作者 | Dr. Melissa Landon, Chief Strategy officer
CADD 领域可以追溯到 70 年代后期个人计算机的出现。1981 年,CADD 登上了《Fortunate》杂志的封面,被誉为“下一次工业革命”。
转眼间四十年过去了,我们看到人工智能驱动的生命科学公司领域的私人投资达到了前所未有的水平,以及正在建立下一代人工智能辅助药物发现(AIDD)平台的技术公司(例如Recursion、Exscientia)和更传统的CADD公司(例如Schrödinger)的成功公开亮相。虽然可以说,自CADD早期以来,该领域已经大大成熟,现在包括了人工智能驱动的技术,但对像Kate这样几十年前奠定基础的科学家负有责任。
当前的大流行使人们迫切需要迅速开发疗法,这是制药行业数十年来一直在努力应对的挑战。In silico方法在降低成本和时间、改进以更高效的开发设计-制造-测试-分析 (DMTA) 周期定义传统开发的手动和昂贵的以实验室为中心的流程方面大有希望。我们开始看到这一承诺可能实现的证据,Recursion公司、Exscientia公司和Insilico Medicine公司最近宣布,这些项目正在进入临床开发阶段,而所需时间仅为一般时间的一小部分。也许最引人注目的是,我们不仅看到了药物设计方式的转变,而且还看到了药物设计的地点。波士顿咨询公司最近发表的一项研究强调了人工智能药物发现公司的发现管线几乎呈指数级增长,与大药厂早期管道的停滞不前形成鲜明对比。越来越多的CADD和AIDD公司将问题掌握在自己手中,用他们的平台创造资产,而不是简单地通过授权他们的工给大的制药公司和生物技术公司。
因此,在最近的所有进展中,最大的问题是:我们是否已经达到了?什么是炒作与现实?我们能摇动机器并制造出药物吗?以我的愚见,答案是否定的。这有多种原因,主要是(1)生物学是非常复杂的,我们对生物学与疾病的关系的理解是有限的(2)药物发现过程的许多组成部分没有为速度和规模进行优化,以及(3)我们仍然缺乏足够的高质量和高数量的数据,以使人工智能的潜力得到充分运用。Andreas Bender和Isidro Cortés-Ciriano去年发表的一篇观点很好地总结了它[2]。"简而言之,药物发现中的人工智能需要有意义的量化变量和标签,但我们往往没有足够的能力来确定哪些变量是重要的,没有足够的能力来通过实验定义这些变量(并且规模足够大),也没有足够的能力来为人工智能的成功贴上与该领域目前的投资和希望相适应的生物标签。" 换句话说,虽然(可以说)传统的CADD方法已经达到了 "生产力的高原 "阶段,但药物发现中的人工智能仍然处于炒作周期的 "夸大的期望的高峰 "阶段。
但乐观的理由比比皆是。自动化、可扩展和可靠的化学合成和实验测试方面的进展为解决与数据生成和数据质量有关的一些挑战带来了巨大的希望。正如Peter Diamondis在他的《未来比你想象的要快》一书中所断言的那样,技术和人工智能与人类智慧的融合将是实现巨大飞跃的必要条件。在此之前,硅基方法对药物发现的影响仍然有限。然而,作为一个充满希望的怀疑论者,我仍然感到鼓舞,作为一个行业,有一天我们将用代码影响所有药物的设计。然后,我们将回到 "危险 "板上。
参考资料