根据统计,平均一种新药上市需耗费将近 15 年时间,加上 16 亿美元的花费。为了开发出一种新药,研究者必须测试成千上万种化合物,不但需要决定哪些分子会彼此结合,还需要测定这些结合的程度有多强。传统上他们要使用试误法(试估一个近似的结果,然后设法修正其误差)以及排除法来分析上千种自然或合成的化合物,而这已经算是简单的部分。然而仅仅发现化合物可有效对抗疾病是不够的,还必须在三阶段临床试验表现良好,并通过监察机构许可。
不过这样庞杂的情况也有扭转的可能。一间位于旧金山的新创公司 Atomwise 设计了一套名为 AtomNet 的系统,这套系统的目的在于将药物开发的初始阶段精简化,接手前述提到的繁重工作,他们利用深度学习预测分子结合的模拟情形,就像 AI 学会如何辨认图像。且软件还会借由辨识模式教导自己有关分子连结的一切。
AtomNet 的厉害之处可不仅如此,还记得高中时期学的 3D 模型吗?利用塑胶棒和保丽龙球表示分子的键结,此软件也利用类似的数位 3D 模型,综合有关结构的资讯去预测分子的生物活性。
显然“快”这个形容词还低估了 AtomNet 的能力。若用传统方法要花上数天才能分析完 100 万种化合物,靠着 AtomNet 在一天之内就可以完成。当然它也不是如此完美无缺,若真是如此,可能就要换科学家烦恼了。因为它无法发明新药,甚至无法证明分子只要能结合就可以创造出有效的药物。它能做的就只是预测分子对抗疾病的可能性有多高,然后科学家再利用预测结果将上千种化合物的范围缩小至数十种,甚至更小,这样一来他们就可以更专注于成功率更高的分子上。
也许有人会怀疑这套软件仍处于开发阶段,上述的功能都只是理论。事实上,AtomNet 已经协助开发出两种新药分别对抗埃博拉病毒和多发性硬化症,证明了它惊人的实力。对抗后者的药物已经在英国制药公司获得许可,而埃博拉病毒的药物则提交给同行审查的期刊,以便进行更多分析。
AtomNet 固然是一项极具潜力的科技,它能使药物开发变得极为快速与简便,但我们不得不注意的是,未来的方向将会致力于预防医疗,而不仅是“对症下药”。两者的差异在于,前者将焦点放在监控身体健康并采取必要措施预防人类得病,这样的医疗方式可谓前景兴盛。最近,致力于赞助和举办公共竞赛以推动技术创新的 XPRIZE 基金会,赞助 250 万美元给强化居家医疗和个人化医疗装置的研发,显示预防医疗的普及性逐渐增加。但这并不代表传统的诊断方式不应进步,50 年后甚至 100 年后人们仍会生病,依然有药物治疗的需求。AtomNet 只是药物开发的先驱,相信之后就会有更多人工智能科技跟上它的脚步,解决更艰钜的挑战。
- Drug Discovery AI Can Do in a Day What Currently Takes Months
(首图来源:Flickr/e-Magine Art CC BY 2.0)