商都网-河南商业门户网站
  • 微信
  • 抖音

AI主导设计的创新药何时上市

人民网

“AI提速增效作用是肉眼可见的、实打实的。AI正推动智能设计、实验验证与临床反馈紧密协同,改变新药研发范式,帮助更多患者早日用上好药。”牛张明说。

“我认为,未来AI创新药最值得期待的突破之一,是帮助我们发现过去未被认识的疾病机制和药理作用,开发出疗效更好、安全性更高、真正具有临床价值的创新药物。”合肥综合性国家科学中心大健康研究院高级研究员宋明虎告诉记者。

如今,AI制药不再局限于围着已知靶点 “做文章”,而是能够从海量生物数据中“揪出”此前被忽视甚至从未发现的新靶点,建立靶点和疾病之间的关联,打开新药研发的新空间。

“如果一位研究人员过去一辈子能对100个靶点进行筛选评估,那么有了AI,他可以做1000个。”药物牧场联合创始人兼首席运营官许枞用“放大效应”解释AI为创新药带来的实质性提升。

据许枞介绍,药物牧场利用AI已在乙肝、心血管疾病、肾病等疾病领域识别20个潜在新靶点,正在推进多个首创新药进入临床阶段。

靶点锁定之后,研发迈入分子设计环节。AI进行蛋白质预测与设计则是另一项具有里程碑意义的突破。

此前,美国人工智能公司DeepMind研发的AI系统AlphaFold破解了困扰人类50年之久的“蛋白质折叠问题”,使科学家能够在没有晶体结构的情况下,高精度预测天然蛋白质的三维构象。“这可谓根本性突破,对科研人员弄清引发某些疾病的机制作用非常大。”宋明虎说。

包括2024年诺贝尔化学奖得主、美国华盛顿大学教授戴维·贝克在内的科学家们开发的生成式AI系统RFdiffusion(RFD),能够从头设计自然界尚未发现的蛋白质。今年10月发布在《科学》杂志的报道称,RFdiffusion3(RFD3)能够直接从原子层面设计蛋白质和核酸,其生成蛋白质结构的速度约为第二代系统的10倍。

研发人员期待的下一个突破,是借助AI推动药物研发从静态蛋白结构研究走向动态构象分析,为过去难以成药的棘手靶点寻找新的干预可能。

以过去公认的“不可成药”靶点KRAS为例。作为最常见的致癌驱动因素之一,KRAS基因突变与多种癌症的发生发展密切相关。

攻克KRAS的难点之一在于,其部分可供药物结合的口袋在传统静态结构中并不明显,而是在特定构象状态下才会出现。科学家通过共价化学探针和结构生物学实验发现了KRAS G12C的隐藏口袋,为后续抑制剂开发奠定了基础。

“最初发现这一口袋并不是AI的贡献。但如今,AI模型可以生成蛋白质在不同时间与构象状态下的动态轨迹,帮助研究人员探索隐藏口袋如何形成、开放和关闭。这有望揭示传统静态结构研究难以捕捉的潜在结合位点,为难成药靶点的药物设计提供新思路。”上海科学智能研究院AI科学家杨自雄告诉记者。

尽管AI已展现出颠覆性潜力,但在业内人士看来,完全由AI主导的新药研发仍面临多重现实障碍。

采访中记者发现,行业内主要面临两大核心难题。

一是缺乏能够支撑因果推断的高质量动态与干预数据。当前AI制药使用的数据涵盖蛋白质结构、分子活性、多组学和细胞实验等多个层面,但许多数据缺乏连续时间观测、明确的实验干预条件及跨尺度关联信息,因此难以完整重建从分子作用到细胞响应的因果机制。

“研究生命系统的因果机制,仅仅知道某个时间点发生了什么是不够的,还需要了解系统如何随时间演化,以及在不同干预条件下如何响应。”杨自雄以抗癌药物作用于肿瘤细胞为例解释道,若实验仅在给药后某一时间点采样,就很难重建从药物结合、信号传导到细胞表型变化的完整过程。

此外,蛋白质、细胞、组织和器官尺度的数据与模型尚未充分贯通,进一步增加了跨尺度机制解释的难度。

“要增强AI对生命系统的因果理解,需要建设具有较高时间分辨率、明确干预条件和标准化实验记录的高质量数据集。”杨自雄表示,这需要自动化实验、高通量检测、动态多组学采集及标准化数据治理等技术共同支撑。

二是“湿实验”验证跟不上。AI能在一夜之间生成上万个成药假设,而人类验证这些假设的速度仍相对滞后。

AI使计算机模拟的“干实验”效率显著提速——在电脑上建模、筛选分子,通过更新模型、算法或计算参数快速迭代。但归根到底,药物还要回到“湿实验”进行线下最终验证——在实验室里动手做实验。真实实验往往成本高、周期长,无法像计算机那样快速迭代,目前“湿实验”验证速度并没有因为AI的出现而大幅加速。

相关推荐