發現是什么?在數學領域，存在著一個古老的問題，即究竟該說發現了新的數學方法、還是發明了新的數學方法。同樣的問題對于現代藥物發現也同樣適用。在使用人工智能來識別候選藥物時，這些新的候選藥物到底是被開發出來的，還是通過數學及科學方法在排查過濾之后自然遺留下來的?這些新的候選藥物，究竟是被發現的、還是被設計的?這也許是種沒有區別的區別。

2020年8月13日，保存在佛羅里達州好萊塢美國研究中心的生物科技公司Moderna COVID-19疫苗接種規程。

在本輪發現COVID-19疫苗的競賽中，人類已經取得一系列進展，也由此產生了使用AI技術推動藥物發現的新路徑。例如，包括Benevolent AI在內的眾多制藥企業已經開始應用AI從現有藥物中尋找候選藥物。在治療方面，Benevolent AI還公布了進入臨床驗證階段的6種分子。除了發現新藥之外，Innoplexus, Deargen, Gero, Cyclica, Healx, VantAI等公司也在利用AI技術為現有藥物發現新的用途。Insilico Medicine、Exscientia、SRI International、Iktos等公司正在全面使用AI發明新藥。世界各地的生物制藥公司都在采用AI策略以整合藥物發現過程。例如，Atomwise通過深度學習算法與彈性超級計算平臺預測潛在藥物，借此加快了小兒癌癥的分子發現過程，借此縮短可行療法的發現與開發周期。另外，MELLODY項目則是一套基于區塊鏈的解決方案，旨在開發出一套機器學習平臺，能夠從藥物發現流程中生成的數千種專用數據集開展學習。此項目一旦得到全面開發，研究人員將能夠更輕松地確定哪些小分子對未來的研究最有幫助。而這一切，只是人們動用機器學習尋找新藥物以及推動醫藥領域新一輪變革的幾個側面。既然算法完全有能力進行藥物發現，我們不禁要問，“藥物發現的真正含義是什么?”

結論就隱藏在我們的視線之下嗎?

要回答這個問題，我們需要更深入地研究人工智能在藥物發現及相關領域中的應用情況，以了解這種新興技術的實際與商業意義。人工智能在藥物發現層面確實有著廣泛應用，研究實驗室基于這些技術的早期工作成果，將其轉化為商業階段，并據此探索藥物開發與可學習算法之間的交集。在此過程中，英偉達公司甚至也參與其中。二者對接的重要載體之一就是計算，即在計算機中“測試”多種分子組合。另一種方法則是從潛在信息中發現洞見，這種方式在藥物發現之外的領域已經比較普遍。大數據分析發展出一整套令人興奮的新技術，能夠從現有數據中提取新的洞見。例如，《自然》雜志近期提出的一種方法，就能夠評估大型研究論文集中所提及的不同材料及其化學性質之間的關系。在加州大學伯克利分校以及勞倫斯伯克利國家實驗室的研究當中，研究人員不再直接查看這些材料的分子數據，而是直接使用無監督學習總結其中的材料學知識，借此發現與功能需求相匹配的材料選擇。在新藥發現方面，這種新知識就隱藏在視線之下的思路其實非常有趣。2017年，東京中央大學的一位研究人員在《自然》雜志上發表了另一項引人注目的技術，其確定了能夠與基因及藥物相互作用且顯著重疊的一組基因與化合物。使用此項技術，研究人員最終確定了兩種有希望的治療靶標基因，并將其蛋白質產物確定為頗具希望的肝硬化候選藥物(一種常見疾病，但卻幾乎沒有好的治療方法)。

Big Data大數據

根據德勤最近發布的一份報告，藥物發現領域的人工智能應用案例確實可以加快藥物發現周期并降低藥物發現成本。以往，從藥物研發階段到臨床前測試階段，整個周期往往需要五到六年。而再到實際上市則平均需要十到二十年時間，且每種藥物的發現及生產成本約為20億美元。但根據德勤公司的說法，在將新藥投放市場之后，預期的投資回報率還不足2%。如果能夠將藥物發現的自動化程度提高，則制藥行業將擁有更加豐厚的利潤空間，從而降低新藥的上市成本。人工智能無疑是最具前景的新藥早期開發解決方案。根據德勤的報告，人工智能解決方案可以顯著縮短藥物發現階段的時間需求，將從研發到臨床前階段的周期降低至以往的十五分之一。這類項目需要挖掘大量數據，而且必然涉及大量微調，因此整個過程表現得更像是科學與發現——而非工程與設計。但也許真相實際上處于這兩者之間。

發現還是設計?

軟件要在人類基因組計劃等大規模項目中得到廣泛采用，企業全面使用AI技術進行藥物發現與研究，甚至說整體藥物發現流程都開始由AI軟件來驅動，這一切的實現時間可能并不太遙遠——大約是在2030年左右。屆時，從篩查到臨床前測試的周期將大大縮短，而能夠治療極端特定病理的新藥也將不再是“罕見的恩賜”。