愛吃番茄醬
開發新藥絕不是一件容易的事。平均而言，新型藥品的開發工作需要耗時十年，且研發成本高達26億美元——只有這樣的鉅額投入之下，藥物才能由實驗室真正走向市場。而由於其安全性及有效性的不確定性，最終往往只有約5%的實驗性藥品能夠被實際投放市場。
不過藥物製造商與各大科技企業正投入數十億美元以建立人工智能解決方案，希望藉此加快藥物發現速度並降低藥物成本。
華盛頓州雷蒙德市微軟研究實驗室主任Eric Horvitz在近期於德克薩斯州奧斯汀市召開的美國科學促進會年會上指出，“我認為人工智能堪稱醫療衛生領域的沉睡巨人。”他解釋稱，微軟公司正積極投資人工智能技術以推動藥物設計與藥理學研究，研究藥物如何在體當中發揮作用，並將這項技術描述為“巨大的機遇”。
微軟公司絕不是惟一在人工智能技術身上押下重注的廠商。截至2月底，位於多倫多的生物技術企業BenchSci已經發布統計結論，發現目前已經有16家制藥公司以及60多家初創企業在利用人工智能技術進行藥物開發。
最大的瓶頸
眾多最具發展雄心的人工智能組織——包括ATOM私營-公共財團——希望能夠將這一過程由原本的四到六年週期縮短至一年之內。
由於只有5%的實驗性藥物能夠最終被投放市場，因此人工智能技術的引入將有助於改善週期漫長且以勞動密集型為主的藥物發現過程。
當然，這項崇高的目標暫時還未能達成。不過總部位於倫敦的歐洲最大私營人工智能企業BenevolentAI公司表示，一旦確定了有望攻克的疾病目標，那麼此項技術的引入將能夠顯著減少候選藥物所需試驗數量與錯誤量。到目前為止，該公司估計其能夠將相關研發成本降低60%，並將藥物的研發時間由原本的三年縮短至一年。
提前預測失敗
由於成功開發出新藥的可能性極低，因此製藥業已經習慣了這種“幾乎總是以失敗告終”的狀況。但英國葛蘭素史克公司新近於巴爾的摩建立的AI藥物發現部門負責人John Baldoni表示，人工智能檢測方法能夠有效清除部分候選藥物，同時提取其中的有價值數據以推動其它項目的發展。
BenevolentAI公司已經擴大了其研究規模，其中涉及20多種針對罕見型癌症、炎症、神經退行性疾病以及中樞神經系統疾病的藥物研發計劃。在接受NBC新聞的採訪時，該公司董事長Ken Mulvany表示，他們所使用的計算機經過訓練以瞭解生物醫學語言，並能夠在人體之內找到藥物、疾病以及蛋白質之間存在的神秘關聯。
前景與挑戰
當然，並不是所有人都相信人工智能技術會改變藥物的開發前景。
哈佛大學化學家Alan Aspuru-Guzik博士曾經開發出面向材料科學的人工智能應用，而目前其正轉向藥物研發領域。在他看來，這一領域確實充斥著大量炒作氣息。儘管如此，他認為“脾氣暴躁”的反對者們顯然忽略了他在這方面付出的努力，而真正的從業者也不會受到影響。他表示，“在不同領域之間的邊界位置，總會出現眾多令人興奮的新生事物，而摩擦也將同樣不可避免。”
目前的一大主要挑戰，在於如何收集充足且可靠的信息來正確訓練沃森以及其它人工智能系統。Aspuru-Guzik指出，“人工智能的實際質量取決於數據質量。”
基於他自己設計的、用於工業類分子應用的人工智能策略，他解釋了應如何立足藥物研發領域對計算機進行更好地訓練。首先，他將數十萬種類似藥物的分子信息輸入到AI算法當中，以幫助其學習各類分子間的共通性特徵。最終，計算機將變得足夠聰明，從而自行預測新藥的結構表達。
他指出，“沒錯，人工智能會無數次預測出垃圾結果。”然而，科學家們可以設計出對應方法以排除那些無用的預測，並獎勵好的預測結果，從而訓練計算機並不斷提升其準確性水平。
目前受到廣泛關注的生成對抗網絡(簡稱GAN)方法就是在兩套人工智能網絡之間建立一種競爭機制。其中的發生器網絡負責猜測藥物分子，而鑑別器網絡則對每一項猜測結果作出對錯判斷。Aspuru-Guzik表示，“剛開始，這兩套網絡都愚蠢得不忍直視。但隨著時間的推移，兩套網絡會相互學習並同時變得更加聰明。”
當然，計算機仍然會被人類所愚弄，這一點相信對於GPS導入死路或者因臨時封道而無法前進的用戶們可謂深有體會。在Aspuru-Guzik看來，人工智能會提升人類的能力，但絕不會取而代之。他總結稱，“人工智能會給我們帶來新的超能力，但最終仍將由人類對其進行控制與使用。
科技行者
我們先來看一個數據，據塔夫特藥物發展研究中心（Tufts Center for the study of Drug Development）的數據，一款新藥的面市從藥物發現到獲得FDA批准平均大約需要97個月。
另外，德勤的數據顯示，自2010年以來，12家主要製藥公司的獲批藥物開發成本已經增加了33%，至約每年16億美元。
從這些數據中，我們看見的是藥物研發所花時間、資金的成本之高。而從本質來講，人工智能、機器學習算法的加入有利於藥物研發時間的縮短。
在藥物研發的早期階段，人們利用計算機上的分子對接軟件模擬目標靶點與候選藥物之間的相互作用，從而計算兩者之間的親和力大小，以降低實際篩選化合物數目，同時提高先導化合物發現概率，也就是我們所說的虛擬篩選。目前，人們常用的虛擬篩選方法是“高通量篩選”。
在高通量篩選中，讓機器人在同一時間進行上百萬次試驗，以找出最具潛力的目標化合物，提高要藥物發現的“命中率”。之後，將這一結果進行進一步的深度優化，未進入臨床前藥物開發過程做好準備，如此才能算是進入第一階段。不過，令人較為失望的是，這一套流程下來，時間過去了1到3年，成功率卻僅僅只有20%。
現在，一些人工智能團隊正在試圖用深度學習算法來開發一個新的虛擬篩選技術，用以替代或是增強現有的高通量篩選。並提高篩選的速度和成功率。比如谷歌和斯坦福，他們的研究人員正意圖通過應用深度學習，實現跨越多個靶點的眾多實驗的信息共享。
如若成功，這一項目將在進一步提高數據處理速度的基礎上同時提高藥物發現的成功率，最終，以往需要1到3年的工作時間也將大大縮減。
鎂客網
幫助藥物研發團隊簡化一些初始工作，同時還可以對化學分子的反應與結合進行模擬，並且在進行模擬的過程中還會不斷自我學習，豐富自己的數據庫。
構建臨床研究套件，包括臨床試驗數據採集系統、CRF電子化設計系統、臨床研究項目管理系統、隨機和藥物管理系統、藥物警戒系統。該套件產品主要適用於藥物、醫療器械及疫苗的臨床試驗過程中產生數據的採集、管理、審查及歸檔。可以幫助企業用戶在臨床試驗階段通過數據管理對試驗進行全程把控，在審查中規避數據層面的風險，同時也可以提升臨床試驗的效率，降低成本。
存儲醫藥大數據和構建主要的人工智能套件，主要包括DATApower(數據及數據管理系統)、MEDpower(人工智能藥物研發)。“這部分主要是利用大數據分析和人工智能技術來幫助提高藥品精準營銷和藥物研發的水平。雲勢軟件希望用信息技術、大數據數據技術、人工智能技術，輔助藥企客戶加快研發進程，提高銷售業績。
科普星球
另一項挑戰就是成本，在製藥行業數據點是非常昂貴的，為此科學家將一類計算機視覺算法、單點學習的算法進行調整，使其適用於藥物研發，最終得到一種可以根據非常少的數據來對藥物屬性進行測算的算法。
展望未來，深度學習和AI算法，以及硬件和軟件的發展都有望對藥物研發產生重大影響。理論上小分子藥物的種類可以達到10的60次方之多。
但是，只有到AI真正能提高藥物研發的成功率時，AI技術才能成為生物藥物研發的主導，到目前為止生物信息學並沒有提高藥物研發的成功率，使得一些大公司對AI的巨大潛力心懷警惕，只有當醫藥領域有過用用AI技術成功的案例後，整個行業才會真正引入AI。
遊戲秘密
個人覺得可能是通過一系列的科學實驗論證，再投入到實際的藥物研發中。