不久前，国家卫生健康委、国家中医药管理局、国家疾控局联合发布《卫生健康行业人工智能应用场景参考指引》，列出药物研发等84种具体应用场景，为人工智能（AI）技术赋能药物研发按下了“快进键”。

       长期以来，在药物研发行业存在一个著名的“双十”魔咒，即新药研发需要花费10年时间、10亿美元。如何打破这一魔咒，AI被寄予厚望。在日前召开的学术会议上，中国科学院院士陈凯先表示，AI将为半导体行业带来5550亿美元的价值，而为制药行业带来的价值可达1.2万亿美元。

       近年来，生成式AI在垂直产业持续发力。它给新药研发带来什么？

       提升研发效率

       在药物研发全链条发挥作用

       2023年底，困扰业界60年的新抗生素发现难题被AI破题。《自然》杂志刊文讲述了科学家运用AI技术首次发现抗耐甲氧西林金黄色葡萄球菌（MRSA）的新抗生素的历程。

       以3.9万种化合物对MRSA的抗菌活性数据作为训练“脚本”，麻省理工学院研究团队获得了抗菌能力的评估预测模型。随后以3个深度学习模型为基础，团队又“塑造”出化合物人类细胞毒性的“鉴定师”，对1200万种化合物进行“筛选”，最终获得能对抗MRSA又对人体安全的化合物。

       这样的实验，仅靠人力几乎难以完成。然而，AI凭借“硬核”实力，大大缩短了对每一个分子进行评价和验证的时间。

       以往，针对靶点设计药物的成功率非常低。数据显示，即便是《细胞》《自然》等权威期刊上报道过的原始靶点，其成药概率也小于10　。

       靶点有了，为什么设计药物还是难？以小分子化学药物为例，依据“钥匙开锁”的原理，针对靶点设计化合物，化合物库中的备选分子多达成百上千种，筛选耗时耗力。

     “新药研究实践表明，要在老靶点上寻找更好的新药越来越不容易。”陈凯先说，与此同时，新靶点发现难度也越来越大，需要新思路新技术“破局”。

       而人工智能在新靶点的发现和预测方面能为人类提供前所未有的帮助。

       陈凯先介绍，国外研究数据显示，人工智能技术应用可以使药物设计时间缩短70　、药物设计成功率提升10倍。

     “理论上AI可以对药物研发的全链条发挥作用。”陈凯先说，在新药研发的整个链条中，一个新靶点的发现往往会带动一批新药产生，推动临床治疗的突破。

       近年来，人工智能技术正成为发现新靶点的利器。例如，中国科学院上海药物研究所郑明月等研究团队发展“脸谱识别”新算法，通过提取化学结构特征、基因变化特征、药物活性特征来关联比对查明新靶点。这一技术成功用于寻找抗肿瘤老药甲氨蝶呤的免疫靶点。

       AI在从文献知识中发现新靶点方面也颇有优势。陈凯先表示，过往基础研究和临床研究积累了大量数据，这些发现“互不关联”地分散存储在研究文献中，它们之间的潜在关联难以被人类发现。人工智能具有强大、高效的学习分析能力，能够将散布在大量文献中的关联关系挖掘出来，推动新机制、新靶点的识别。

       降低研发成本

       药物试验费用不再高昂

       2024年年底，斯坦福大学等研究团队在《细胞》杂志发文称，多尺度、多模态的大型神经网络模型已经具备表示和模拟分子、细胞和组织在不同状态下行为的能力。在此基础上，AI虚拟细胞有了高保真模拟、加速发现、指导研究的可信性。

       此前，《美国国家科学院院刊》发文称，研究者用硅基“病人”替代生命形式的碳基“病人”，模拟结果与真实数据高度一致。

       研究中，1635个“活在电脑里”的“虚拟病人”，患上了乳腺癌且癌细胞已发生转移。通过试验，研究者找到了生物标志物指导乳腺癌临床治疗的优化路径。

       基于体外、体内、临床、人群水平和多组学等数据，研究者对患者的药物反应进行“数字孪生”，生成“虚拟病人”丰富的药效药理数据，用于生物标记物、药物等方面的测试。

     “人类对生命活动的想象和思考，能够以数据的方式传递给算力，这是实现虚拟生命或细胞的基础。”北京大学未来技术学院副院长席建忠说，在半个世纪的发展历程中，分子生物学通过不同层面的组学数据“解读”生命，如基因组学、蛋白组学、转录组学等，积累了大量生命科学数据。

       随着技术融合发展，人类的数据获取能力越来越强。“光学成像技术现在已达到纳米级别，可以看到细胞中的细胞器动态‘录像’。”席建忠说，大量新数据、新研究衍生出成像组学等新学科。这些突破在深入解读生命的同时，也成为数字生命的基础。

       事实上，我国科研团队已在基础设施、科研课题等方面早有布局。例如在北京怀柔，耗资数十亿元的多模态跨尺度生物医学成像设施已初具规模，细胞成像楼、医学成像楼、全尺度整合中心等组成具有硬实力的科技“航母”，其中，全尺度数据处理中心将为相关研究提供强大算力支持。

     “不同团队正在开展一些关键器官数字化的工作。我们希望实现肿瘤细胞数字化。”席建忠表示，肿瘤具有高度异质性和动态性，人人不同、时时在变，有效的药物筛选十分困难。

      “虚拟肿瘤细胞能够告诉我们，在某一药物作用下，细胞内部信号通路如何变化。”席建忠说，要实现这样的目标，需要基于现有数据和基础模型进行肿瘤细胞“雏形”的构建，然后对其进行训练。

      “现实生活中，要进行药物试验。如果一位患者吃一种药，几千种药至少需要几千位患者来试验。这样一来，实施困难、成本高。”席建忠说，虚拟细胞在一套模型中可以同时“吃”几千种药，获得几千套数据，实现高通量和高保真，将极大提升肿瘤药物的筛选效率。

       缩短研发周期

       啃下罕见病药物研发“硬骨头”

       在药物研发领域，罕见病药物研发是一块难啃的“硬骨头”。正因为如此，药物审评审批为它专门开设了“孤儿药”绿色通道。

       4年到5年，这是当前罕见病诊断的平均耗费周期。患者少形成了“无米之炊”的困局——罕见病难以“被看见”，临床试验病例数少是罕见病药物研发的难题之一。

       现代医学发展至今，为什么确诊一个病还要耗时这么久？

     “罕见病并不会带着‘铭牌’而来。”华大基因AI专项负责人梁伦纲告诉笔者，它会被当作一种常见病，如孩子发育明显落后同龄人时，往往会问诊营养科。

      “罕见病诊断面临症状、基因变异两端都‘开放’的问题，而确诊是要通过各种方法实现两端‘收敛’，最终得到匹配的‘连线’。”梁伦纲说，患者经过各种试错仍无法找到病因后，才有可能被确诊患有罕见病。如今当人工智能迈入生成式大模型阶段，能够回答各种开放式问题之后，罕见病诊断有望跳过“试错”阶段。

       日前，北京协和医院院长张抒扬在国家卫生健康委医药领域科技创新发布会上介绍，首个罕见病人工智能大模型GeneT上线，协助基层医生做罕见病的诊疗。

       从回答“是”或“否”的判断题，到能够解答“这是什么，为什么”的复杂问答题，AI提升了罕见病的诊断能力。

     “和其他应用领域一样，AI先是快速掌握罕见病领域的专业知识。”梁伦纲介绍，公开罕见病数据集和文献，以及华大在检测服务中的数据都会转化为AI的“知识”。最重要的是，华大基因与北京协和医院开展合作，及时应用罕见病临床诊疗中的一线经验，让AI具备临床“经验”。

     “我们不仅给AI输入了罕见病的海量知识，还教会它如何像遗传专家一样思考。”梁伦纲介绍，华大基因通过将专家的思考过程转化为AI能理解的语言，让新模型GeneT学会精准筛选导致罕见病的基因变异，效率提升20倍，且在模拟和真实病例中的准确率分别达到99　和98　。

       梁伦纲表示，目前GeneT在完成初步分析后，最终确诊还需要专家把关。

       资料显示，在人工智能大模型的助力下，罕见病患者的确诊时间有望从数年缩短到4周以内，这使得绝大部分罕见病无特效药的“冰山”开始松动。（据《科技日报》）