行業專家表示，憑藉人工智慧（AI）的有力支持，藥物研發領域正經歷一波翻天覆地的變化。專注於抗體等大分子的機器學習與預測算法，正在開創一個加快藥物發現速度、提升新藥設計效率的新時代。過去，這些環節都是複雜度最高的研究領域，而如今，一系列進步正在製藥行業和風險投資方的資源推動下成為現實。
過去幾年間，AI已經開始在製藥領域嶄露頭角，且主要關注小分子方向。別看它們尺寸不大，小分子藥預計已在2021年的全球藥品銷售額中占比90%。AI可用於預測小分子與靶標之間的相互作用、優化其有效性，甚至對人體安全性做出預測。
隨著製藥企業逐步邁向抗體、蛋白質、基因治療和基於RNA的治療等大分子技術，AI現被用於應對更加困難的挑戰。2022年，上述技術已經滲透進40%的新藥生產，著力為生物製藥行業開闢出又一條前進道路。以腫瘤學為例，預計到2030年，領域內近半數製藥收入都將來自大分子藥。結合行業分析師的預測，其整體市場規模將達到3.2萬億美元，其中又有80%以上屬於抗體藥物。那麼，AI將如何為這波趨勢提供助力？
AI正被應用於大分子藥物發現的三大核啟動項。著名學術期刊《自然》上發表的一篇最新文章，詳盡介紹了其對於AI如何改變大分子藥物研究的看法。大分子科研中存在著不少昂貴且耗時的挑戰，包括準確理解分子結構、預測功能以及設計出安全的新療法等。
AI在大分子藥物發現中的作用
首先需要強調，預測蛋白質結構絕非易事。大家可以把這一步理解成動手施工之前，先要整理好描繪整棟建築物的藍圖。以DeepMind開發的AlphaFold2（AF2）等工具為代表，AI技術正幫助我們在實現高精度蛋白質結構預測方面取得突破。AF2是一套AI系統，可根據胺基酸痛死預測蛋白質的三維（3D）結構。AF2的預測結果於2021年7月被發表的《自然》雜誌上。而RoseTTAfold等其他研究項目，則希望在易用性、可擴展性和性能方面做出探索。根據華盛頓大學蛋白質設計研究所的介紹，RoseTTAfold是一款軟體工具，它能通過深度學習根據有限資訊快速準確地預測出蛋白質結構。這樣的方案可以消除過去需要耗時數年的實驗室工作，極大壓縮單個蛋白質的結構確定周期。根據在著名學術期刊《科學》上發表的結果，這套模型在配置較高的遊戲PC上僅需十分鐘就能計算出結果。
除此之外，AI還能夠預測大分子的行為方式。或者更直觀地說，AI模型就如同是在預測鑰匙跟鎖具間的匹配程度。這種預測對於治療藥物的快速篩選非常重要，尤其擅長理解藥物分子的結合、相互作用和藥代動力學原理。拋開這些花哨的詞語不談，AI能夠更好地理解蛋白質如何與靶標相結合、抗體如何在體內流動，並利用深度學習加神經網路等技術完成這些繁重的工作。從《科學》雜誌發表的文章來看，深度學習模型已經被用於生成更精確的蛋白質結構、增強小分子結合效力，旨在設計出能夠激發適當治療反應的新型化合物。
AI還有助於啟發出新的大分子療法。隨著現有數據的爆炸式增長，AI算法已經在設計蛋白質、抗體等方面有所建樹。設想一下，AI模型也許能幫助我們設計出一種適合對抗癌症的蛋白質、或者開發出能夠對抗感染的mRNA結構。正如最近《自然》雜誌發表的文章所言，這類算法正被用於為新冠病毒等疾病設計出更穩定、更安全的mRNA疫苗。
由AI驅動的新未來
生物科技領域正在蓬勃發展，目前有80多家企業已經涉足AI驅動的大分子藥物發現領域。其中大多數公司誕生於過去五年之內，證明在技術飛躍與資金的有力加持之下，這一行業正在快速增長。
其中投資金額尤其巨大，2021年總投入達39億美元，其中近30億美元來自風險投資。Abcelera和Abcy等致力於抗體和生物製劑發現的企業，已經成功完成了募資上市。生物製藥領域的老牌巨頭們自然也不甘落後。例如，基因泰克收購了Precious Design，這就是一家AI驅動的抗體發現公司。禮來公司則與Abcelera合作，共同開展新冠病毒研究。
AI在大分子藥物發現方面擁有巨大的潛力，但探索的道路上也有不少挑戰需要應對。作為其中幾個重要環節，我們需要將AI模型融入研究過程、創造出合適的技術環境，並讓AI成為整個研發流程中的必要環節。這不僅是在創造一種新的技術手段，更是在徹底顛覆一個行業，讓挽救生命、提升療效變得更加簡單易行。如果運用得當，AI也許將幫助人類開啟醫學研究的全新時代。
