自从Insilico Medicine利用生成式 AI 开发出一种治疗特发性肺纤维化 (IPF) 的药物以来，人们对这项技术如何改变药物研发的兴趣与日俱增。传统方法缓慢而昂贵，因此 AI 可以加快速度的想法引起了制药行业的注意。初创公司如雨后春笋般涌现，希望提高预测分子结构和模拟生物系统等流程的效率。麦肯锡全球研究院估计，生成式 AI 每年可为该行业增加 600 亿至 1100 亿美元的收入。但是，尽管人们热情高涨，但仍面临着重大挑战。从技术限制到数据质量和道德问题，很明显，未来的征程仍然充满障碍。本文将仔细研究生成式 AI 在药物研发中的兴奋感与现实之间的平衡。
药物研发中生成式人工智能的炒作
生成式人工智能有望大幅加速传统上缓慢而昂贵的药物研发过程，这吸引了制药行业的目光。这些人工智能平台可以模拟数千种分子组合，预测其功效，甚至在临床试验开始前就能预测不良反应。一些行业专家预测，在生成式人工智能的帮助下，曾经需要十年才能研发出来的药物将在几年甚至几个月内诞生。
初创公司和老牌公司正在利用生成式人工智能的潜力进行药物研发。制药巨头和人工智能初创公司之间的合作推动了交易， Exscientia、Insilico Medicine和BenevolentAI等公司达成了数百万美元的合作。人工智能驱动的药物研发的吸引力在于它有望更快、更便宜地创造新疗法，为该行业最大的挑战之一提供解决方案：将新药推向市场的高成本和漫长的时间。
早期的成功
生成式人工智能不仅仅是一种假设的工具，它已经证明了其产生结果的能力。2020 年，Exscientia开发了一种治疗强迫症的候选药物，该项目启动后不到 12 个月就进入了临床试验阶段——这一时间远短于行业标准。Insilico Medicine 因使用人工智能生成的模型发现用于治疗纤维化的新型化合物而登上头条新闻，进一步展示了人工智能在药物发现方面的实际潜力。
除了开发单个药物外，人工智能还被用于解决制药流程中的其他瓶颈。例如，公司正在使用生成式人工智能来优化药物配方和设计，预测患者对特定治疗的反应，并发现以前难以针对的疾病的生物标记。这些早期应用表明，人工智能肯定可以帮助解决药物发现中长期存在的挑战。
生成式人工智能是否被夸大了？
在兴奋之余，人们越来越怀疑生成式人工智能的炒作有多少是合理的，有多少是被过高的期望所致。虽然成功案例占据了头条新闻，但许多基于人工智能的药物发现项目未能将其早期的前景转化为现实世界的临床结果。众所周知，制药行业进展缓慢，将计算预测转化为有效的、可上市的药物仍然是一项艰巨的任务。
批评者指出，生物系统的复杂性远远超出了当前人工智能模型所能完全理解的范围。药物研发涉及了解一系列复杂的分子相互作用、生物途径和患者特定因素。虽然生成式人工智能在数据驱动预测方面表现出色，但它很难驾驭人类生物学中出现的不确定性和细微差别。在某些情况下，人工智能帮助发现的药物可能无法通过监管审查，或者它们可能在临床试验的后期失败——这是我们在传统药物开发方法中以前见过的。
另一个挑战是数据本身。人工智能算法依赖于海量数据集进行训练，尽管制药行业拥有大量数据，但这些数据往往杂乱无章、不完整或存在偏差。生成式人工智能系统需要高质量、多样化的数据才能做出准确预测，而这一需求暴露了该行业数据基础设施的缺口。此外，当人工智能系统过于依赖历史数据时，它们可能会强化现有的偏见，而不是用真正新颖的解决方案进行创新。
为什么突破并不容易
虽然生成式人工智能前景光明，但将人工智能生成的想法转化为可行的治疗方案的过程却是一项艰巨的任务。人工智能可以预测潜在的候选药物，但通过临床前和临床试验验证这些候选药物才是真正的挑战。
一个主要障碍是人工智能算法的“黑箱”性质。在传统的药物研发中，研究人员可以追踪开发过程的每个步骤，并了解某种药物可能有效的原因。相比之下，生成式人工智能模型通常会产生结果，而不会提供有关它们如何得出这些预测的见解。这种不透明性造成了信任问题，因为监管机构、医疗专业人士甚至科学家都很难完全依赖人工智能生成的解决方案，因为他们不了解底层机制。
此外，将人工智能融入药物研发所需的基础设施仍在发展中。人工智能公司正在与制药巨头合作，但他们的合作往往显示出不匹配的期望。制药公司以谨慎、严格监管的方式而闻名，它们往往不愿意以初创人工智能公司所期望的速度采用人工智能工具。为了让生成式人工智能发挥其全部潜力，双方需要在数据共享协议、监管框架和运营工作流程方面达成一致。
生成式人工智能的真正影响
不可否认，生成式人工智能为制药行业带来了范式转变，但其真正的影响在于补充而非取代传统方法。人工智能可以产生洞察力、预测潜在结果并优化流程，但人类的专业知识和临床测试对于开发新药仍然至关重要。
目前，生成式人工智能最直接的价值在于优化研究过程。它擅长缩小候选分子的范围，使研究人员能够将注意力集中在最有希望的化合物上。通过在发现的早期阶段节省时间和资源，人工智能使制药公司能够寻求可能被认为成本过高或风险过大的新途径。
从长远来看，人工智能在药物研发中的真正潜力可能取决于可解释人工智能、数据基础设施和全行业协作方面的进步。如果人工智能模型能够变得更加透明，让监管机构和研究人员更清楚地了解其决策过程，那么这可能会导致整个制药行业更广泛地采用人工智能。此外，随着数据质量的提高和公司开发出更强大的数据共享实践，人工智能系统将变得更有能力做出突破性的发现。
总结
生成式人工智能吸引了科学家、投资者和制药公司高管的注意力，这是有原因的。它有可能改变药物的发现方式，在为患者提供创新疗法的同时减少时间和成本。虽然这项技术在药物发现的早期阶段已经证明了其价值，但它还没有准备好改变整个过程。
随着技术的发展，生成式人工智能在药物研发中的真正影响将在未来几年显现。然而，这一进展取决于克服与数据质量、模型透明度和制药生态系统内协作相关的挑战。生成式人工智能无疑是一种强大的工具，但它的真正价值取决于如何应用它。虽然目前的炒作可能被夸大了，但它的潜力是真实的——我们才刚刚开始发现它能做什么。
原创文章，作者：王 浩然，如若转载，请注明出处：https://www.dian8dian.com/chao-yue-chao-zuo-jie-mi-sheng-cheng-shi-ren-gong-zhi-neng
