点链大数据中心即将正式开启

结论就隐藏在我们的视线之下吗?

要回答这个问题，我们需要更深入地研究人工智能在药物发现及相关领域中的应用情况，以了解这种新兴技术的实际与商业意义。人工智能在药物发现层面确实有着广泛应用，研究实验室基于这些技术的早期工作成果，将其转化为商业阶段，并据此探索药物开发与可学习算法之间的交集。在此过程中，英伟达公司甚至也参与其中。二者对接的重要载体之一就是计算，即在计算机中“测试”多种分子组合。另一种方法则是从潜在信息中发现洞见，这种方式在药物发现之外的领域已经比较普遍。大数据分析发展出一整套令人兴奋的新技术，能够从现有数据中提取新的洞见。例如，《自然》杂志近期提出的一种方法，就能够评估大型研究论文集中所提及的不同材料及其化学性质之间的关系。在加州大学伯克利分校以及劳伦斯伯克利国家实验室的研究当中，研究人员不再直接查看这些材料的分子数据，而是直接使用无监督学习总结其中的材料学知识，借此发现与功能需求相匹配的材料选择。在新药发现方面，这种新知识就隐藏在视线之下的思路其实非常有趣。2017年，东京中央大学的一位研究人员在《自然》杂志上发表了另一项引人注目的技术，其确定了能够与基因及药物相互作用且显著重叠的一组基因与化合物。使用此项技术，研究人员最终确定了两种有希望的治疗靶标基因，并将其蛋白质产物确定为颇具希望的肝硬化候选药物(一种常见疾病，但却几乎没有好的治疗方法)。

Big Data大数据

根据德勤最近发布的一份报告，药物发现领域的人工智能应用案例确实可以加快药物发现周期并降低药物发现成本。以往，从药物研发阶段到临床前测试阶段，整个周期往往需要五到六年。而再到实际上市则平均需要十到二十年时间，且每种药物的发现及生产成本约为20亿美元。但根据德勤公司的说法，在将新药投放市场之后，预期的投资回报率还不足2%。如果能够将药物发现的自动化程度提高，则制药行业将拥有更加丰厚的利润空间，从而降低新药的上市成本。人工智能无疑是最具前景的新药早期开发解决方案。根据德勤的报告，人工智能解决方案可以显著缩短药物发现阶段的时间需求，将从研发到临床前阶段的周期降低至以往的十五分之一。这类项目需要挖掘大量数据，而且必然涉及大量微调，因此整个过程表现得更像是科学与发现——而非工程与设计。但也许真相实际上处于这两者之间。

发现还是设计?

软件要在人类基因组计划等大规模项目中得到广泛采用，企业全面使用AI技术进行药物发现与研究，甚至说整体药物发现流程都开始由AI软件来驱动，这一切的实现时间可能并不太遥远——大约是在2030年左右。届时，从筛查到临床前测试的周期将大大缩短，而能够治疗极端特定病理的新药也将不再是“罕见的恩赐”。