AI与新药研发专题报告.docxVIP

人工智能在新药研发中的应用现状及挑战 刘晓凡 1，孙翔宇 1，朱迅 2* （1. 火石创造，浙江杭州 310051；2. 吉林大学基础医学院，吉林长春 130021） 人工智能作为一种新兴技术，是新药研发实现降本增效的重要方式之一，人工智能 + 新药研发已成为中国医药企业加速创新转型的重要驱动力。对国内外相关文献和资料进行检索和归纳，重点分析人工智能在新药研发领域的应用模式，总结开展人工智能应用的企业主体及应用场景，探究我国人工智能赋能新药研发面临的主要挑战。 当前，新药研发面临着成本高企、收益率下降的双重困境。新药研发具有技术难度大、投入资金多、研发风险大、回报率高和研发周期长等特征，随着疾病复杂程度的提升，新药研发难度和成本迅速增加，全球新药研发成功率呈明显下降趋势。2019 年，艾昆纬 （IQVIA）发布报告[1] 指出，新药从临床试验开始到研发结束的平均开发时间在过去 10 年里增加了 26%，2018 年达到 12.5 年；新药开发成功率不断下降，2018 年降至 11.4%。据Nature 杂志报道，新药研发成本快速增长，2018 年开发的平均成本约为 26 亿美元 [2]。新药投资回报率不断下滑，德勤发布的报告显示，2017 年全球前 12 大制药公司的研发投资回报率仅为 3.2%，较 2010 年的 10.3% 下降 7 个百分点[3]。 人 工智能（artificial intelligence，AI） 的 发展，为新药研发带来了新的技术手段。通过机器学习（machine learning，ML）、 深度学习（deeplearning，DL）等方式赋能药物靶点发现、化合物筛选等环节，大大提升了新药研发的效率，为降本增效提供了可能 [4]。应用AI 技术，可缩短前期研发约一半时间，使新药研发的成功率从当前的 12% 提高到 14%，每年为全球节约化合物筛选和临床试验费用约550 亿美元[5]。 提升新药研发效率，对加快开发临床需求未被满足的创新药物，助力药企抢占“best-in-class”和“first-in-class”药物市场的机遇窗口期，从而提升药企全球竞争力具有重要意义。AI 技术作为提升新药研发效率的重要驱动力量，正在加速对新药研发各环节的渗透[6]。本文通过对AI 技术、AI 赋能新药研发应用场景，以及应用 AI 技术的企业主体进行总结梳理，并展望AI 技术未来发展趋势，为AI+新药研发提供思路与参考。 一、人工智能 + 新药研发的应用模式 与 AI 在其他场景的应用类似，AI+ 新药研发的实现路径包括五大流程：1）获取目标训练数据集；2）AI 自主学习算法建模；3）多次训练优化模型；4）测试集应用以评估模型性能；5）基于模型实现分子筛选、预测、分析等预定目标。算法、数据集和模型这 3 个要素是必不可少的部分，其中，算法和数据是实现应用的关键。 人工智能 + 新药研发应用算法 AI 技术涵盖ML 和DL，如表 1 所示。ML 算法在新药研发领域被广泛用于分类和回归预测等方面，常见的ML 算法包括决策树 （decision tree）、随机森林（random forest）、支持向量机（supportvector machine）、k-最近邻算法、朴素贝叶斯分类器等；DL 算法包括深度神经网络（deep neural network，DNN）、 卷积深 度网络（convolutionalneural network，CNN）、循环神经网络（recurrentneural network，RNN）和自编码器（autoencoder，AE）等。DL 算法适合处理大数据，模型也更为复杂。随着计算机性能的提高和数据量的积累，DL 算法在新药研发中的应用越来越广[7]。 DNN 是最早应用于药物发现的DL 算法之一，最早来源于 1943 年 McCulloch 等[8]提出的计算模型。CNN 是一种前馈神经网络，它在图像识别领域的表现优异 [9]。RNN 是一类用于处理序列数据的神经网络，具有记忆能力，可用于处理基因和蛋白序列数据等 [10]。自编码器的目的在于重构输入数据，可生成学习模型，在药物分子生成方面应用前景广阔[11]。DNN、CNN、RNN 等 DL 算法模型通过定量结构性质关系（QSPR）或定量结构活性关系（QSAR）等预测药物分子的物理化学性质以及药物的吸收、分布、代谢、排泄和毒性 （ADMET）。 表 1：人工智能常见应用算法 AI 技术 算法类型 算法特点 机器学习ML） 决策树 决策树是一种将决策流程以树状结构清晰表示的ML 方法，本质 上是通过一系列规则对数据进行分类的过程。 随机森林 随机森林是通过构建多个决策树对样本进行训练并预测的一种分 类器，其最终输出的类别是由每个决策树输出