的應(yīng)用已經(jīng)成為一個(gè)重要的研究領(lǐng)域，其目的是利用現(xiàn)有的藥物、臨床試驗(yàn)失敗的藥物或擱置的藥物來(lái)探索新的適應(yīng)癥，以縮短研發(fā)周期、降低研發(fā)成本，并提高藥物開(kāi)發(fā)的效率。
AI技術(shù)通過(guò)整合和分析來(lái)自不同來(lái)源的數(shù)據(jù)，如基因組學(xué)、蛋白質(zhì)組學(xué)、藥物化學(xué)和臨床試驗(yàn)數(shù)據(jù)，幫助研究人員識(shí)別藥物與疾病之間的新關(guān)聯(lián)。例如，通過(guò)機(jī)器學(xué)習(xí)算法，可以從大規(guī)模的生物醫(yī)學(xué)數(shù)據(jù)庫(kù)中挖掘出藥物與特定疾病之間的潛在關(guān)系[10]。此外，AI還能夠預(yù)測(cè)藥物對(duì)特定疾病的治療效果，加速藥物重定位的過(guò)程。
目前，已有多種AI算法被應(yīng)用于藥物重定位中，包括基于特征的方法、基于矩陣分解的方法、基于網(wǎng)絡(luò)的方法以及深度學(xué)習(xí)方法。這些方法能夠處理數(shù)據(jù)稀疏性、缺失數(shù)據(jù)和多種關(guān)聯(lián)類型的問(wèn)題，提高藥物重定位的準(zhǔn)確性和效率[11]。例如，基于深度學(xué)習(xí)的藥物重定位方法能夠通過(guò)組合深度結(jié)構(gòu)與藥物相關(guān)的各種屬性信息進(jìn)行模式挖掘，加快藥物重定位的研發(fā)速度。
6. 結(jié)語(yǔ)
隨著人工智能技術(shù)的不斷進(jìn)步，其在藥物研發(fā)領(lǐng)域的應(yīng)用前景廣闊。AI不僅能夠加速藥物發(fā)現(xiàn)和設(shè)計(jì)的過(guò)程，還能夠提高臨床試驗(yàn)的效率和成功率，最終為患者帶來(lái)更有效、更個(gè)性化的治療方案。然而，要實(shí)現(xiàn)這一目標(biāo)，我們需要跨學(xué)科的合作、高質(zhì)量的數(shù)據(jù)、先進(jìn)的算法，以及對(duì)AI模型的透明度和可解釋性的關(guān)注。未來(lái)，隨著AI技術(shù)的進(jìn)一步發(fā)展和應(yīng)用，我們有理由相信，它將在藥物研發(fā)領(lǐng)域發(fā)揮更加重要的作用，為全球健康事業(yè)做出更大的貢獻(xiàn)。
參考文獻(xiàn)：
[1] Application of Machine Learning for Drug-Target Interaction Prediction. Front Genet, 2021.
[2] Meramalnet: A Deep Learning Convolutional Neural Network for Bioactivity Prediction in Structure-based Drug Discovery. 2020.
[3] Deep Genomics Nominates Industry’s First AI-Discovered Therapeutic Candidate. Retrieved September 25, 2019
[4] Accurate structure prediction of biomolecular interactions with AlphaFold 3. Nature,2024.
[5] Artificial intelligence in drug design .Sci China Life Sci, 2018.
[6] Artificial intelligence for optimizing recruitment and retention in clinical trials: a scoping review. J Am Med Inform Assoc, 2024.
[7] The role of artificial intelligence in hastening time to recruitment in clinical trials. BJR Open, 2023.
[8] Computational design of clinical trials using a combination of simulation and the genetic algorithm. CPT Pharmacometrics Syst Pharmacol, 2023.
[9] Artificial intelligence, machine learning, and deep learning for clinical outcome prediction. Emerg Top Life Sci, 2021.
[10] Rethinking Drug Repositioning and Development with Artificial Intelligence, Machine Learning, and Omics. OMICS, 2019.
[11] Performance Analysis of Big Data Based Mining and Machine Learning Algorithms: A Review. Turkish Online Journal of Qualitative Inquiry, 2021.
