谷歌人工智能可能在藥物發現中挑戰大型製藥公司 - 彭博社

高級自動化科學家亞當·穆雷操作着Recursion Pharmaceuticals的自動化化合物管理系統。這個化合物存儲系統存放着數十萬種藥物候選者，Recursion每週在疾病模型中進行測試。

來源：Recursion Pharmaceuticals機器學習技術在國際盛況下擊敗了人類的國際象棋和圍棋比賽。其在給毫無防備的人打電話時展現出的逼真能力引發了廣泛關注。

但對於DeepMind，谷歌母公司Alphabet Inc.的人工智能部門，在一次雙年生物學會議上取得的較少被注意的勝利，可能會顛覆製藥公司發現和開發新藥的方式。這也可能會加大對全球最大的製藥公司準備技術軍備競賽的壓力。已經有一批新興公司開始參與其中。

在12月的CASP13會議上，位於墨西哥的裏維埃拉瑪雅，DeepMind在預測蛋白質形狀方面擊敗了經驗豐富的生物學家，而蛋白質是疾病的基本構建塊。這一看似深奧的追求具有嚴重的意義：一個能夠準確建模蛋白質結構的工具可以加速新藥的開發。

韓國職業圍棋選手李世石（右）在2016年3月15日於韓國首爾舉行的谷歌DeepMind挑戰賽的最後一場比賽後，與其他職業圍棋選手回顧比賽。攝影師：谷歌通過Getty Images“絕對驚人，”一位科學家在原始結果在線發佈後發推文説。“這完全是個驚喜，”會議創始人約翰·穆爾特（John Moult），馬里蘭大學的計算生物學家説。“與我們過去能夠做到的歷史相比，這真是相當壯觀。”理清蛋白質的結構以尋找藥物攻擊疾病的方法是一個極其複雜的問題。研究人員仍然沒有完全理解蛋白質是如何構建的規則。還有數學問題：可能的蛋白質形狀比宇宙中的原子還要多，這使得預測成為一項艱鉅的計算任務。在過去的25年裏，計算生物學家們一直在努力開發能夠勝任這一任務的軟件。

進入DeepMind。雖然在蛋白質摺疊——蛋白質獲得其三維形狀的物理過程——方面經驗有限，但憑藉最新的神經網絡算法，DeepMind做到了50個來自世界各地的頂尖實驗室無法完成的事情。

在會議舉行的瑪雅主題度假村，興奮的氣氛瀰漫開來。兩位DeepMind的演講者被科學家們圍着，詢問他們是如何做到的。在幾個小時內，英國報紙衞報報道DeepMind的人工智能可以“開啓醫學進步的新紀元。”在一篇博客文章中，該公司自豪地表示其蛋白質模型“遠比以往任何模型都準確，”為“藥物發現開闢了新的潛力。”

在一封電子郵件中，DeepMind表示其科學家“全心專注於他們的研究”，並不接受採訪。

DeepMind的模擬尚未產生對藥物發現至關重要的原子級分辨率。儘管許多公司正在尋找利用計算機識別新藥物的方法，但基於機器學習的藥物很少進展到可以在人類身上進行測試的階段。要知道這種軟件是否能定期發現研究人員可能錯過的有前景的療法，還需要數年時間。

人工智能在醫療保健中是一個時髦的流行語，常常被當作解決行業各種問題的萬靈藥。它被視為解決繁瑣電子病歷、加快診斷和使手術更精確的潛在解決方案。DeepMind的勝利指向了該技術在製藥行業最昂貴且失敗率最高的部分的一個可能實際應用。

一些觀察人士表示，外部團隊能夠在解開生物學中最棘手的問題之一上取得如此顯著的進展，對該領域的研究人員來説是一個黑眼圈。這也可能是製藥行業的一個預兆，該行業在研發上花費數十億，但卻被搶先一步。

哈佛計算生物學研究員Mohammed AlQuraishi參加會議後在一篇博客文章中寫道，巨型製藥公司並沒有在蛋白質摺疊方面投入真正的努力，基本上將這一領域拱手讓給了科技公司。當製藥公司猶豫不決時，“Alphabet迅速介入並在他們的後院紮營，”他寫道。

尋找新藥並將其推向市場是 notoriously difficult。根據一些估計，大型製藥公司花費超過 25 億美元將新藥送到患者手中。每 10 種進入人體臨牀試驗的療法中只有一種能夠進入藥房。而科學進展緩慢：自人類基因組測序以來的近 20 年裏，研究人員僅為大約 7000 種已知罕見疾病中的一小部分找到治療方法。

此外，大約有 20000 個基因可能以至少 100000 種方式發生故障，並且結果蛋白質之間存在數百萬種可能的相互作用。藥物獵手不可能手動探測所有這些組合。

“如果我們想要理解人類生物學的其他 97% ，我們必須承認這對人類來説太複雜了，”Recursion Pharmaceuticals 的聯合創始人兼首席執行官 Chris Gibson 説，這是一家位於鹽湖城的初創公司，利用機器學習尋找新療法。

Recursion Pharmaceuticals 的創始人 Chris Gibson來源：Recursion Pharmaceuticals像 Recursion 這樣的公司正在迅速吸引投資者。根據數據提供商 PitchBook 的數據，風險投資家去年向專注於藥物發現的 AI 和機器學習初創公司投入了 10.8 億美元，較 2016 年的 2.37 億美元大幅上升，並且到目前為止，今年已經再投入了 6.99 億美元。

Recursion 在其最新的融資輪中籌集了 1.21 億美元，該公司週一表示，投資者包括 Intermountain Ventures 和明尼蘇達大學的 Regents。根據 PitchBook 的數據，其估值為 6.46 億美元。“這是一家非常雄心勃勃的公司。他們正在考慮從根本上改變行業，”在蘇格蘭的 Baillie Gifford & Co. 的投資經理 Marina Record 説，該公司主導了這輪融資。

成熟的製藥公司正在競相與從事類似工作的公司結盟。

在四月，吉利德科學公司與由前斯坦福大學機器學習專家達芙妮·科勒領導的初創公司Insitro達成協議，尋找治療肝病NASH的方法。阿斯利康公司在同一個月與總部位於英國的BenevolentAI合作，以識別腎病和肺纖維化的治療方案。在六月，葛蘭素史克公司與加州大學的基因編輯先鋒合作，進行一項6700萬美元的目標尋找合作，該合作將使用人工智能。

“還有哪裏會接受10%的成功率？”葛蘭素史克高級副總裁託尼·伍德説，他負責這家英國製藥巨頭的藥物科學和技術。“如果我們能將其提高到20%，那將是驚人的。”

機器學習方法“將對藥物發現至關重要，”梅克公司的計算化學副總裁胡安·阿爾瓦雷斯説。這家大型製藥公司正在開發人工智能工具，以幫助其化學家加速製作阻斷異常蛋白質的化學品的繁瑣過程。阿爾瓦雷斯表示，早期的機器學習努力已經為人類測試中的藥物做出了貢獻，而基於更先進神經網絡方法的首批藥物可能在幾年內進入試驗。

人類腎臟細胞用於在Recursion的平台上建模疾病。來源：Recursion製藥公司人工智能可以用於掃描數百萬張高分辨率的細胞圖像——這是人類無法獨自處理的——以識別能夠以意想不到的方式使病變細胞更健康的療法。

在Recursion，作為最早使用此類方法的初創公司之一，每週機器人會對各種類型的病變細胞應用數千種潛在藥物，在40萬到50萬次微型實驗中生成500萬到1000萬張細胞圖像。機器學習算法隨後掃描這些圖像，尋找能夠破壞疾病而不傷害健康細胞的化合物。

最初的算法是手動編碼的，以解釋基本的細胞特徵，但Recursion越來越多地使用神經網絡方法，直接解釋圖像，並可能發現人類程序員未曾尋找的模式。計算機科學家與生物學家在實驗室中協同工作，以完善線索。

該公司已與武田製藥株式會社和賽諾菲達成了罕見疾病的協議，在過去幾年中生成了超過2.5PB的數據，這一總量超過了所有好萊塢電影的帶寬。

該公司所做的事情“在六、七或八年前根本不可行，”其創始人吉布森説。

吉布森在猶他大學攻讀研究生時首次轉向機器學習，尋找治療腦海綿狀血管畸形的方法，該病導致大腦中漏血管的異常團塊。根據血管瘤聯盟的數據，該疾病影響約500人中就有1人，雖然通常是無聲的，但可能導致癲癇、語言或視力困難，以及毀滅性的腦出血。

大約四分之一的患者有一種遺傳形式的疾病，這種疾病更可能導致多種畸形。儘管已知導致該疾病的三種基因，但沒有藥物治療。吉布森在猶他大學測試的一種藥物基於對該疾病的現有理解，在動物身上使其症狀更嚴重。

感到沮喪，吉布森和他的同事們使用開源機器學習軟件掃描細胞圖像，以探查2100種化合物的效果，尋找能夠改善攜帶有害基因的血管細胞外觀和功能的化合物。這些算法指向了一種意想不到的化學物質，在動物實驗中減少了50%的漏血管。這種藥物預計明年進入第二階段的人體試驗，促成了Recursion的成立。

凱瑟琳·麥克斯韋，Recursion的技術員，正在準備實驗溶液。來源：Recursion Pharmaceuticals字母表的其他部分，以及社交媒體巨頭 Facebook Inc. 的人工智能研究部門，悄然發佈了一篇 論文，使用深度學習分析了2.5億個蛋白質序列。今年春天，谷歌的人工智能研究人員 揭示了 一種神經網絡，可以根據氨基酸序列預測蛋白質的功能，這可以幫助生物學家理解新發現的蛋白質的作用。

人工智能的支持者表示，沒有人會談論將人類研究人員排除在外。目標是“增強和提升科學家的決策能力，”前葛蘭素史克研究高管、現任BenevolentAI臨牀項目負責人傑基·亨特（Jackie Hunter）説。

在短期內，更有可能的是，基於人工智能的模擬將用於評估潛在藥物在進行全面臨牀試驗之前是否有效。

一家公司“不會在沒有先在計算機上構建並在多種條件下模擬的情況下建造和飛行飛機，”GNS Healthcare的科林·希爾（Colin Hill）説，該初創公司利用人工智能對疾病進行建模，其投資者包括安進公司（Amgen Inc.）。希爾説，未來藥品製造商在進行臨牀試驗之前不會開始虛擬幹跑。

儘管如此，墨西哥發生的意外事件加快了節奏。哈佛研究員阿爾·庫拉伊希（AlQuraishi）表示，DeepMind“基本上以相當大的優勢擊敗了所有人”。如果藥品製造商不認真對待這一威脅，他説，他們可能會被拋在後面。