AI找靶点新药有望“快一点”
![AI找靶点新药有望“快一点”](/pic/13/jk_mjim00450s.jpg)
在位于广州科学城的一个实验室里,肿瘤药物研发专家黄文林教授正忙着研发新的抗肿瘤药物。“这两种创新的靶向抗肿瘤药物正在进行临床I期研究,AI在其中发挥了重要作用。现在从早期靶点到临床前点,通常只需要3~6个月就能筛选出候选化合物,而以前至少需要2~3年。这种效率在以前是不可想象的。”黄文林说。
连日来,记者了解到,AI加速了新药研发,几乎参与了从药物靶点发现到临床试验的全过程。一些头部新药RD企业也表示,AI可以提高药物疗效和安全性的预测准确率,从而提高药物RD的成功率,降低成本。如今,新药的RD周期可以从12到15年缩短到10年以内。
用人工智能辅助肿瘤药物研发:
“未来会有更多的肿瘤成为慢性病”
AI技术在生物医药领域的应用涉及新药研发、辅助治疗、基因治疗等,其中新药研发在全球医疗AI市场份额最大。
黄文林说,药物研发有四个阶段:靶点选择和验证、化合物筛选和中试优化、临床前研究和临床试验。最难的一步是目标验证,尤其是核心目标。“如果你把疾病比作一把锁,那么目标就像一个锁芯。如果你找到了锁芯,研究了它的内部结构,就可以研制出一把钥匙,而这把钥匙就是一种新药。”
据黄文林介绍,最近五年,国际上的抗肿瘤新药,无论是靶点发现还是临床阶段,都有AI的参与。“以肿瘤药物研发为例,传统的高通量筛选库通常包含数百万个化合物。最初的筛选过程可能需要数百万美元,耗时数月,随后的先导化合物优化可能需要数年时间来确定临床前候选药物。但在AI的帮助下,虚拟化合物可以在几天内筛选出数十亿分子的库,通过AI计算预测和识别临床前候选化合物可能只需要几个月到一年的时间。”
黄文林表示,目前,几乎所有蛋白质的结构都可以通过AI智能平台进行预测,AI根据所需结构计算出的分子序列逆向研究也取得了实质性进展。大多数疾病的病因都与蛋白质的功能紊乱密切相关。“比如大家熟知的丙肝抗病毒药物的研发,就是在AI的支持下,根据丙肝病毒的特性研发出了抗病毒药物,从而减缓了丙肝向肝癌的进展。这些药物直接作用于丙型肝炎病毒的三个靶点。药物进入病毒后,与相应的靶蛋白结合,使其蛋白表达发生变化,失去毒性。”
“癌症药物的研发是一个反复试验的过程。AI不断尝试通过试错找出肿瘤靶点的蛋白质特征,然后找到与这种蛋白质特征有亲和力的蛋白质,使其蛋白质表达发生变化,肿瘤从高危害性变为慢性疾病,只需要长期用药。”黄文林说。
他认为,AI将是未来药物研发最显著的技术红利之一,它可以将药物研发周期从12到15年缩短到10年以内。
让罕见病“有药可治”;
几何级提高基因序列筛选效率
近年来,清华珠三角研究院人工智能创新中心主任韩岚清一直在用AI帮助罕见病的研发。“我们与一家国内公司合作,生产罕见眼科疾病的对症药物。使用我们的高通量衣壳蛋白筛选技术,我们可以几何级地提高基因序列筛选的效率,帮助制药公司更快地找到罕见病的靶点。”
韩岚清介绍,罕见病治疗的关键是找到致病基因。传统的研究方法犹如大海捞针,而AI可以预测实验结果,提高药物研发效率。“例如,作为基因治疗领域最常用的病毒载体之一,新型腺相关病毒在多种罕见疾病适应症方面取得了进展。目前,我国已有8种适应症罕见的AAV药物获准临床使用,主要集中在神经系统、眼科和血液系统疾病。”
韩岚清表示,罕见病之所以成为药企基因治疗的最佳选择,是因为80%以上的罕见病都是单基因突变的遗传病,基因治疗可以最大程度的针对病因,因此AI可以在罕见病药物研发中发挥突出作用。
这种衣壳蛋白筛选技术可以帮助制药公司开发治疗罕见疾病的“孤儿药”。“如何将目的基因安全有效地输送到人体内,是基因治疗的关键瓶颈。因此,对AAV衣壳蛋白的改造是重中之重。目前,最重要的衣壳蛋白改造方法是人工智能辅助定向进化。利用AI深度学习技术指导基因治疗递送载体AAV衣壳蛋白筛选,可以从10亿个基因中筛选出10万个候选突变体,效率提升几个几何数量级。有望成为国内AI在基因治疗递送载体AAV的首个场景化应用。”韩岚清表示,目前这种AI辅助筛选技术已经被国内30多家药企使用。他预测,到2025年,有望有5~10种针对罕见病的药物进入临床试验。
韩岚清表示,如果这种筛查方式能够普及,不仅可以让罕见病“有药可医”,还可以大大降低药物研发成本,让更多患者用得起。
制药企业:
AI大幅降低新药研发成本
某人工智能药物研发企业联席CEO兼首席科学官任峰告诉记者,AI在新药研发中发挥着重要作用。“基于不同的策略,AI算法赋能药物研发的不同领域,包括:靶点发现、旧药新用、化合物筛选、分子设计与优化、蛋白质-蛋白质相互作用、晶型预测、剂型设计、ADMET预测、临床前实验结果预测、辅助临床实验设计、患者招募分组等。”
使用自主研发的人工智能平台Pharma。艾公司启动了30多个研究项目,涵盖肿瘤、纤维化、免疫和中枢神经系统疾病等多个领域。其中,7个研究项目在一年内从立项推进到临床前研究阶段。
任峰介绍,所有自研管道中进展最快的是第一个肺纤维化新药。抗肺纤维化候选药物是艾在全球发现的第一个全新靶点的小分子抑制剂和新化合物。2021年11月,该项目进入微剂量组人体试验阶段,2022年5月获得国家医疗用品管理局批准,正式进入我国I期临床试验,成为国内首个进入临床阶段的AI药物。“所有受试者都结束了给药,今年年底就能拿到临床一期数据,明年就能推进到临床二期。”任峰说。
任峰表示,AI药物研发作为新药研发的新突破,与传统药物研发周期数年、单个药物研发投入数十亿元相比,可以大大节省时间和经济成本。以该企业进展最快的特发性肺纤维化项目为例。整个项目从发现目标到提名临床前候选化合物仅用了18个月,耗资260万美元;在传统药物研发中,这个过程需要四年半甚至更长时间,成本会高达数千万美元。
“艾制药”任重道远:
缺乏高质量的数据仍然是最大的瓶颈。
与此同时,AI辅助新药研发仍面临诸多挑战。黄文林表示,AI在新药研发中的应用面临诸多挑战。“从政策上看,AI辅助新药研发颠覆了原有的药物研发模式,但目前还没有针对性的政策引导;从数据的角度来看,AI模型是基于数据学习的。如果数据学习导致结果的不确定性,也可能导致新药研发结果的不确定性。虽然化学数据可以大规模获得,并在大多数情况下成功用于配体设计和合成,但这些数据并不能满足AI药物发现的需要。因此,未来需要更多高质量化合物的数据,包括体外活性、毒性指数等。后期还需要化合物的动物实验药效学数据。”
韩岚清还表示,AI深度学习通常需要庞大的数据集进行训练,高质量的数据仍然是稀缺资源。“我国创新药物研发起步较晚,算法和计算能力的突破还需要一段时间。高通量数据不足,数据质量参差不齐,算法准确率低,都给AI在药物研发上带来困难;另外,行业内的复合型人才也非常缺乏,‘懂算法的不知道怎么做药,懂药的不知道算法’。”
他表示,AI参与药物研发仍然集中在前端环节,在临床环节的渗透率仍然较低。“我们需要让更多高质量的候选化合物进入临床,更好地验证目标,提高临床成功率,以推动人工智能辅助药物研发进入深化阶段。”
免责声明:该文章系本站转载,旨在为读者提供更多信息资讯。所涉内容不构成投资、消费建议,仅供读者参考。
- 精选图集