전통 의약업계에서도 AI 는 많은 앱을 가지고 있다. AI 는 목표 발견, 가상 선별, 화합물 설계 및 합성, ADME-T 특성 및 물리적, 화학적 특성 예측, 약물 임상 실험 설계, 관리, 환자 모집, 약물 경계 응용 프로그램 및 실제 증거 생성 등의 여러 프로세스와 링크에 점차 적용됩니다.
그렇다면 AI 가 제약에 적용하는 논리는 무엇입니까? AI 는 약물 개발을 어떻게 바꿀 것인가? 제약 산업의 효율성 문제를 어떻게 해결할 것인가? 이 글은 두 부분으로 나뉜다. 이 글은 인공지능이 제약업계에서 직면한 도전에 초점을 맞추고 있다.
제약딜레마
의약업계의 곤경에서 출발하다.
지난 수십 년 동안 많은 과학, 기술 및 관리 요소가 크게 발전하여 약물 개발의 생산성 향상에 도움이 되었습니다 (R&: D). 하지만 1950 부터 10 억 달러당 R&D 투자승인의 신약 수가 거의 9 년마다 절반으로 줄어드는 추세는 60 년 동안 매우 안정적이어서 의약업계의' 에롬 법칙' 으로 불린다. 신약 개발 비용이 갈수록 높아지면서 약물 개발은 심각한 생산성 위기에 직면해 있다.
반무어의 법칙은 주로 처진 열매 가설 (잘 따낸 열매가 따짐), 규제장애 가설 (신약 신고의 규제 요구가 높아지고 있음), R&D 모델 문제라는 세 가지 해석이 있다. 처음 두 설명은 모두 바꾸기 어려운 객관적인 사실이다. 그렇다면 더 나은 약물 개발 모델이 있을까요? 이것은 의약업계가 줄곧 생각하고 있는 문제이다.
제약 업계는 생산성 딜레마와 데이터 딜레마에 직면해 있다.
전 사회의 디지털화, 정보화가 급속히 추진되면서 약물 연구 개발 장비의 교체와 장기 축적으로 이용할 수 있는 약물 연구 개발 데이터가 많아지면서 일정 기간 동안 기존의 방법과 소프트웨어 도구를 사용하여 모든 데이터를 분석하고 처리할 수 없게 되었습니다. (윌리엄 셰익스피어, Northern Exposure (미국 TV 드라마), Northern Exposure (미국 TV 드라마) 전통적인 통계는 대량의 데이터 앞에서 점점 더 힘이 없어 보인다. 의약업체들은 디지털화 전환을 하여 대량의 데이터를 생산하고 있다. 이에 따라 날로 늘어나는 데이터 처리 수요와 기존 데이터 분석 능력 사이의 갈등으로 제약 업계는 새로운 출구를 모색하게 되었습니다.
쑥의 올리브 가지
2065438+2006 년 3 월, AI 프로그램 알파고가 한국의 유명 기사 이세돌 () 를 꺾은 것은 AI 발전사에서 획기적인 의미를 지녔다. 이 사건은 사회 생활의 여러 분야에서 AI 의 탐구와 응용을 가속화하고 의약업계가 약물 연구 개발 생산성을 높일 수 있는 희망을 보여 주었다. 20 16 이후 의약업계에서 대량의 AI 기술 테스트를 실시했다. 실험과학은 더 이상 유일한 선택이 아니다. 데이터 중심의 약물 발견이 점차 무대에 오르고 있다.
이후 몇 년 동안 AI 제약은 점차' 가열' 되고 개념 검증 연구가 계속되고 있으며, 대량의 자본이 AI 구동 생명기술 창업회사로 유입되고 제약 회사, AI 생명기술회사, AI 기술업체 간의 협력이 늘고 있다. 일부 선도적인 제약 회사들의 임원들은 AI 가 화합물 발견의 도구일 뿐만 아니라 생물학 연구를 촉진하고, 새로운 바이오메트릭 목표를 발견하고, 새로운 질병 모델을 개발하는 보다 일반적인 도구라고 생각합니다.
AI 는 제약 업계의 여러 시나리오에 배포됩니다.
지난 몇 년 동안 AI 는 약물 개발의 거의 모든 프로세스와 링크에 적용되었으며, 주로 다음과 같은 측면에서 수행되었습니다.
//목표 확인
표적 인식은 약물 개발의 핵심 단계이자 가장 복잡한 단계 중 하나이다. 현재 알려진 약물 표적은 대부분 단백질이다. 기계 학습을 통해 단백질의 원시 정보에서 특징을 추출하고, 정확하고 안정적인 모델을 만들어 기능 추론, 예측 및 분류를 하는 것은 이미 표적 연구의 중요한 수단이 되었다. 유전체학, 단백질의 유전체학, 대사조직학 등 조직학 데이터는 환자 샘플과 대량 생물의학 데이터에서 추출돼 비질병 상태와 질병 상태의 차이를 심도 있는 학습을 통해 분석하는 데도 사용할 수 있다. 질병에 영향을 미치는 단백질을 찾는 데도 사용할 수 있다.
//표현형 약물 발견
지난 30 년 동안 표적에 기반한 약물 발견은 줄곧 약물 발견의 주요 방법이었다. 최근 몇 년 동안 표형 기반 약물 발견 (바이오시스템을 직접 이용해 신약 선별) 이 주목받고 있다. 기계 학습은 세포 표형을 표형 선별에서 화합물의 작용 방식과 연결시켜 표적, 신호경로 또는 유전질환과 관련된 클러스터를 얻을 수 있다. AI 의 강력한 이미지 처리 능력은 생물학적 시스템의 모든 형태 특징을 통합하고, 약물의 잠재적 작용 방식과 신호 경로를 체계적으로 연구하여 질병에 대한 생물학적 인식을 넓힐 수 있다.
//분자 생성
기계 학습 방법은 새로운 작은 분자를 생산할 수 있다. AI 는 대량의 화합물이나 약물 분자를 배우고, 화합물의 분자 구조와 약물 성질의 법칙을 얻은 다음, 이러한 법칙에 따라 자연계에 존재하지 않는 많은 화합물을 후보 약물 분자로 만들어 일정 규모와 고품질의 분자 창고를 효과적으로 만들 수 있다.
//화학 반응 설계
AI 가 현재 진전을 이루고 있는 화학 분야 중 하나는 화학반응과 합성노선을 모델링하고 예측하는 것이다. AI 는 분자 구조를 기계 학습 알고리즘이 처리할 수 있는 형식으로 매핑하고, 알려진 화합물 구조에 따라 여러 합성 경로를 형성하고, 최적의 합성 경로를 추천할 수 있습니다. 반대로, 심도 있는 학습과 마이그레이션 학습은 주어진 반응물의 경우 화학반응의 결과를 예측할 수 있다. 인공지능은 새로운 화학반응을 탐구하는 데도 사용될 수 있다.
//복합 필터
AI 는 화합물의 화학 구조와 생물학적 활성 사이의 관계를 모델링하고 화합물의 작용 메커니즘을 예측할 수 있다. 전형적인 예는 MIT 연구원들이 심도 있는 학습을 바탕으로 새로운 항생제를 발견했다는 것이다. 연구원들은 항균 활성을 가진 분자를 예측할 수 있는 심도 신경망을 훈련시켜 며칠 동안 6543.8 억 개 이상의 화합물을 선별해 모델의 예측 점수에 따라 화합물을 분류했다. 결국 알려진 항생제 구조와 차이가 큰 8 종의 항생제를 확정했다.
//ADMET 속성 예측
약대역학 성질이 이상적이지 않은 것은 임상 연구 단계에서 약물 개발 실패의 주요 원인 중 하나이다. 심화 학습은 화합물의 관련 특징을 자동으로 식별하고, 데이터 세트의 여러 ADMET 매개변수 간의 숨겨진 관계와 추세를 평가하고, 화합물의 세포 침투성과 용해성을 예측합니다.
//약물 임상 시험
신약 개발의 가장 비싼 단계는 임상 실험 단계이며, AI 는 임상 실험의 설계, 관리 및 환자 모집에 잠재적인 응용이 있다. 자연어 처리 기술은 다양한 정형 및 비정형 데이터 유형에서 정보를 추출하여 임상 실험 기준을 충족하는 피실험자를 찾을 수 있습니다. 또한 다양한 대형 데이터 세트를 연결하고, 변수 간의 잠재적 관계를 발견하고, 환자와 실험 간의 일치도를 높이는 데도 사용할 수 있습니다. 노화는 이미 기계 학습 알고리즘을 사용하여 모든 임상 실험을 모니터링하고 관리했다.
//약물 경계
인공지능은 전통적인 약물 경계에 영향을 미칠 것이다. 규제 요구가 엄격하고 환자의 안전의식이 높아짐에 따라 약물 경계의 업무량과 비용이 크게 증가했다. AI 는 약물 불량반응을 수신에서 보고까지 전 과정을 자동화하고 약물 경계를 최적화하고 비용을 절감할 수 있다. AI 시스템을 기반으로 한 예측 능력을 통해 약물 위험 평가를 수행할 수도 있습니다.
//현실 세계 연구
인공지능의 진보는 대규모 다차원 RWD (실제 세계 데이터) 분석을 위한 새로운 전략을 제공한다. AI 는 실제 데이터의 내부 관계를 인식하고, 새로운 가정을 생성하고, 임상 실험에 새로운 정보를 제공할 수 있습니다. 가장 최근의 사례는 실제 데이터를 분석하여 AI 가 전체 생존율에 영향을 주지 않는 위험비의 포함 기준을 찾아내 임상 실험의 범위를 넓힌다는 것이다. (데이비드 아셀, Northern Exposure (미국 TV 드라마), 건강명언)
인공지능의 약물 개발 응용에는 물리적, 화학적 성격의 예측, 약물 리디렉션, 제제 개발에의 응용도 포함된다.
문제가 생기다
약물 개발에 AI 의 적용은 쉽지 않습니다. 요약하면 AI 가 어떻게 제약 시나리오에 "적응" 하는지에 대한 질문입니다.
의약업계에서는 AI 의 길을 가려면 AI 신발을 신어야 한다. AI 법은 적용 대상의 관련 조건에 대해 많은 요구 사항을 가지고 있다. 전통적인 약물 개발에 필요한 하드웨어 장비와 필요한 환경 시설 (예: 과학 기기 장비, 실험실 등) 이 필요한 것처럼. ), AI 기반 약물 개발에는 데이터, 알고리즘 및 컴퓨팅 기능이 필요하며, 이 중 데이터 요구 사항이 가장 엄격합니다.
전통 의약품 개발은 주로 실험 과학에 기반을 두고 있다. 수십 년 동안 약물 연구 개발 데이터의 기록, 관리 및 저장은 실험을 중심으로 해 왔으며, 실험의 필요에 따라 조정되었으며 데이터는 실험의 "액세서리" 입니다. AI 는 가상과학, 계산과학, 데이터과학 분야의 방법으로 데이터로 직접 시작해 데이터를 1 위에 올려놓으며 데이터 형식, 표준, 품질, 수량에 대한 내재적인 요구 사항을 가지고 있습니다. 이런 상황에서 AI 는 전통적인 약물 개발 모델의 데이터를 직접 사용하기가 어려운 경우가 많습니다.
AI 의 경우 약학 홈그라운드에 들어가려면 약학 법칙을 따라야 한다. 예를 들어, 약물 개발은 다차원 동기화 최적화 프로세스입니다. 데이터의 규모와 복잡성을 감안할 때 AI 기반 약물 개발은 간단한 호출이 아닌 기계 학습 알고리즘을 다시 작성해야 하는 경우가 많습니다. AI 와 전통 의약업계의 핵심 업무의 심도 있는 융합은 더 깊은 업계 이해와 더 높은 기술 정확도를 필요로 한다. AI 는 이미 대량의 알려진 논문과 실험 데이터에서 새로운 지식을 발굴하여 기존의 학술적 경험을 바탕으로 한 연구 방법을 바꿀 수 있었지만, 이 방법의 정확성, 해석성, 반복성은 향상되어야 한다.
게다가, 전통적인 약물 개발 모델은 비교적 완벽한 규제 정책과 산업 체계를 가지고 있다. AI 는 새로운 모델로서 의약업계에서의 응용과 탐구에도 상응하는 업계 정책과 제도가 규범화되고 인도되어야 한다.
문지 방후 소룡.
출처 중국 식품 의약품 네트워크