订阅
纠错
加入自媒体

快速识别致病蛋白提高制药效率 ,AI或成医学产业的未来药神?

2020-03-24 10:53
将门创投
关注

在制药过程中,药物被淘汰的原因众多,其中之一就在于其对细胞色素P450的消极抑制作用。细胞色素P450是一组主要在肝脏中产生的酶,通常被称为CYP450,参与分解化学物质,防止它们在血液中积累到危险的水平。然而,事实证明,许多实验药物都能抑制CYP450的产生,这种的副作用会使药物对人体产生毒性。

制药公司一直依赖于传统医学工具来预测药物是否会抑制患者体内的CYP450,比如在试管中进行化学分析,观察CYP450与具有化学相似性的药物之间的相互作用,以及在小白鼠身上进行实验。但是这样的预测可能并不准确。在某些情况下,CYP450相关毒性只有在人体试验中才会被发现,导致付诸的金钱多年的努力白费。就在这个关键时刻,AI制药重新进入了大众视野。

弥补传统制药弊端,AI制药效率大幅提高

制药的低效率引出了一个更严肃的问题:至少20年来,价值1万亿美元的全球制药行业一直处于药物开发低迷、生产率下滑的状态。制药公司的金钱投入越来越多——10家最大的制药公司现在每年花费近800亿美元——研发出的有效药物却越来越少。十年前,若投入一美元来研发药物,就能收到10美分的回报;如今,收益率却不足2美分。某种程度上,这是因为用于治疗常见疾病的药物都已经找到了,只剩下开发用于解决复杂疾病的药物,这些药物只能治疗一小部分人的疾病,因此能够获得的收益也要少得多。

根据塔夫茨药物开发研究中心的数据,近年来,药物上市的平均成本几乎翻了一番,达到26亿美元之多。药物从在实验室中诞生到流入市场的时间线被延长到了12年,而有90%的药物在人体试验的阶段就被淘汰。

因此,研究人员对AI在药物研发方面的高涨热情也就不足为奇了。用户只需要给AI工具提供样本(某种分子结构)和相应的解决方案(分子最终如何被制成药物),它们就可以开发自己的计算方法来快速产生相似的制药方案。

AI(右)能更准确地找到致病肿瘤

大多数机器学习程序可以处理小数据集,而深度学习程序可以处理大量原始的、非结构化的数据。一个深度学习的版本可以从未标记的细胞图像中进行分子结构辨识,不过,它可能需要查看上百万个细胞样本才能做到这一点。

最终,AI将在以下几个方面改善药物开发:1.识别更有效的候选药物;2.提高药物测试的“命中率”,即通过临床试验并获得监管批准的候选人的百分比;3.加速整个制药过程。

百时美施贵宝(Bristol-Myers Squibb)最近部署了一个机器学习程序,该程序经过训练,已能够在大量细胞样本中发现与CYP450抑制效用相关的分子结构。Saha说,该程序将测试准确率提高到95%,与传统方法相比,失败率降低近6倍。这些结果帮助研究人员迅速筛选出可能有毒的药物,转而关注那些有更大希望通过多项人体试验、获得美国食品和药物管理局批准的候选药物。礼来(Eli Lilly)首席数据和分析官维平?戈帕尔(Vipin Gopal)表示:“在我们进行投资之前,AI就能帮助我们在早期排除掉那些潜在的无效用药物。”

人工智能软件可以预测哪些化合物可能与目标蛋白结合,以帮助缩小候选药物的范围。

生物医学研究人员认识到,像癌症和阿尔茨海默病等这般复杂的疾病所涉及的涉及蛋白质达数百种,如果研发的药物只攻击其中一种蛋白质,则不太可能对整个病毒本身造成破坏。Kurji解释说,Cyclica正试图寻找能与几十种目标蛋白相互作用的单个化合物,同时避免与其他蛋白相互作用。他补充说,目前正在开发的AI 程序旨在将大量关于蛋白质变异的遗传数据整合在一起,这样AI助手就可以检测出哪些候选药物最有效。

苏格兰邓迪大学医学信息学教授安德鲁?霍普金斯(Andrew Hopkins)提出了ex唯科学算法,这个算法只需分析10个蛋白质数据就能得到有效信息。它将目标蛋白的生物数据与大约10亿个蛋白质相互作用的数据库进行比较。生成的新数据被输入到程序中,程序再次对列表进行精简,并分析另一轮所需的数据。这个过程重复进行,直到程序准备好生成一个易于管理的化合物列表,而这些化合物正是目标药物的良好候选。

霍普金斯声称,ex唯科学的算法可以将药物的发现时间从4.5年缩短到1年,将发现成本降低80%,合成化合物的数量也会减少到通常生产一种成功药物所需的五分之一。目前,他正与生物科技巨头Celgene合作,努力为三个目标寻找新的潜在药物。

精确定位目标蛋白!

为了发现可能致病的蛋白质,生物制药公司Berg也利用AI助手来筛选人体组织样本的生物信息。Berg软件的方法是把从病人的组织样本、器官液体和血样中提取的每一份数据都输入程序。样品中的活细胞被用于各种实验,如测试其高葡萄糖水平。这种方法生成多种数据,涵盖细胞产生能量的能力和细胞膜的硬度。

然后,所有的数据都通过一系列深度学习程序运行,这些程序寻找非疾病状态和疾病状态之间的特征差异,最终着眼于那些含毒性的蛋白质。在某些情况下,这些蛋白质可能成为靶标,这时Berg的AI软件就可以寻找药物来攻击这些靶标。更重要的是,因为该软件可以识别目标似乎只在一小部分患者身上引起疾病,所以它可以识别这些患者的区别性特征。这意味着患者可以在服用药物之前进行测试,以确定药物是否可能对他们有效。

目前,Berg正在与制药巨头阿斯利康(AstraZeneca)合作,寻找治疗帕金森氏症和其他神经系统疾病的目标,并与赛诺菲巴斯德(Sanofi Pasteur)合作,以改良流感疫苗。Berg软件已经确定了诊断测试的机制,可以区分前列腺癌和良性前列腺肥大症,而这些病症如果不做手术则很难区分。


声明: 本文由入驻维科号的作者撰写,观点仅代表作者本人,不代表OFweek立场。如有侵权或其他问题,请联系举报。

发表评论

0条评论,0人参与

请输入评论内容...

请输入评论/评论长度6~500个字

您提交的评论过于频繁,请输入验证码继续

暂无评论

暂无评论

文章纠错
x
*文字标题:
*纠错内容:
联系邮箱:
*验 证 码:

粤公网安备 44030502002758号