雲栖号資訊：【 點選檢視更多行業資訊】
在這裡您可以找到不同行業的第一手的上雲資訊，還在等什麼，快來！
過去的幾十年中，人工智能（AI）已經從科幻小說中的故事變成了一種非常真實的力量。這種力量可能，甚至已經颠覆了地球上的幾乎所有行為。AI可以幫助我們為汽車，飛機和太空飛船導航，在網飛（Netflix）上推薦電影，并促進了其他大大小小、數以百計的變化。
那麼，盡管可以随意使用計算機和諸如AI之類的工具，為什麼制藥業這樣一個生死攸關的行業，卻幾乎沒有受到任何影響？
專家們認為，制藥行業現在仍然是效率最低的行業之一，可以說是對科技進步最後的抵抗。理由是，盡管其他行業正在變得更高産高效，專家發現制藥業的效率自1950年代以來就在持續下降。
舉個例子，現在将一種新藥，或者說一種新分子實體（NME）推向市場，成本超過26億美元。這些成本，以及許多失敗的藥物開發成本，最終都會直接轉嫁給你我——患者，消費者和納稅人。
這篇文章既不是對AI不切實際的炒作，也不是同樣不切實際的懷疑，而是讨論了傳統制藥行業面臨的挑戰。如今AI在藥物發現過程中的應用，以及最後，新的科技和流程是否有潛力革新制藥行業。
一場豪賭：傳統藥物發現
為了了解AI在小分子藥物發現領域的潛能和局限，首先要了解制藥公司一直以來是怎樣進行藥物發現的。
如前面所說，制藥業是地球上風險最高的行業。小分子藥物發現可以分成以下幾步：科學家先建立疾病假說，發現靶點，設計化合物，再展開臨床前研究。這些平均需要五年時間，可能要花費數億美元。臨床開發過程可能再需要五年，以及另外幾億美元的投入。在這個過程中，藥物需要經過臨床I期（安全性），臨床II期（有效性），和臨床III期（大規模的安全性和有效性）的測試。
藥物發現和開發階段
是以，藥物發現更像是一個分子的賭場。在這場輪盤賭中，有超過2000種可能開發成藥物的靶點，數千種疾病，而每位患者在某種程度上都是獨一無二的。為特定的患者亞人群選出正确的靶點極其複雜，是以每種選擇的賠率極高。這就是為什麼輪盤賭很少能帶來豐厚的回報，而玩家必須習慣失敗。
盡管在制藥行業這場輪盤賭中下注的都是全世界最聰明的人，他們仍然99%的時間都在輸。每次賭博都至少8年之後才能揭開勝負，在前4年中你可以更改賭注，而在之後4年，臨床試驗開始了，你隻能選擇放棄之前的投資以減少損失，或者追加賭注來進行更多的試驗。而通常在前4年中下注的，和在臨床試驗中放棄或加注的并不是同一個人。
AI的作用：輔助，希望還是炒作？
面對這些荒唐的賠率和如今資料密集的環境，你也許會以為既然制藥公司希望以更大的幾率開發出可以上市的藥品，AI是一個完美的選擇。然而，盡管科技進步颠覆了移動通訊，個人電腦，網際網路和基因測序等等領域，開發新藥的成本卻在穩步上升。
實際上，“AI可以降低賠率”對制藥行業來說是一個喜憂參半的說法。一方面，它為這個領域吸引了更多投資和更多人才。但是，随着炒作愈演愈烈，藥物開發成本卻一路走高。是以這種說法引起了越來越多的懷疑。制藥業的資深人士曾見證過看起來很有希望的技術突破卻并沒有帶來研發水準的顯著提高。是以，他們甯願在現有藥物發現過程的整個流程中逐漸提升内部能力，而不是在某一種新技術上下重注。
AI到底是希望還是炒作的争論一直在繼續。事實上，從作者開始從事AI藥物發現以來，新的文章或者分析報告每天都會出現，不斷地讨論AI的前景。一方面，AI專家們宣稱革命即将到來，而另一方面，對AI存疑的藥物研發專家們則把科技的新進展通通降格為炒作。
這也是為什麼大多數行業專家對AI的前景持懷疑态度，包括深度學習。
用深度學習“洗白”AI
有很多證據可以表明，“AI可能拯救制藥行業”不僅僅是一句炒作。作者尤其看好一種深度學習模型——生成對抗網絡（GAN）。
雖然有些想法可以追溯到1990年代，生成對抗網絡的第一篇論文2014年才由Ian Goodfellow發表，他也是以被稱為“GAN之父“。可以看出，GAN還是一個比較新的概念。顧名思義，GAN可以被想成兩個深層對抗網絡之間的競争。生成器（generator）會根據需要的條件來建立新的資料，而判别器（discriminator）會測試生成器的輸出是否是為真。這項技術一問世就推動了一些有趣的研究。2016年，一些團隊使用GAN根據自然語言生成了真實的圖像。比如，如果給出一些描述：”這隻小鳥的胸和冠是粉色的，主翼羽和副翼羽是黑色的“，那麼GAN就會生成，或者說“想象”出大量具有這些性質的鳥類圖像。
與此同時，作者在Insilico的團隊開始研究GAN是否可以用于發現新型化學結構或分子，以實作在制藥行業中應用。從鳥類圖像和換臉APP到超高精度的新分子設計，聽起來也許不太合邏輯，但作者和他的團隊在2016年發表的一些早期論文相當成功。從那時起，他們釋出了大量的生成方法，并開始嘗試将它們與深度強化學習相結合。但盡管在多個會議上發表了數十篇論文和演講，許多制藥行業的計算化學和藥物化學專家仍然對此保持懷疑。
這些懷疑也并不是空穴來風。如果要清晰地證明生成方法會對制藥行業産生重大影響，唯一的方法就是選則一種影響了數百萬人的疾病（僅僅罕見病是不夠的），以完全無人幹預的方法，僅靠AI發現一個全新的生物靶點，再無人幹預地用AI為這個靶點生成新的分子，然後寄希望于這個分子能夠通過生物測定，動物實驗，最終，人類實驗。
證明AI在藥物發現中的價值，需要靶點确認，分子生成，實驗驗證這一完整周期
這樣的壯舉在學術界幾乎不可能實作，因為它花費甚巨，而且需要分析開發、化學合成等各個領域的專家。同樣，初創公司也很難做到。作者的預測是，他們會在今年或者明年做到這一步——針對一個重大疾病，找到絕對創新的靶點，絕對創新的分子，在實驗室環境中進行疾病相關的測定。在兩到三年後，這些分子會經過臨床II期驗證。隻有那時，懷疑論者才會滿意。但那都是幾年之後的事了。
人工智能在制藥行業的未來
作者毫不懷疑AI将來可以創造出人類急需的藥品，改善健康，治療疾病。無論是生成強化學習等方法的結合，還是量子計算的迷人前景，都讓他對未來充滿信心。然而，他不想假裝沒看到眼前的困難——生物學很複雜，化學很複雜，臨床試驗也很複雜。同時在三個領域取得成功簡直不敢想！
涵蓋藥物發現和開發所有領域的“制藥行業AI大腦”
他還相信，AI在制藥行業成功的關鍵是大規模整合現有的系統，從合識别生物靶點，設計新分子，到提供個性化治療和預測臨床試驗結果。
我們需要一個強大的“制藥大腦”，來跨越藥物發現和開發長達十幾年的周期，把臨床資料帶回到最初發現靶點的時候。
完成這些設想可能需要很多年。從事AI藥物發現的科學家們需要精通藥物發現的各種政策，才能為小分子藥物開發顯著提速。
最近的新冠病毒大流行暴露出如今傳統制藥方法和AI制藥方法的無能為力。作者估計再過四個月，所有FDA準許的藥物中（再加上漂白劑，紫外線，還有一些強一點的光），有百分之十都會被重新包裝成新冠病毒的治療方法。然而到時新藥開發估計還沒走到臨床前研究這一步。要想大大加快藥物發現的速度，AI和實驗室自動化還有很長的路要走。
相關報道：
https://www.forbes.com/sites/cognitiveworld/2020/04/30/ai-hype-or-ai-hope-when-will-ai-disrupt-the-pharmaceutical-industry/#1599996cef42【雲栖号線上課堂】每天都有産品技術專家分享！
課程位址：
https://yqh.aliyun.com/live立即加入社群，與專家面對面，及時了解課程最新動态！
【雲栖号線上課堂 社群】
https://c.tb.cn/F3.Z8gvnK
原文釋出時間：2020-05-13
本文作者：Bing、Andy
本文來自：“
大資料文摘”，了解相關資訊可以關注“
”