首个AI设计药物进入实验阶段 人工智能技术在生物医学方面的研究进展有哪些?

目前，人工智能在医药领域的科研和产业发展均表现的可圈可点。毫无疑问，人工智能和生物医药领域的融合必将不断的深化和广化，更多的成功案例将不断涌现。

首个AI设计药物进入实验阶段

据报道，澳大利亚弗林德斯大学的研究团队利用AI技术研制出一种名为“涡轮增压”的流感疫苗，这种疫苗可以刺激人体免疫系统产生更多的抗流感病毒抗体。团队首席专家、弗林德斯大学医学教授尼古拉·彼得罗夫斯基称，这是全球首个进入人体试验阶段的完全由人工智能研制的流感疫苗。

通常情况下，要研制一种疫苗，医药公司要筛选数百万种化合物，需要数千人连续工作5年，耗费高达数亿美元。而在人工智能技术的帮助下，彼得罗夫斯基带领的小型科研团队只用大约两年时间就开发出了这种疫苗。

研究团队首先设计了一套名为“萨姆”的智能算法，其能够学习现有成功的疫苗和失败的案例，以判别疫苗对流感是否有效。然后，他们又创建了另一套能够创造出数万亿个虚拟化合物的智能程序，彼得罗夫斯基将其称作“疯狂的化学家”。“萨姆”与“疯狂的化学家”协同工作，提出了最有效的疫苗选项。

人工智能在生物医药领域的应用

目前，人工智能主要指深度学习技术(deep learning),其核心算法为卷积神经网络(Convolutional Neural Networks，CNN)和循环神经网络(Recurrent Neural Networks， RNN)。其主要原理是输入高质量的标注后的数据，经过AI系统多层次的训练，最终输出分类结果，用于新场景的预测。由于输入数据量大和训练层次深等特点，AI在多个领域表现出准确率高的优势。

近年来人工智能技术在生物医学方面的研究进展有哪些?

一. 人工智能辅助疾病诊断

通过采用卷积神经网络算法对大量的临床影像数据进行学习，训练诊断模型，可以实现对患者的高准确率诊断，起到辅助临床医生的作用。目前报道的成功案例包括糖尿病视网膜病变,黄斑变性和糖尿病性黄斑水肿等致盲眼病,皮肤癌,乳腺癌以及宫颈癌等多种疾病的精确诊断。同时，研究表明基于图像学习的诊断模型虽然具有疾病特异性，但仍然表现出较好的扩展性。综合看，此类模型的构建一般需要大量高质量的医学数据的积累，同时需要临床经验丰富的临床医生对影像数据进行标注。目前，由于深度学习技术在图像识别领域的良好应用性，国内出现了大量的基于医疗影像数据的AI公司，通过AI训练和识别大量的影像数据，以实现临床辅助诊断的目标。

二. 人工智能辅助新药研发

新药研发涉及到从上游到下游的几个环节：药物靶标的确定，先导化合物的筛选，先导化合物的优化，以及最终的临床实验。其具有研发周期长、资金投入大、失败率高等特定，一直是制药界的痛点。之前，计算机辅助药物设计(computer aided drug design,CADD)的引入虽然给制药业带来了一些成功的案例，但依然没有根本的改观。而人工智能技术的崛起，则为新药研发带来了新的曙光。

自2017年以来，人工智能在制药领域的应用可谓如火如荼，国际制药巨头纷纷部署自己的AI系统，用于提高新药的研发效率，如Merck，Novatis, Roche, Pfizer, Johnson & Johnsone等。国内的晶泰科技 (XtalPi) 是一家以计算驱动创新的药物研发初创公司，其基于人工智能与云计算等技术，结合计算物理、量子化学、分子动力学等，旨在提高药物发现与发展这一关键环节的效率与成功率，从而降低研发成本。

三. 人工智能辅助基因数据分析

二代测序技术产生了大量的测序数据，AI在基因大数据的分析上亦表现出良好的应用趋势。谷歌子公司Deep mind的科学家发表了一篇论文，提出一个名为DeepVariant的检测工具，使用深度神经学习中的卷积神经网络(CNN)来检查基因组上的单碱基突变(SNP)和小的插入缺失(Indel)，其准确性超越了当前主流的生物信息学软件GATK。传统的基因组关联分析(GWAS)大多只能检测单个点突变(SNP)与所研究疾病的关系，而DeepWAS，这一新提出的框架则能够根据功能单元，选择出一组SNP的集合，来更加综合地研究致病的基因突变,并能直接寻找调控区域的基因突变。在一项针对抑郁症的研究中，使用DeepWAS框架的研究发现了一个新的控制抑郁症的主要基因MEF2C。此外，人工智能分析基因组数据还可以实现对多种肿瘤的精确诊断。