Redian新闻
>
行业图谱|人工智能在药物发现与研发中的应用

行业图谱|人工智能在药物发现与研发中的应用

公众号新闻

「行业图谱系列」是清华大学国家金融研究院 · 资本市场与公司金融研究中心基于科技成果转化研究的一项子课题,聚焦于科技成果这一核心要素,从技术链视角切入展开的研究项目。通过行业图谱的研究,既为科技成果转化提供了专业性知识体系支撑,也有助于指导城镇产业化发展布局、推动产业链融通创新、引导创业投资基金对“硬科技”的积极性及鼓励金融支持创新体系的建设。

本报告为行业图谱的第一个系列——生物医药领域:人工智能在药物发现与研发中的应用。

药物发现和研发是制药企业和化学科学家的重要研究领域。人工智能和机器学习技术使制药领域实现了现代化。机器学习和深度学习算法已被应用于多肽合成、虚拟筛选、毒性预测、药物监测和释放、药效团建模、定量构效关系、药物重定位、多重药理和生理活性等药物发现过程。

新药研发存在周期长、费用高和成功率低等特点,人工智能作为药物研发领域的一个热点方向,已被应用到药物研发的各个阶段。本研究从人工智能在药物发现与研发中的应用出发,剖析人工智能在药物发现与研发中的应用技术和方法流程,探讨该领域下国内外的市场竞争情况,并初步对国内领先学者的研究进行定位分析。

一、人工智能在药物发现与研发中的应用

1.1 人工智能的演进:从机器学习到深度学习
人工智能(Artificial Intelligence,AI),指的是计算机系统从输入或过去的数据中学习的能力。根据《人工智能:现代方法》中的讨论,人工智能有七种分类(图1-1)。
图1-1 人工智能的分类

1.2 药物研发中的革命性过程:大数据和人工智能的作用
如图1-2所示,在新药研发中,第一步也是最重要的一步是确定与疾病病理生理学有关的适当靶点(如基因、蛋白质),然后找到可以干扰这些靶点的药物或类药物分子。人工智能的发展可以帮助提取这些大型生物医学数据集中存在的有用特征、模式和结构。在确定和验证了合适的靶点之后,下一步是寻找合适的药物或类药物分子,这些分子可以与靶点相互作用并引起所需的反应。在大数据时代,通过支配海量的大型化学数据库,协助寻找针对特定靶点的完美药物。

图1-2 大数据在药物设计和发现中的应用

二、人工智能在药物发现与研发中的应用技术和方法流程

在新药研发过程中,常遇到的瓶颈问题有:①寻找合适的、具有生物活性的药物分子;②药物分子难以通过第二阶段临床试验和其他监管批准。利用基于人工智能的工具和技术,提升药物研发的效率,解决上述所面临的药物研发问题。为此,下面将详细介绍人工智能在药物发现与研发中的应用技术和方法流程,如图2-1所示。

图2-1 人工智能在药物发现与研发中的应用

2.1 肽合成与小分子设计
多肽是一种由大约2至50个氨基酸组成的生物活性小链,由于它们具有跨越细胞屏障的能力并可以到达所需的靶点,因此越来越多地被用于治疗。深度学习于肽合成与小分子设计的应用概念图如图2-2所示。

图2-2 人工智能在肽合成与小分子设计的应用

2.2 分子通路的鉴定与多重药理学
人工智能和最大似然算法在药物发现和开发中的重要成果之一是预测和估计疾病网络、药物—药物相互作用和药物—靶点关系的总体拓扑和动力学。如图2-3所示,数据库如DisGeNET、STRTCH、STRING分别被用于确定基因—疾病关联、药物—靶标关联和分子途径。

图2-3 人工智能在分子通路的鉴定与多重药理学的应用


2.3 蛋白质折叠和蛋白质相互作用的预测
分析蛋白质—蛋白质相互作用(Protein-Protein Interaction, PPI)对于药物开发和发现至关重要,如图2-4所示。比如使用贝叶斯网络(Bayesian Network,BN)预测PPI,其本质是利用基因共表达、基因本体(Gene Ontology ,GO)和其他生物过程相似性,集成数据集产生精确的PPI网络。

图2-4 人工智能在蛋白质折叠和蛋白质相互作用的预测


2.4 基于结构和基于配体的虚拟筛选

在药物设计和药物发现中,虚拟筛选(Virtual Screening,VS)是CADD的重要方法之一,是从化合物库中筛选出有前景的治疗化合物的有效方法(如图2-5所示),以针对目标筛选具有所需活性的化合物。

图2-5 人工智能在药物虚拟筛选的应用


2.5 药物重定位

在新药研发中,先导化合物的筛选是至关重要的,人工智能在识别新的和潜在的先导化合物方面发挥着巨大的作用。在化学空间中有大约1.06亿个化学结构,他们来自不同的研究,如基因组研究、临床和临床前研究、体内分析和微阵列分析。利用机器学习模型,根据活性位点、结构和靶结合能力可以筛选出这些化学结构。

2.6 定量构效关系建模与药物再利用

在药物设计和开发中,研究化学结构和理化性质与生物活性之间的关系是至关重要的。定量构效关系(Quantitative Structure-Activity Relationship,QSAR)建模是一种计算方法,通过它可以在化学结构和生物活性之间建立定量的数学模型,并针对其他疾病情况进行重新定位(如图2-6所示)。

图2-6 人工智能在定量构效关系建模与药物再利用的应用


2.7 化合物的作用方式和毒性预测

药物毒性是指化学分子由于化合物的作用方式或新陈代谢方式而对生物体产生的不利影响。如图2-7所示,人工智能可以预测药物分子与靶点结合和未结合时的效应,以及体内安全性分析。

图2-7 人工智能在化合物的作用方式和毒性预测的应用


2.8 理化性质和生物活性的预测

众所周知,每一种化合物都与溶解度、分配系数、电离度、渗透系数等物理化学性质有关,这可能会阻碍化合物的药代动力学特性和药物靶向结合效率。因此,在设计新的药物分子时,必须考虑化合物的物理化学性质。为此,已经开发了不同的基于人工智能的工具来预测这些性质(如图2-8所示),包括分子指纹、SMILES格式、库仑矩阵(Coulomb matrices)和势能测量,这些都用于深度神经网络(Deep Neural Networks,DNN)训练阶段。

图2-8 人工智能在理化性质和生物活性的预测的应用

2.9 药物剂量和给药效果的识别

给病人任何不适当剂量的药物都可能导致不良和致命的副作用,多年来,确定能够以最小毒副作用达到预期效果的药物的最佳剂量一直是一个挑战。随着人工智能的出现,许多研究人员正在借助ML和DL算法来确定合适的药物剂量,如图2-9所示。

图2-9 人工智能在药物剂量和给药效果的识别应用


2.10 生物活性物质预测与药物释放监测

最近研究已经开发了多种在线工具来分析药物释放,以及选定的生物活性化合物作为载体的可行性,其概念图如图2-10所示。利用人工智能研究人员可以确定用于与疾病相关的特定靶点的生物活性化合物。

图2-10 人工智能在生物活性物质预测与药物释放监测的应用


2.11 病毒疫苗的制备及抗体检测

由于数据量巨大,并且需要自动抽象特征学习,人工智能在疫苗发现领域有着重大贡献(图2-11)。COVID-19冠状病毒疾病疫苗的深度学习和机器学习模型主要集中在人工神经网络、梯度提升决策树和深度神经网络等预测算法模型中。

图2-11 人工智能在病毒疫苗的制备及抗体检测的应用


三、人工智能在制药行业开发新药中的应用


3.1 人工智能在药物发现领域的市场情况

最近对药物开发人工智能的大量投资意味着这些初创公司拥有开发技术的人力和资源。与医疗成像领域的人工智能相比,总投资已经增长了四倍多,尽管两个行业的初创企业数量相当。图3-1显示了基于人工智能的新药研发所需要的条件及关键性技术竞争点。

3.2 人工智能新药研发所需要的条件及关键性技术竞争点

人工智能成为国际竞争的新焦点。针对基于人工智能的新药研发,企业必须把人工智能发展放在企业战略层面系统布局,打造竞争新优势、开拓市场新空间。

图3-1 基于人工智能的新药研发所需要的条件及关键性技术竞争点

①数据质量:构建有效且可解释的药物发现模型的方法之一是使用与药物相关的实体来构建神经网络模型。
②算法设计:大多数研究中使用的低水平穷举对接算法在寻找具有局部最小值的受体—配体相互作用时遇到困难,导致高度的亲和力可变性。因此,对接算法的选择、算法结构的设计和评价标准的设置都需要系统地改进。
③临床试验:药物或疫苗开发与临床应用的计算工作之间的转化差距是计算生物学和医学领域的一个主要且被广泛认可的瓶颈。许多预测的药物和疫苗尚未进入临床试验。
④硬件设施:目前,云端和边缘设备在各种人工智能应用中通常是配合工作的,随着边缘设备能力不断增强,越来越多的计算工作负载将在边缘设备上执行。新型人工智能芯片主要包括神经形态芯片、近内存计算芯片等,目前仍处于探索研发阶段。

3.3 国际顶级医疗公司在人工智能新药研发的最新研究成果
全球已上市的制药企业见下表3-1,重点关注美国、德国、英国和中国。
表3-1 全球已上市或进入临床的人工智能制药企业


国外相关技术早在2000年左右即开始进行院校的科技成果转化。相对而言,我国该领域的研发跟随国际,在新冠疫情之后研究团队开始增加,并注重成果转化的同步进行。基于中国国内院校学者的调研及文献报道,本报告对国内学者的研究做了初步汇总,具体研究进展请阅读原文获取。

*感谢资本市场与公司金融研究中心的实习生许喜远同学对本报告的助研工作。许喜远同学是清华大学医学院2019级硕士。

E N D

免责声明
本文节选自研究报告《人工智能在药物发现与研发中的应用》(以下简称“报告”),报告由清华大学五道口金融学院、清华大学国家金融研究院资本市场与公司金融研究中心(以下简称“研究中心”)编写。
报告仅供研究使用,并非为提供咨询意见而编写。报告中的信息均来源于研究中心认为可靠的已公开资料,但研究中心及其关联机构对信息的准确性及完整性不做任何保证。
报告的版权仅为研究中心所有,如需转载,请注明报告为研究中心所著,并注明来源为公众号“道口资本与科技观察”。

清华大学五道口金融学院诞生于2012年3月29日,由中国人民银行与清华大学合作,在中国人民银行研究生部的基础上建设而成,是清华大学第十七个学院。学院以“培养金融领袖,引领金融实践,贡献民族复兴,促进世界和谐”为使命,遵循国际最先进的金融学科和商学院高等教育模式办学,锐意打造国内领先、国际一流的金融高等教育平台和金融学术、政策研究平台。

清华大学国家金融研究院资本市场与公司金融研究中心成立于2017年6月,旨在通过高校和监管部门间的紧密合作,开展各项政策和学术研究,建设国内资本市场领域最具权威性的智库机构。中心结合监管部门的资源优势与清华五道口的研究优势,致力于向监管部门提供政策建议、向学术界贡献学术新知、搭建研究交流平台、培养金融人才。

清华大学五道口金融学院技术转移硕士项目是国内首个聚焦科创与金融深度融合的硕士学位项目。旨在培养对科技创新具有深刻理解,兼具金融市场能力和商业管理能力的复合型、国际化科技成果转化领军人才,注重实践引领,以卓越的创新、金融、管理复合能力,促进科技成果结合金融力量形成生产力,提高我国经济发展质量。
(项目简介:https://mp.weixin.qq.com/s/5u9lergdllBtMDlaBxLNyg

清华大学五道口金融学院“健康中国”项目是由清华大学五道口金融学院和清华大学医学院联手打造的高管教育项目。充分发挥清华大学综合性学科优势,旨在打通科技与资本、科技与产业之间的沟通壁垒,鼓励企业与资本更早、更深入地参与健康科技的研发和创新,推动大健康产业的升级换代。
(项目简介:https://mp.weixin.qq.com/s/pnnLYNJH9xdWBSfA6pXuNg

作   者  |  朱雅姝 安砾

邮   箱  |  [email protected]


微信扫码关注该文公众号作者

戳这里提交新闻线索和高质量文章给我们。
相关阅读
爱芯元智ISP负责人张兴:AI-ISP在人工智能视觉成像领域的应用和发展 | 直播预告Protein Cell|王炜/杨海涛/籍晓云团队解析猴痘病毒潜在药物靶点的三维空间结构智库外刊编译|人工智能、大国竞争与国家安全沈定刚,雷柏英,李超丨Cell Press Live:人工智能在医学影像中的应用JCO 6.10.2022-ad and phase ITACL 2022 | GAL:合成文本在自然语言处理任务中的应用沈定刚,雷柏英,李超 | Cell Press Live:人工智能在医学影像中的应用招聘|深圳清华大学研究院 -“生物智能制造和活体打印研发中心”招聘博士后、科研助理、项目管理员电车难题在自动驾驶中的应用重大进展!两篇Science论文发现与病毒感染和遗传性代谢疾病相关的关键蛋白通过深度学习将 L1000 图谱转换为类似 RNA 的图谱【Biotech Community】打造“AI+BT”微生态药物研发平台——未知君的创新微生态药物研发低代码技术在研发团队的应用模式探讨从人工智能到应用智能,AIoT 在万物互联时代创造了“新可能”专家总结:无创影像学检查在冠心病诊疗中的应用 | CMIT 2022【万歌诗词】卷二、七言诗专家呼吁:重视心脏标志物在健康管理中的应用,推动防治关口前移《多伦多有条羊街》—— 移民、改掉中式英文、北美大龄转工转科技行业一书囊括(美国的朋友,一样使用哈)2022世界人工智能大会 | 贝恩公司人工智能产业展望【當你老了病了,怎麽辦】補遺冠军是巴西!人工智能精准预测世界杯!人工智能就业趋势大公开!即将直播|聚焦产学研|共话iPSC在细胞治疗中的应用与产业化发展中高端酒店亚朵集团纳斯达克上市,市值16.8亿美元;人工智能研发公司小冰完成10亿元融资丨 11.05-11.11世界上最大的量子化学数据集,助力新材料设计和药物发现上海医疗“专精特新”产业图谱:龙头初创齐头并进,医疗器械、生物技术引领创新北京医疗“专精特新”产业图谱:国家级“小巨人”培育第一城,汇聚新一代医疗技术创新力量聊聊PCIe设备在系统如何发现与访问?一项人工智能、化学和分子机器人的交叉研究,加速创新和药物发现,并简化复杂的化学过程自动化【即将直播】聚焦产学研|共话iPSC在细胞治疗中的应用与产业化发展上海人工智能实验室招收人工智能加速计算全息实习生新州医疗系统改革,药剂师被赋予新权利,这些药物将可在药店直接开出史上最全《2022元宇宙产业图谱》:爱马仕宜家太古里均已入局!NSR综述:固体NMR技术在分子筛催化剂研究中的应用跨境雇佣涌现百亿美金独角兽,中国机会再现?|数智前瞻·全球行业图谱你碰到过骗子吗?
logo
联系我们隐私协议©2024 redian.news
Redian新闻
Redian.news刊载任何文章,不代表同意其说法或描述,仅为提供更多信息,也不构成任何建议。文章信息的合法性及真实性由其作者负责,与Redian.news及其运营公司无关。欢迎投稿,如发现稿件侵权,或作者不愿在本网发表文章,请版权拥有者通知本网处理。