在今年諾貝爾獎(jiǎng)的激烈角逐中，人工智能（AI）無(wú)疑大放異彩，搶盡了風(fēng)頭。

先是諾貝爾獎(jiǎng)物理學(xué)授予了AI在人工神經(jīng)網(wǎng)絡(luò)機(jī)器學(xué)習(xí)，后有諾貝爾獎(jiǎng)化學(xué)領(lǐng)域再次對(duì)垂青AI，肯定了其在計(jì)算蛋白質(zhì)設(shè)計(jì)與蛋白質(zhì)結(jié)構(gòu)預(yù)測(cè)方面的卓越應(yīng)用。AI硬控諾貝爾獎(jiǎng)，成為了萬(wàn)眾矚目的焦點(diǎn)。

圖源：諾貝爾官網(wǎng)

在AI變革時(shí)代，美迪西作為一站式生物醫(yī)藥臨床前研發(fā)服務(wù)平臺(tái)，憑借其敏銳的洞察力和前瞻性的布局，不僅緊跟時(shí)代步伐，更成為了AI+CRO領(lǐng)域的先行者和推動(dòng)者。

AI+制藥，全面滲透藥物研發(fā)

在醫(yī)藥領(lǐng)域，AI的應(yīng)用已逐步滲透到藥物研發(fā)的各個(gè)關(guān)鍵環(huán)節(jié)，從靶點(diǎn)的發(fā)現(xiàn)和識(shí)別、藥物的從頭設(shè)計(jì)、ADMET（吸收、分布、代謝、排泄和毒性）預(yù)測(cè)，到臨床試驗(yàn)的設(shè)計(jì)與執(zhí)行，AI正全面改變著藥物研發(fā)的傳統(tǒng)模式。

1. 靶點(diǎn)的發(fā)現(xiàn)和識(shí)別

傳統(tǒng)靶點(diǎn)發(fā)現(xiàn)過(guò)程往往依賴(lài)于實(shí)驗(yàn)數(shù)據(jù)積累和文獻(xiàn)調(diào)研，耗時(shí)耗力且成本高昂。而AI技術(shù)則能夠通過(guò)大數(shù)據(jù)分析，快速挖掘海量生物信息數(shù)據(jù)中的潛在靶點(diǎn)，結(jié)合機(jī)器學(xué)習(xí)算法，對(duì)靶點(diǎn)進(jìn)行精準(zhǔn)預(yù)測(cè)和驗(yàn)證。這不僅大大提高了靶點(diǎn)發(fā)現(xiàn)的效率，還降低了發(fā)現(xiàn)成本，為藥物研發(fā)提供了更多可能性。

圖源：英矽智能

如：三名高中生使用英矽智能AI靶點(diǎn)發(fā)現(xiàn)平臺(tái)PandaOmics確定了多形膠質(zhì)母細(xì)胞瘤的新治療靶標(biāo)^[1]，而IBM的Watson系統(tǒng)通過(guò)閱讀大量的文獻(xiàn)摘要和論文，預(yù)測(cè)了RNA結(jié)合蛋白與肌萎縮側(cè)索硬化（ALS）的相關(guān)性^[2]，這些案例都有力地證實(shí)了AI在靶點(diǎn)發(fā)現(xiàn)領(lǐng)域的完善與強(qiáng)大潛力。

2. 藥物的從頭設(shè)計(jì)

在藥物設(shè)計(jì)方面，AI展現(xiàn)出了強(qiáng)大的計(jì)算能力。通過(guò)機(jī)器學(xué)習(xí)算法，AI能夠預(yù)測(cè)化合物的生物活性、毒性以及藥代動(dòng)力學(xué)性質(zhì)，從而設(shè)計(jì)出具有潛在藥效的候選分子。這種從頭設(shè)計(jì)的方法不僅提高了藥物的研發(fā)效率，還降低了研發(fā)成本，為新藥研發(fā)開(kāi)辟了新的道路。

一種自然界中不存在的蛋白質(zhì)折疊形式 Top7

圖源：Terezia Kovalova/The Royal Swedish Academy of Sciences

如：大衛(wèi)·貝克爾（David Baker）利用軟件創(chuàng)造出了一個(gè)與天然蛋白質(zhì)截然不同的新蛋白質(zhì)Top7，以及英矽智能利用AI驅(qū)動(dòng)的藥物設(shè)計(jì)平臺(tái)Chemistry42快速設(shè)計(jì)出新的潛在藥物化合物INS018_055，都是AI在藥物設(shè)計(jì)領(lǐng)域取得的重要成果。值得關(guān)注的是，INS018_055已進(jìn)入臨床二期，并受到諾貝爾化學(xué)獎(jiǎng)得主邁克爾·萊維特博士的高度評(píng)價(jià)。

3. ADMET預(yù)測(cè)

ADMET預(yù)測(cè)是藥物研發(fā)過(guò)程中的重要一環(huán)。AI技術(shù)能夠綜合考慮化合物的物理化學(xué)性質(zhì)、生物轉(zhuǎn)化途徑以及潛在毒性等多方面因素，對(duì)化合物的ADMET性質(zhì)進(jìn)行精準(zhǔn)預(yù)測(cè)。這有助于在早期階段就篩選出具有良好藥代動(dòng)力學(xué)性質(zhì)和較低毒性的候選藥物，減少后期研發(fā)失敗的風(fēng)險(xiǎn)。

AiDMET預(yù)測(cè)的Fosravuconazole經(jīng)酯酶代謝為Ravuconazole的過(guò)程

圖源：AiDMET成藥性預(yù)測(cè)平臺(tái)

如：天智藥成團(tuán)隊(duì)開(kāi)發(fā)的AiDMET成藥性預(yù)測(cè)平臺(tái)成功預(yù)測(cè)了Fosravuconazole和Ravuconazole的理化性質(zhì)參數(shù)以及代謝過(guò)程；Liu等人利用定向消息傳遞網(wǎng)絡(luò)（D-MPNN）對(duì)FOODB庫(kù)中的化合物進(jìn)行的Nrf2激動(dòng)活性預(yù)測(cè)及毒性分析^[3]，以及QSAR模型的廣泛用都充分展示了AI在藥物ADMET預(yù)測(cè)中的有效性和準(zhǔn)確性。

4. 臨床試驗(yàn)設(shè)計(jì)與執(zhí)行

在臨床試驗(yàn)階段，AI同樣發(fā)揮著重要作用。通過(guò)分析歷史試驗(yàn)數(shù)據(jù)和患者信息，AI能夠優(yōu)化試驗(yàn)設(shè)計(jì)，提高試驗(yàn)效率和準(zhǔn)確性。同時(shí)，AI還能實(shí)時(shí)監(jiān)測(cè)患者的生理指標(biāo)和反應(yīng)情況，為醫(yī)生提供及時(shí)的反饋和建議，確保試驗(yàn)的安全性和有效性。

臨床試驗(yàn)?zāi)M及分析流程圖^[4]

如：斯坦福大學(xué)團(tuán)隊(duì)開(kāi)發(fā)的Trial Pathfinder^[4]利用電子健康記錄（EHR）數(shù)據(jù)優(yōu)化臨床試驗(yàn)入組標(biāo)準(zhǔn)，提高招募效率并確?；颊甙踩会t(yī)渡科技與北京大學(xué)腫瘤醫(yī)院合作，利用AI自動(dòng)掃描技術(shù)發(fā)現(xiàn)臨床試驗(yàn)數(shù)據(jù)質(zhì)量問(wèn)題[5]。這些應(yīng)用通過(guò)AI技術(shù)自動(dòng)篩選患者、分析數(shù)據(jù)，有力支持藥物研發(fā)與上市。

AI+CRO模式的探索與實(shí)踐

國(guó)內(nèi)AI+新藥企業(yè)商業(yè)模式統(tǒng)計(jì)情況

數(shù)據(jù)來(lái)源：公開(kāi)信息及調(diào)研訪談，蛋殼研究院制

CRO，同AI技術(shù)一樣，致力于降低研發(fā)成本并提升研發(fā)效率。AI技術(shù)的蓬勃發(fā)展，不僅顛覆了藥物研發(fā)的傳統(tǒng)范式，更引領(lǐng)了AI+CRO這一創(chuàng)新研發(fā)模式的誕生。該模式將AI技術(shù)的前沿智能分析、精準(zhǔn)預(yù)測(cè)能力，與CRO公司卓越的藥物研發(fā)專(zhuān)業(yè)實(shí)力、豐富項(xiàng)目經(jīng)驗(yàn)及高效執(zhí)行策略完美融合，為新藥研發(fā)帶來(lái)了顯著優(yōu)勢(shì)：

高效精準(zhǔn)的研發(fā)體系：結(jié)合AI的數(shù)據(jù)處理、模型預(yù)測(cè)與自動(dòng)化實(shí)驗(yàn)?zāi)芰虲RO的專(zhuān)業(yè)研發(fā)及實(shí)驗(yàn)驗(yàn)證經(jīng)驗(yàn)，構(gòu)建了一個(gè)高效、精準(zhǔn)的藥物研發(fā)體系，顯著提升了研發(fā)效率。與傳統(tǒng)新藥研發(fā)管線比，基于AI和生物計(jì)算的新藥研發(fā)管線平均 1-2 年就可以完成臨床前藥物研究 ^[6]，可縮短前期研發(fā)約一半時(shí)間，使新藥研發(fā)的成功率從當(dāng)前的 12% 提高到 14%，每年為全球節(jié)約化合物篩選和臨床試驗(yàn)費(fèi)用約 550 億美元 ^[7]。

數(shù)據(jù)驅(qū)動(dòng)與智能化決策：利用CRO積累的實(shí)驗(yàn)數(shù)據(jù)，AI技術(shù)進(jìn)行深度分析和預(yù)測(cè)，為藥物研發(fā)提供智能化的決策支持，快速篩選出具有潛力的藥物候選物，優(yōu)化了研發(fā)流程。

降低成本與提高成功率：AI技術(shù)的精準(zhǔn)預(yù)測(cè)和優(yōu)化能力減少了不必要的實(shí)驗(yàn)和重復(fù)勞動(dòng)，降低了研發(fā)成本；同時(shí)，通過(guò)模擬和預(yù)測(cè)藥物在生物體內(nèi)的行為，AI技術(shù)提高了研發(fā)成功率。

促進(jìn)新藥發(fā)現(xiàn)與加速上市：AI+CRO模式為藥物研發(fā)提供了新的思路和方法，推動(dòng)了新藥發(fā)現(xiàn)的創(chuàng)新。AI的創(chuàng)新能力不斷拓展藥物研發(fā)的邊界，為治療各種疾病提供了更多可能性，有助于發(fā)現(xiàn)傳統(tǒng)方法難以發(fā)現(xiàn)的新藥。

美迪西：一站式生物醫(yī)藥臨床前CRO的AI探索

作為AI+CRO領(lǐng)域的先行者和實(shí)踐者，美迪西二十年來(lái)一直積極探索藥物研發(fā)的前沿技術(shù)。在AI制藥領(lǐng)域，美迪西于2021年聯(lián)合發(fā)起成立張江AI新藥研發(fā)聯(lián)盟，陳春麟博士出任聯(lián)盟首屆輪值聯(lián)席主席。至今，美迪西已與英矽智能、德睿智藥、深勢(shì)科技等多家AI創(chuàng)新藥研發(fā)公司達(dá)成戰(zhàn)略合作。此外，美迪西基于AI技術(shù)的一站式創(chuàng)新藥臨床前研發(fā)服務(wù)平臺(tái)項(xiàng)目申報(bào)了政府相關(guān)政策扶持。

基于自身豐富的創(chuàng)新藥物分子設(shè)計(jì)經(jīng)驗(yàn)及技術(shù)儲(chǔ)備，以及AI的賦能，美迪西搭建了AI藥物發(fā)現(xiàn)服務(wù)平臺(tái)，可提供蛋白結(jié)構(gòu)預(yù)測(cè)與模擬、binding site發(fā)現(xiàn)、信息提取與清洗，以及定制化項(xiàng)目數(shù)據(jù)庫(kù)構(gòu)建等，滿足科研工作者多樣化的需求。此外，平臺(tái)還深度助力Target-to-hit、Hit-to-lead、Lead-to-PCC等關(guān)鍵研發(fā)階段，為藥物研發(fā)提供了全方位的技術(shù)支持，加速藥物研發(fā)管線進(jìn)程。

多年的深耕細(xì)作，美迪西在AI制藥領(lǐng)域取得了豐碩的成果。如美迪西為英矽智能ISM3412藥物提供了涵蓋藥代動(dòng)力學(xué)、安全性評(píng)價(jià)等在內(nèi)的全面臨床前研發(fā)服務(wù)；為德睿智藥MDR-001提供了原料藥工藝開(kāi)發(fā)和制劑研發(fā)服務(wù)，為藥物的快速獲批奠定了堅(jiān)實(shí)的基礎(chǔ)。

2024年諾貝爾化學(xué)獎(jiǎng)的頒布，再次彰顯了AI+制藥深度結(jié)合的巨大潛力。隨著AI技術(shù)的不斷發(fā)展和應(yīng)用，AI藥物研發(fā)已經(jīng)成為新藥發(fā)現(xiàn)的重要途徑之一。美迪西將繼續(xù)秉持“創(chuàng)新驅(qū)動(dòng)、質(zhì)量至上”的服務(wù)理念，積極探索AI在藥物研發(fā)中的新應(yīng)用和新模式，為新藥研發(fā)提供更加高效、靈活和定制化的解決方案。同時(shí)，美迪西期待與更多合作伙伴攜手共進(jìn)，共同開(kāi)創(chuàng)AI制藥領(lǐng)域的新紀(jì)元。

參考文獻(xiàn)：
1.Olsen, A., Harpaz, Z., Ren, C., Shneyderman, A., Veviorskiy, A., Dralkina, M., ... & Zhavoronkov, A. (2023). Identification of dual-purpose therapeutic targets implicated in aging and glioblastoma multiforme using PandaOmics-an AI-enabled biological target discovery platform. Aging, 15.
2.劉曉凡,孫翔宇,朱迅.人工智能在新藥研發(fā)中的應(yīng)用現(xiàn)狀與挑戰(zhàn)[J].藥學(xué)進(jìn)展,2021,45(07):494-501.
3.Liu S, et al. Virtual Screening of Nrf2 Dietary-Derived Agonists and Safety by a New Deep-Learning Model and Verified In Vitro and In Vivo. J Agric Food Chem. 2023 May ;71(21):8038-8049.
4.Ruishan Liu, et al. Evaluating eligibility criteria of oncology trials using real-world data and AI. Nature, 2021.
5.https://mp.weixin.qq.com/s/j2_z_CSZf0VNRVRVrULxOQ
6.Chan H, Shan H, Dahoun T, et al. Advancing drug discovery viaartificial intelligence[J]. Trends Pharmacol Sci, 2019, 40(8): 592–604.
7.Wong C H, Siah K W, Lo A W. Estimation of clinical trial successrates and related parameters[J]. Biostatistics, 2019, 20(2): 273–286.