谷歌人工智能可能在药物发现中挑战大型制药公司 - 彭博社

高级自动化科学家亚当·穆雷操作着Recursion Pharmaceuticals的自动化化合物管理系统。这个化合物存储系统存放着数十万种药物候选者，Recursion每周在疾病模型中进行测试。

来源：Recursion Pharmaceuticals机器学习技术在国际盛况下击败了人类的国际象棋和围棋比赛。其在给毫无防备的人打电话时展现出的逼真能力引发了广泛关注。

但对于DeepMind，谷歌母公司Alphabet Inc.的人工智能部门，在一次双年生物学会议上取得的较少被注意的胜利，可能会颠覆制药公司发现和开发新药的方式。这也可能会加大对全球最大的制药公司准备技术军备竞赛的压力。已经有一批新兴公司开始参与其中。

在12月的CASP13会议上，位于墨西哥的里维埃拉玛雅，DeepMind在预测蛋白质形状方面击败了经验丰富的生物学家，而蛋白质是疾病的基本构建块。这一看似深奥的追求具有严重的意义：一个能够准确建模蛋白质结构的工具可以加速新药的开发。

韩国职业围棋选手李世石（右）在2016年3月15日于韩国首尔举行的谷歌DeepMind挑战赛的最后一场比赛后，与其他职业围棋选手回顾比赛。摄影师：谷歌通过Getty Images“绝对惊人，”一位科学家在原始结果在线发布后发推文说。“这完全是个惊喜，”会议创始人约翰·穆尔特（John Moult），马里兰大学的计算生物学家说。“与我们过去能够做到的历史相比，这真是相当壮观。”理清蛋白质的结构以寻找药物攻击疾病的方法是一个极其复杂的问题。研究人员仍然没有完全理解蛋白质是如何构建的规则。还有数学问题：可能的蛋白质形状比宇宙中的原子还要多，这使得预测成为一项艰巨的计算任务。在过去的25年里，计算生物学家们一直在努力开发能够胜任这一任务的软件。

进入DeepMind。虽然在蛋白质折叠——蛋白质获得其三维形状的物理过程——方面经验有限，但凭借最新的神经网络算法，DeepMind做到了50个来自世界各地的顶尖实验室无法完成的事情。

在会议举行的玛雅主题度假村，兴奋的气氛弥漫开来。两位DeepMind的演讲者被科学家们围着，询问他们是如何做到的。在几个小时内，英国报纸卫报报道DeepMind的人工智能可以“开启医学进步的新纪元。”在一篇博客文章中，该公司自豪地表示其蛋白质模型“远比以往任何模型都准确，”为“药物发现开辟了新的潜力。”

在一封电子邮件中，DeepMind表示其科学家“全心专注于他们的研究”，并不接受采访。

DeepMind的模拟尚未产生对药物发现至关重要的原子级分辨率。尽管许多公司正在寻找利用计算机识别新药物的方法，但基于机器学习的药物很少进展到可以在人类身上进行测试的阶段。要知道这种软件是否能定期发现研究人员可能错过的有前景的疗法，还需要数年时间。

人工智能在医疗保健中是一个时髦的流行语，常常被当作解决行业各种问题的万灵药。它被视为解决繁琐电子病历、加快诊断和使手术更精确的潜在解决方案。DeepMind的胜利指向了该技术在制药行业最昂贵且失败率最高的部分的一个可能实际应用。

一些观察人士表示，外部团队能够在解开生物学中最棘手的问题之一上取得如此显著的进展，对该领域的研究人员来说是一个黑眼圈。这也可能是制药行业的一个预兆，该行业在研发上花费数十亿，但却被抢先一步。

哈佛计算生物学研究员Mohammed AlQuraishi参加会议后在一篇博客文章中写道，巨型制药公司并没有在蛋白质折叠方面投入真正的努力，基本上将这一领域拱手让给了科技公司。当制药公司犹豫不决时，“Alphabet迅速介入并在他们的后院扎营，”他写道。

寻找新药并将其推向市场是 notoriously difficult。根据一些估计，大型制药公司花费超过 25 亿美元将新药送到患者手中。每 10 种进入人体临床试验的疗法中只有一种能够进入药房。而科学进展缓慢：自人类基因组测序以来的近 20 年里，研究人员仅为大约 7000 种已知罕见疾病中的一小部分找到治疗方法。

此外，大约有 20000 个基因可能以至少 100000 种方式发生故障，并且结果蛋白质之间存在数百万种可能的相互作用。药物猎手不可能手动探测所有这些组合。

“如果我们想要理解人类生物学的其他 97% ，我们必须承认这对人类来说太复杂了，”Recursion Pharmaceuticals 的联合创始人兼首席执行官 Chris Gibson 说，这是一家位于盐湖城的初创公司，利用机器学习寻找新疗法。

Recursion Pharmaceuticals 的创始人 Chris Gibson来源：Recursion Pharmaceuticals像 Recursion 这样的公司正在迅速吸引投资者。根据数据提供商 PitchBook 的数据，风险投资家去年向专注于药物发现的 AI 和机器学习初创公司投入了 10.8 亿美元，较 2016 年的 2.37 亿美元大幅上升，并且到目前为止，今年已经再投入了 6.99 亿美元。

Recursion 在其最新的融资轮中筹集了 1.21 亿美元，该公司周一表示，投资者包括 Intermountain Ventures 和明尼苏达大学的 Regents。根据 PitchBook 的数据，其估值为 6.46 亿美元。“这是一家非常雄心勃勃的公司。他们正在考虑从根本上改变行业，”在苏格兰的 Baillie Gifford & Co. 的投资经理 Marina Record 说，该公司主导了这轮融资。

成熟的制药公司正在竞相与从事类似工作的公司结盟。

在四月，吉利德科学公司与由前斯坦福大学机器学习专家达芙妮·科勒领导的初创公司Insitro达成协议，寻找治疗肝病NASH的方法。阿斯利康公司在同一个月与总部位于英国的BenevolentAI合作，以识别肾病和肺纤维化的治疗方案。在六月，葛兰素史克公司与加州大学的基因编辑先锋合作，进行一项6700万美元的目标寻找合作，该合作将使用人工智能。

“还有哪里会接受10%的成功率？”葛兰素史克高级副总裁托尼·伍德说，他负责这家英国制药巨头的药物科学和技术。“如果我们能将其提高到20%，那将是惊人的。”

机器学习方法“将对药物发现至关重要，”梅克公司的计算化学副总裁胡安·阿尔瓦雷斯说。这家大型制药公司正在开发人工智能工具，以帮助其化学家加速制作阻断异常蛋白质的化学品的繁琐过程。阿尔瓦雷斯表示，早期的机器学习努力已经为人类测试中的药物做出了贡献，而基于更先进神经网络方法的首批药物可能在几年内进入试验。

人类肾脏细胞用于在Recursion的平台上建模疾病。来源：Recursion制药公司人工智能可以用于扫描数百万张高分辨率的细胞图像——这是人类无法独自处理的——以识别能够以意想不到的方式使病变细胞更健康的疗法。

在Recursion，作为最早使用此类方法的初创公司之一，每周机器人会对各种类型的病变细胞应用数千种潜在药物，在40万到50万次微型实验中生成500万到1000万张细胞图像。机器学习算法随后扫描这些图像，寻找能够破坏疾病而不伤害健康细胞的化合物。

最初的算法是手动编码的，以解释基本的细胞特征，但Recursion越来越多地使用神经网络方法，直接解释图像，并可能发现人类程序员未曾寻找的模式。计算机科学家与生物学家在实验室中协同工作，以完善线索。

该公司已与武田制药株式会社和赛诺菲达成了罕见疾病的协议，在过去几年中生成了超过2.5PB的数据，这一总量超过了所有好莱坞电影的带宽。

该公司所做的事情“在六、七或八年前根本不可行，”其创始人吉布森说。

吉布森在犹他大学攻读研究生时首次转向机器学习，寻找治疗脑海绵状血管畸形的方法，该病导致大脑中漏血管的异常团块。根据血管瘤联盟的数据，该疾病影响约500人中就有1人，虽然通常是无声的，但可能导致癫痫、语言或视力困难，以及毁灭性的脑出血。

大约四分之一的患者有一种遗传形式的疾病，这种疾病更可能导致多种畸形。尽管已知导致该疾病的三种基因，但没有药物治疗。吉布森在犹他大学测试的一种药物基于对该疾病的现有理解，在动物身上使其症状更严重。

感到沮丧，吉布森和他的同事们使用开源机器学习软件扫描细胞图像，以探查2100种化合物的效果，寻找能够改善携带有害基因的血管细胞外观和功能的化合物。这些算法指向了一种意想不到的化学物质，在动物实验中减少了50%的漏血管。这种药物预计明年进入第二阶段的人体试验，促成了Recursion的成立。

凯瑟琳·麦克斯韦，Recursion的技术员，正在准备实验溶液。来源：Recursion Pharmaceuticals字母表的其他部分，以及社交媒体巨头 Facebook Inc. 的人工智能研究部门，悄然发布了一篇 论文，使用深度学习分析了2.5亿个蛋白质序列。今年春天，谷歌的人工智能研究人员 揭示了 一种神经网络，可以根据氨基酸序列预测蛋白质的功能，这可以帮助生物学家理解新发现的蛋白质的作用。

人工智能的支持者表示，没有人会谈论将人类研究人员排除在外。目标是“增强和提升科学家的决策能力，”前葛兰素史克研究高管、现任BenevolentAI临床项目负责人杰基·亨特（Jackie Hunter）说。

在短期内，更有可能的是，基于人工智能的模拟将用于评估潜在药物在进行全面临床试验之前是否有效。

一家公司“不会在没有先在计算机上构建并在多种条件下模拟的情况下建造和飞行飞机，”GNS Healthcare的科林·希尔（Colin Hill）说，该初创公司利用人工智能对疾病进行建模，其投资者包括安进公司（Amgen Inc.）。希尔说，未来药品制造商在进行临床试验之前不会开始虚拟干跑。

尽管如此，墨西哥发生的意外事件加快了节奏。哈佛研究员阿尔·库拉伊希（AlQuraishi）表示，DeepMind“基本上以相当大的优势击败了所有人”。如果药品制造商不认真对待这一威胁，他说，他们可能会被抛在后面。