隨著 AI 向各行各業(yè)逐漸深入地滲透，“AI + 醫(yī)療”近年來在健康管理、醫(yī)學影像、輔助診斷等應用場景方面取得了不少進展，而極具技術壁壘的新藥研發(fā)場景仍然還是一片藍海，由此也博得了產(chǎn)業(yè)界和資本界的高度關注。

目前，“AI + 新藥研發(fā)”的入局者主要有兩類：一類是以 Insilico Medicine、Atomwise 等為代表的初創(chuàng)企業(yè)，團隊以生物計算交叉背景居多，發(fā)展勢頭強勁；另一類是已經(jīng)具備先進的 AI 技術能力，后向醫(yī)學領域溢出的互聯(lián)網(wǎng)科技公司，比如谷歌和賽諾菲聯(lián)合推出藥物研發(fā)虛擬創(chuàng)新實驗室，微軟宣布與諾華進行為期 5 年的 “AI + 藥物研發(fā)” 合作。

在國內(nèi)，騰訊也加入了這一行列，此前，騰訊曾多輪投資做藥物晶型預測的晶泰科技。本月初，騰訊首席運營官任宇昕在 “世界人工智能大會 2020 云端峰會” 對外宣布進軍 “AI + 新藥研發(fā)” 領域，其自主研發(fā)的 AI 藥物發(fā)現(xiàn)平臺 “云深智藥（iDrug）” 正式亮相。

兩個模塊已開放使用

“云深智藥” 緣起于 “只在此山中，云深不知處”， 道出了新藥研發(fā)的復雜過程。眾所周知，新藥研發(fā)周期一般為 14 年，研發(fā)費用超過 10 億美元，且研發(fā)成功率低，原研化藥研發(fā)成功率約 6%。

圖 | “云深智藥”藥物發(fā)現(xiàn)平臺（來源：“云深智藥”官網(wǎng)）

“云深智藥”是一個小分子藥物發(fā)現(xiàn)平臺，其功能模塊覆蓋臨床前新藥發(fā)現(xiàn)的全流程，包括蛋白質(zhì)結構預測、虛擬篩選、分子設計 / 生成、ADMET 預測及合成路線規(guī)劃五大模塊。平臺已于 7 月 8 日上線虛擬篩選和 ADMET 性質(zhì)預測兩個模塊，供用戶免費使用；蛋白質(zhì)結構預測、分子設計 / 優(yōu)化、合成路線規(guī)劃等模塊將陸續(xù)在年內(nèi)上線。官方稱，除了能夠免費使用平臺搭載的核心功能外，藥企、科研機構還可以與騰訊共同開發(fā)定制化的 AI 工具。

圖 | “云深智藥”五大模塊，目前虛擬篩選和 ADMET 性質(zhì)預測兩個模塊已開放上線，供用戶免費使用 （來源：“云深智藥”官網(wǎng)）

騰訊告訴生輝，目前 “云深智藥” 平臺上已經(jīng)在運行十個左右研發(fā)項目，包括篩選抗新冠病毒藥物的相關研究等。其合作伙伴主要包括高校等科研機構和醫(yī)藥研發(fā)企業(yè)（包括國內(nèi)外知名藥企）。

“云深智藥”是騰訊以 AI 技術賦能藥物發(fā)現(xiàn)的首個產(chǎn)品，由騰訊 AI Lab 打造。騰訊 AI Lab 于 2017 年開始 “AI + 醫(yī)療” 探索，從影像篩查、病理診斷、再到 2019 年初啟動了藥物研發(fā)項目。今年 7 月 21 日，騰訊對外披露了其在醫(yī)療健康領域的最新進展。鐘南山院士團隊與騰訊 AI Lab 聯(lián)合發(fā)布了一項利用 AI 預測 COVID-19 患者病情發(fā)展至危重概率的研究成果，可分別預測 5 天、10 天和 30 天內(nèi)病情危重的概率，有助合理地為病人進行早期分診。

當被問及緣何加入 “AI + 新藥研發(fā)” 領域，騰訊回答：“數(shù)字化、智能化的藥物研發(fā)方法已展示出重要的潛力和價值；同時，在 “AI + 醫(yī)療” 領域，騰訊已經(jīng)積累了一定的前沿算法、數(shù)據(jù)庫優(yōu)化和計算資源上的優(yōu)勢，希望通過整合自身的研究能力與應用經(jīng)驗，打造 AI 驅(qū)動的新藥研發(fā)平臺，用技術助力藥企與科研機構，縮短藥物研發(fā)周期，提高藥物研發(fā)流程的效率和準確率?！?/p>

“AI + 新藥研發(fā)”是一個交叉學科領域，只有精深的 AI 技術遠遠不夠，生物學以及物理化學等知識體系與藥物發(fā)現(xiàn)平臺息息相關。對此，騰訊向生輝透露了其團隊構成，其團隊成員包括來自頂級科研機構和知名藥企的生物醫(yī)藥專家，和國內(nèi)外一流高校的 AI 算法科學家（以 AI 相關專業(yè)博士為主），以及平臺系統(tǒng)技術開發(fā)工程師。

平臺優(yōu)勢

騰訊稱：“該平臺的一大優(yōu)勢在于各功能模塊為用戶提供騰訊自研的創(chuàng)新算法，其算法準確度達到國際領先水平，能更高效率、高質(zhì)量地完成研發(fā)任務。比如在蛋白質(zhì)結構預測模塊，平臺的自研算法在國際權威的 CAMEO 大賽中獲得驗證，比分大幅超越其他頂級學界與企業(yè)隊，保持了月度及周度冠軍。在藥物虛擬篩選和 ADMET 性質(zhì)預測上，平臺的自研算法也在多個公開數(shù)據(jù)集上取得了較高精確度、突破了業(yè)界標準。還提供數(shù)據(jù)庫 – 算法 – 算力一體化服務，藥企、科研機構登錄平臺即可開展研究，不需要再自行部署計算資源，從而能快速地將 AI 能力引入現(xiàn)有的研發(fā)流程中?！?/p>

CAMEO 平臺提供蛋白質(zhì)結構預測、三維蛋白質(zhì)結構質(zhì)量評估和氨基酸殘基接觸預測評估，采用由蛋白質(zhì)結構預測社區(qū)制定的質(zhì)量評估標準。它是全球預測蛋白質(zhì)結構領域最權威的測試平臺，也是全球唯一的蛋白質(zhì)結構預測自動評估平臺。在與包含華盛頓大學、密歇根大學在內(nèi)的 35 支頂級學界與企業(yè)隊的較量中，“云深智藥”在半年內(nèi)奪得五次月度冠軍。

圖 | 騰訊算法測評（來源：https://cloud.tencent.com/developer/article/1658085）

根據(jù)騰訊的介紹以及平臺官網(wǎng)數(shù)據(jù)，以 “云深智藥” 已開放的虛擬篩選模塊為例，其具體功能是：

基于配體的藥物設計方法（ligand-based drug design，LBDD）是虛擬篩選的常見方法之一，指的是從已知有活性的配體小分子結構出發(fā)，學習和建立分子結構與活性之間關系的模型，用來預測新化合物的活性，適用于在靶點和晶體結構不明確的情況下篩選分子。目前，該模塊支持對 920 個蛋白質(zhì)靶點相關的 2224 個生物測試實驗進行活性預測和分子篩選。

具體使用流程是：

第一步，在不知道 Assay ID 的情況下，通過靶點選擇相關 Assay，輸入靶點后再勾選相關的 Assay ID；在知道 Assay ID 的情況下，通過直接指定的方式選擇 Assay ID 列表，點擊 “Assay” 選項輸入 Assay ID，系統(tǒng)會根據(jù)輸入的前綴給出相關候選 Assay ID；

第二步，選擇 Safety Panel Assay；

第三步，選擇 Kinase 相關 Assay；

第四步，選擇分子庫；

第五步，設置好上述參數(shù)以后，點擊提交任務；

第六步，查詢?nèi)蝿战Y果，點擊歷史記錄按鈕，并以 csv 文件的格式導出。

圖 | 基于配體的藥物設計方法操作流程（來源：“云深智藥”官網(wǎng)）

平臺開放的另一個模塊，ADMET 性質(zhì)預測，指的是對藥物的吸收、分布、代謝、排泄和毒性性質(zhì)的全面研究，藥物早期的 ADMET 性質(zhì)預測可以明顯提高藥物研發(fā)的成功率。目前，ADMET 模塊已經(jīng)上線了 50 個模型（包括 12 個基本理化性質(zhì)和 38 個 ADMET 性質(zhì)）。通常，計算 100 個分子需要大約 3 分鐘。

具體操作流程是：

第一步通過分子式編輯器、SMILES 表達式和上傳分子式文件等方式輸入數(shù)據(jù)；

第二步，輸入數(shù)據(jù)后，會顯示預測結果（主要包括 3 個部分即分子結構圖、基礎屬性和 ADMET 屬性），然后把預測結果保存為 csv 格式導出；

第三步，用戶可以查詢歷史記錄；

第四步，查看 ADMET 屬性。

圖 | ADMET 預測流程（來源：“云深智藥”官網(wǎng)）

數(shù)據(jù)及可解釋性問題帶來的挑戰(zhàn)

雖然 AI 技術通過深度學習算法，加快新藥研發(fā)進程，但是也存在著一系列局限性。比如說 AI 對數(shù)據(jù)樣本依賴大（但是很多數(shù)據(jù)掌握在藥廠和醫(yī)院手中）以及預測指標單一，這些往往是藥物發(fā)現(xiàn)的重要制約條件。當前，國內(nèi) “AI + 新藥研發(fā)” 起步相對較晚，研發(fā)周期相對較長，加上算法需要大量的數(shù)據(jù)積累，短期之內(nèi)企業(yè)難以盈利。目前，還沒有一家 AI 藥物研發(fā)的成功案例，也還沒有一款 AI 研發(fā)的藥物被批準上市。此外，傳統(tǒng)醫(yī)藥行業(yè)對于 AI 驅(qū)動藥物研發(fā)也不乏質(zhì)疑之聲，這些都為 “AI + 新藥研發(fā)” 增添了一抹不確定性。

談及如何克服 AI 存在的局限性，騰訊認為：“‘云深智藥’平臺使用的分子大數(shù)據(jù)，基于現(xiàn)有公開數(shù)據(jù)集，且進行了多個環(huán)節(jié)的精細清洗整理工作，得到可以用于直接構建深度學習模型的藥物分子大數(shù)據(jù)集，從而幫助用戶解決了數(shù)據(jù)難以對齊、字段缺失較多、總體質(zhì)量不佳等開源數(shù)據(jù)集的常見問題。此外，平臺還可提供本地版本等靈活的部署形式，藥物企業(yè)和研究機構利用自有數(shù)據(jù)開展研究，數(shù)據(jù)安全能得到有效保障。”

“從目前情況來看，藥物研發(fā)行業(yè)既希望 AI 能幫助改變藥物研發(fā)的漫長過程和低成功率，也要求此類工具能充分驗證自身能力并提供可解釋性?！粕钪撬帯脚_很重視 AI 的可解釋性問題。比如在在分子屬性預測問題上，模型缺可解釋性就是一大挑戰(zhàn)。該平臺的 ADMET 模塊，可以在精確預測分子屬性的同時，給出模型預測的依據(jù)，提高模型的可信度?！?騰訊補充道。

AI 畢竟不是魔法，無法點石成金?！癆I + 新藥研發(fā)”亦是如此，還需要長期的沉淀。騰訊此番入局 “AI + 新藥研發(fā)” 能否幫助找到“云深之處”，同樣也需要時間來證明。

來源：麻省理工科技評論