人工智能行业数据驱动创新系列：有关AI制药的4问4答-210723（17页）.pdf

《人工智能行业数据驱动创新系列：有关AI制药的4问4答-210723（17页）.pdf》由会员分享，可在线阅读，更多相关《人工智能行业数据驱动创新系列：有关AI制药的4问4答-210723（17页）.pdf（17页珍藏版）》请在三个皮匠报告上搜索。

1、以英国 AI 制药企业 Exscientia 为例，在 2020 年实现了临床从 0 到 1 的突破后，进入临床试验的效率正在提速，2021 年上半年先后又有两款药物宣布进入人体临床。2021 年 4 月，由 Exscientia 设计的，由 AI 设计的肿瘤免疫分子已经成功进入人体临床试验。该肿瘤免疫分子为 A2a 受体拮抗剂，用于晚期实体瘤成年患者。相关结果发表于2021 年的美国癌症研究协会（AACR）年度会议上。该候选药物在同类药中具有最佳特性，对靶受体有高选择性，将减少全身性副作用和大脑暴露的潜在好处结合在一起，以避免产生不必要的心理副作用。2021 年 5 月，Exscientia

2、 与 Sumitomo Dainippon Pharma 宣布将在美国启动用于治疗阿尔茨海默氏病精神病的 DSP-0038 的 1 期临床研究。选择性双重靶向是传统药物发现的一项重大挑战，而且精神病适应症还需要出色的选择性，才能避免脱靶效应。DSP-0038的成功设计为设计具有双重活性的选择性分子提供了机会。DSP-0038 是 Exscientia 使用AI 技术创建的用于进入临床试验的第三个分子。较早的两种化合物是 DSP-1181 和EXS-21546。机器学习，是一门多学科交叉专业，涵盖概率论知识，统计学知识，近似理论知识和复杂算法知识，使用计算机作为工具并致力于真实实时的模拟人类学习

3、方式，并将现有内容进行知识结构划分来有效提高学习效率。通俗地说，机器学习是用数据或以往的经验，以此优化计算机程序的性能标准。有许多人尝试通过使用计算方法来预测分子的性质来提高药物发现过程的效率。许多公司试图部署的主要计算方法之一是机器学习，通常也被称为人工智能。其中一个机器学习的主要好处是它能够快速地大规模地处理数据。然而，机器学习本身也有显著的局限性，因此对提高药物发现过程的效率的影响有限。机器学习需要输入数据，被称为训练集，来建立一个预测模型。该模型有望准确地预测类似于训练集的分子的性质，但不能推断出与训练集不相似的分子。因此，由于可以合成的可能分子的数量实际上是无限的，机器学习只能覆盖可

4、能合成的分子总数的一小部分。第一性原理，是一个计算物理或计算化学领域的专业名词，广义的第一性原理计算指的是一切基于量子力学原理的计算。我们知道物质由分子组成，分子由原子组成，原子由原子核和电子组成。量子力学计算就是根据原子核和电子的相互作用原理去计算分子结构和分子能量（或离子），然后就能计算物质的各种性质。通俗的说，就是不利用任何经验、实验参数，只根据量子力学原理，从最基本的方程出发，求出材料的性质。AI 制药的另一种已经尝试过的主要计算方法包括使用基本的、基于“第一性原理”的物理方法，这需要对要计算的特定特性有深入和彻底的理解。然而，基于物理的方法很难开发，与机器学习相比，速度可能很慢。此外，要将这种方法应用于设计将与特定蛋白质靶点高度亲和力结合的分子，该蛋白质的三维结构必须产生足够的原子细节，以能够应用这些基于物理的方法，这被称为“结构启用”，而这种结构在历史上难以获得。阻碍计算化学实现其前景的另一个因素是计算速度有限。然而，尽管有所有这些挑战，基于物理的方法比机器学习有显著的优势，因为它们不需要训练集，而且原则上可以计算任何分子的性质。