• <thead id="cw2a7"><del id="cw2a7"></del></thead>
    <optgroup id="cw2a7"><del id="cw2a7"></del></optgroup>
    <thead id="cw2a7"><s id="cw2a7"></s></thead>
  • <object id="cw2a7"><option id="cw2a7"></option></object>

    應用

    技術

    物聯網世界 >> 物聯網新聞 >> 物聯網熱點新聞
    企業注冊個人注冊登錄

    AI+藥物研發,會給市場帶來怎么的期待?

    2021-06-30 14:53 方文
    關鍵詞:AI醫療物聯網

    導讀:AI+藥物研發,正以肉眼可見的速度崛起。不論是AI技術,還是AI技術在制藥領域的應用,都是全球多個國家大力發展的領域。

    新藥研發現狀與借力AI的期待

    新藥研發具有成本高(10億左右)、研發周期長(10-12年)、成功率低(14%左右)三大高風險特性,而且制藥檢測及生產等環節也是如此。

    事實上,藥物開發的投資回報率從2010年的10%穩步下降至2018年的2%左右。

    研發周期長、成本高、成功率低已經成為新藥研發的“三座大山”。

    因此降低研發費用,提高成功率,縮短周期,開發有差異性、競爭力、技術門檻高的藥物是各大制藥公司迫切需要解決的問題。

    因此近年來,人工智能與生物醫藥的結合興起,利用AI技術的認知能力,人工智能技術很好地解決了生物主要所面臨的痛點,在多方面促使生物制藥由勞動力密集型向智能技術型轉變。

    AI技術在自然語言處理、圖像識別、深度學習和認知計算等方面的優勢可應用到新藥研發的各個環節。

    據估算,從靶點確定到臨床候選藥物環節,通過AI輔助計算的方法,可以把傳統研發方法需要的時間從3—6年壓縮到1—2年,從而大幅提升效率并節省成本。

    數據海洋中AI被寄予厚望

    新藥研發的成功率本來已經很低了,如果AI能把1%,提到2%、3%,就已經是發揮作用了。

    根據藥物研發過程,AI技術可用于靶點發現、早期藥物研發、臨床前實驗的設計與處理、臨床試驗、現有藥物再利用、信息整合與新見解輸出等多個方向。

    AI已被一些大型制藥公司視為新的藥物研發工具。構建模型和從非結構化數據中挖掘數據,被認為是人工智能在藥物發現方面最具顛覆性的領域。

    而在靶點發現和早期藥物發現具體環節,AI技術常被用于這些方面:

    分析數據集,形成假設并產生新見解;識別候選新藥;通過對比分析健康人群和患者樣本的數據來尋找新的生物標記物和治療靶點;預測分子的親和力和其他藥理特性;降低蛋白質設計的復雜性。

    在臨床前實驗的設計與處理環節,AI技術希望被用來減少實驗階段時間、降低成本和不確定性。

    一般情況下,AI制藥公司會通過分析已有數據來尋找新的研發角度,自動化樣品分析與機器云實驗室也隨之興起。

    在臨床試驗階段,AI技術被期待的用途則更多。例如,優化臨床試驗研究設計;將不同的生物醫學和醫療保健數據流轉換為代表個體患者的計算機模型;通過為個別患者提供最佳的健康干預措施,從而提供大規模個性化醫療;通過分析病歷,尋找合適的臨床試驗患者;通過個人病史和基因分析自動匹配癌癥患者的臨床試驗;改善病理分析。

    AI+新藥研發領域投資情況

    據統計,2020年全球AI+新藥研發領域的投資已經超過18.3億美元,是2015年投資額的5.4倍。

    有統計顯示,2020年全球AI+新藥研發領域的投資已經超過18.3億美元,是2015年投資額的5.4倍。

    值得一提的是,在2021Q1,就已有超10家國內外AI制藥公司完成了不同輪次的融資。

    從整體來看,目前全球共有138家AI+藥物研發初創企業,美國擁有86家,數量較多多,其次為英國及加拿大,以色列、日本、韓國也有企業分布。

    相較來說,與國外相比我國AI藥物研發起步較晚,目前尚處在初期階段。

    但近年來,隨著國內一系列政策助推,以及醫藥創新氛圍的日漸濃厚,也已經開始涌現出了晶泰科技、深度智耀、云勢軟件、望石智慧等一批創新企業。

    國內科技巨頭,除了投資相關公司以外,也做好了自己下場的準備。百度成立百圖生科、騰訊推出云深智藥;華為官網掛出的招聘藥物研發算法工程師的操作。

    AI與制藥探索磨合

    數據產生:在生物醫藥行業,包括數據可重復性在內的數據質量問題一直存在。為此,一些AI藥物發現初創公司除了使用公開來源、合作伙伴等渠道獲得的數據以外,尋求開發新的數據來源,包括自建實驗室獲取數據、將“濕實驗”的部分外包給CRO獲得數據、借助遠程機器人來生產數據等。

    數據共享:對于機器學習來說,數據量越大,預測的準確性可能就越高。為此,制藥公司嘗試組成聯盟來開展基于AI的藥物研發。

    數據治理:以新型冠狀病毒肺炎為例,新冠病毒在全球范圍內傳播的同時,眾多國家和地區呼吁共享新冠肺炎的研究數據集和相關研究文獻,并建議發布者同時提供可以直接應用人工智能的全文和數據格式,便于再次研究和分析。

    國內AI藥物研發困境

    ①從全球人才流向看,大多數AI技術人才仍匯集在美國。斯坦福大學人工智能研究所發布的《人工智能指數2021年年度報告》顯示,2019年北美人工智能專業畢業的博士中有65%進入產業界,其中有64.3%的人是國際學生。而國際學生中有81.8%的人選擇了留在美國工作。

    ②缺乏可用的高質量數據,這仍是AI技術需要邁過的一道坎。目前來看,公共數據庫內的數據并不能很好地實現建模,而高質量的數據很少且難獲取。

    ③缺乏倫理共識和完善的監管規定。目前AI技術在倫理和監管方面仍缺乏基準和共識,在制藥行業的應用亦是如此。

    結尾

    然而,任何技術的應用和推廣很難一蹴而就,螺旋式上升、波浪式前進是新事物的發展規律。藥物研發或許還需要更多更深入的探索和實踐才能真正體現AI的價值。

    作者 | 方文