作者简介

Alex Zhavoronkov博士，Insilico Medicine的创始人兼CEO。
Zhavoronkov博士是借助GAN和强化学习从事药物创造和朽迈研究的先驱之一。

背景先容

自从打算机时期开始，科学家们就设想了全自动药物创造的可能性。
然而，只管在高性能打算、机器人技能、高通量化学合成和生物筛选、基因组学、蛋白质组学和许多其他领域取得了浩瀚进步，但药物研究和开拓的效率实际上却已经随着韶光的推移而低落;例如，2016年批准的每一种新药的研发本钱超过25亿美元，高于2013年的10亿美元。
这些技能中有许多在历史上被吹捧为变革性技能，但未能在制药研发过程中供应切实的加速和降落本钱，导致了人们对新技能的质疑。
人工智能(AI)也不例外，比如2016年，当Insilicon Medicine和哈佛大学的Aspuru-Guzik实验室首次将最盛行的当代人工智能技能天生对抗网络(GANs)推举给药物创造时，但制药业并未接管这种方法。
在会议上对产生分子构造的新系统的先容导致了对证明分子活性的实验数据的哀求，至少对付大略的目标。

随着技能的发展，研究者开始天生和合成具有特定特性的化合物，制药界开始哀求利用更困难的目标物和动物验证进行演示。
利用一个大略的开源系统对多种化合物进行额外的验证，导致了对在老鼠身上测试的单一分子的新奇性的批评。
利用当代天生化学系统快速设计的不同和新分子的进一步演示常常导致对人类临床数据的哀求。
利用人工智能创造目标也产生了类似的反应。
对特定疾病新靶点创造的演示，常日会导致哀求在最干系的疾病模型中进行实验验证，乃至在2期临床研究中进行验证。
这些哀求在本日显得十分引人瞩目，由于目前有数十种以前的药物正在进行针对COVID-19疾病的人体临床试验，险些没有直接情由打消这些药物的潜在可能性。

很明显, AI对制药行业影响的最佳展示，将是针对一种重大疾病推出一种完备利用人工智能系统设计的重磅药物: 重新靶标的识别和新分子的设计，到识别得当的患者的伴生AI生物标志物和完成临床试验的所有阶段。
然而，对付像特定癌症或纤维化这样的重大疾病，这种验证过程将须要数年和数千万美元。
事实上，分子植入医学操持在2021年进行临床试验，是在2019年利用旧算法设计的，2018年确定了目标。

这个例子描述了人工智能药物创造的紧张寻衅之一:利用本日的人工智能创造的药物将须要5-6年和数百万美元才能被制药行业接管，而用于创造这些药物的人工智能引擎每年都可能发生巨大变革。
另一个寻衅是，前辈的人工智能系统的开拓和验证须要花费数百万美元，而对付商业组织来说，寻衅是在同行评审的期刊上揭橥最新的成果会导致关键知识产权的丢失，以至于只有低优先级的观点证明系统才会被揭橥。

为了战胜这一寻衅并加速当代人工智能的采取，研究者须要探索信息技能行业用来冲破“人工智能冬天”的最佳实践。
在打算机科学领域，有一种图灵测试，哀求人类区分机器和人类，还有ImageNet，在2015年，测试图像识别准确率的算法超过了人类。
2017年，研究者建立了一个内部的图灵测试化学AI(http://www.chemistry.ai)系统评估早期天生化学管道的输出，以确保人类专家不仅喜好用AI天生的分子，而且不能真正区分机器天生的分子和那些来自高代价数据库中的分子。
为了加快人工智能在制药行业的运用，研究者必须在制药研发过程的每个阶段设计一个寻衅，让人类专家和人工智能在速率和性能上竞争。

寻衅

在这里，研究者提出了利用前辈的人工智能技能来自动设计具有预定义属性的分子的天生化学的一系列寻衅。
这一寻衅的事情流程将首先由一组专家提名独立的目标，然后利用AI进行小分子天生步骤(图1A)。
然后，人类药归天学家会对天生的分子进行评论和注释，预测它们的性子，并根据预测的活性和其他参数对它们进行排序。
随后，对最高和最低的分子进行合成和测试，并根据天生条件、人工智能的预测和专家药归天学家的预测对结果进行比较。
研究者预测，发展这个发起成为一个全面的竞争系列与许多医药化学家和AI团队的参与将是昂贵的。
然而，研究者提出了一个多相的方法，在个中一个AI平台上从一个大略的试点实验开始，例如，Insilo Medicine’s Chemistry42 (https://www.chemistry42.com)，是为一个给定的目标天生分子的寻衅。
目标最好与具有高度优先级别和高度公共利益的疾病干系，如SARS-CoV-2引起的COVID-19。
随后，人类药归天学家将被哀求对天生的分子进行注释。
末了，可能会有几个AI公司和学术机构举办一场比赛，以进一步促进这个拟议的事情流程的履行(图1B)。

图1 事情流程和寻衅

展望和结论

研究者相信，通过公开竞赛或制药公司内部活动的形式，定期组织人工智能对人类的寻衅，将有助于推动人工智能在药物研发方面的发展，让利用传统方法的科学家熟习这些新兴方法，并避免在这个迅速崛起的行业可能涌现的“人工智能冬季”。

注：作者约请感兴趣的读者和研究小组直接与他联系，如果他们有兴趣参加这个寻衅。

海内干系考试测验

为了提高天生分子的质量，中国科学院上海药物研究所刘小红和郑明月近期也开展调查问卷，他们最近开拓了一个挑选化合物构造的AI打分模型，综合考虑了可合成性和成药性两方面成分，希望能够与人类专家的履历判断进行对照比较。
每份问卷中仅包含随机的10个化合物构造，约请业界药归天学专家对化合物的合成难度和成药性进行打分，将在7月20日汇总收到的表格，统计人类专家对每个化合物的打分，同时给出AI预测模型的打分，干系的结果整理后反馈给参与者。

参与链接：http://survey.simm.cloud/m/84750648.aspx

参考文献

Alex Zhavoronkov Medicinal Chemists versus Machines Challenge: What Will It Take to Adopt and Advance Artificial Intelligence for Drug Discovery? Journal of Chemical Information and Modeling 2020 60(6),2657-2659. DOI: 10.1021/acs.jcim.0c00435