創造新藥是一個艱苦的過程，需要多年的努力和大量的資金才能取得重大進展。在如此巨大的資金和生命攸關的情況下，加速藥物發現過程一直是行業專業人士最關心的話題。

就像其他所有涉及大量耗時任務的行業一樣，隨著人工智能工具的引入，藥物發現正在經歷一場革命。

雖然人類試驗將始終在醫學界發揮作用，但人工智能可以幫助研究人員將注意力集中在最有可能成功的潛在藥物上。

為了更多地了解這個令人興奮的領域， Alister Campbell接受了媒體采訪。Campbell是研發軟件公司Dotmatics的副總裁兼全球科技主管，他有多年觀察科技趨勢的經驗。他堅信人工智能在提高藥物研發效率方面具有巨大的潛力。

人工智能在藥物發現中的應用如何影響傳統的新藥上市時間表?

人工智能有可能通過顯著增強傳統藥物發現和開發過程來徹底改變制藥行業。以往，將一種新藥推向市場大約需要10到15年的時間，耗資約25億美元。然而，人工智能正在通過縮短開發時間和降低成本來改變這種局面。生命科學公司現在可以利用以前難以獲取的大量數據。這些數據一旦組織起來，就可以進行高級分析，如生成報告、進行特別查詢和創建交互式可視化，從而幫助科學家發現數據中的模式來識別藥物。

人工智能有可能對藥物發現的各個方面產生積極影響，特別是有機會通過快速分析科學數據來加速藥物發現的早期階段，從而比以往人工經驗開發更快地預測和確定有希望的候選藥物。

這不僅加速了研究，而且通過將早期研究數據與臨床研究數據結合起來，人工智能可能會提高對潛在藥物化合物安全性和有效性預測的準確性。這可以減少在后期階段發生失敗而付出高昂代價的可能性。人工智能還增強了臨床試驗的設計和參與者選擇，將表型和基因型數據聯系在一起，使這些研究更加高效和有效。此外，人工智能分析正在進行的試驗數據的實時能力能夠隨時進行調整，優化開發過程和資源管理。

通過整合人工智能，制藥行業不僅加快了藥物開發過程，而且通過更深入地了解疾病的復雜生物學，推動了創新。可以把人工智能想象成一個強大的手電筒，它照亮了大量數據中隱藏的模式和見解，使我們能夠看到和理解以前過于復雜或模糊的疾病。這種能力可以更快地為患者提供更有效的治療。人工智能在藥物發現中的應用預示著未來新療法的開發速度更快，成本更低，可能會改變患者的護理和結果。

哪些新興的人工智能技術有望縮短藥物發現過程，并可能加速新療法的開發?

我們才剛剛開始了解人工智能在研究和開發方面的能力。隨著人工智能的不斷發展，它有望解開目前難以想象的發現。今天，人工智能的潛力由科學家在決策關鍵時刻發揮到最大。向人工智能引擎提供高質量、注釋良好、可靠的數據，將使人工智能能夠實時地自主識別藥物發現數據中的模式，從而產生預測，甚至為進一步研究提出新的假設。

例如，我們dotatics的工具中開發了一些最先進的人工智能應用程序，以協助使用流式細胞術等用例，我們正直接與客戶合作，越來越多地將這種人工智能分析功能添加到新領域，以支持他們的需求。

這個和其他用例可以聚合到domatics新的基于云的Luma平臺中，該平臺將實驗室的相關數據(包括實驗室儀器)聚合到干凈的數據平臺集中進行分析，這為基于AI和ML的算法鋪平了道路。

多模式藥物發現發揮了什么作用?

制藥和生物技術不再僅靠一種模式作為針對特定疾病或目標的治療方法。多模式藥物發現的核心是科學家選擇最佳治療方法或治療組合來解決特定目標的能力。它涉及在發現新化合物或新療法的過程中，從不同的科學領域進行研究和測試。

藥物發現領域最先進的參與者正在加速走向人工智能支持的多模式藥物發現未來。治療方式包括抗體和其他蛋白質(包括抗體-藥物偶聯物)、細胞療法、基因療法、RNA療法、疫苗、肽藥物偶聯物，甚至在傳統的小分子療法設計中，已經從抑制性或興奮性方法發展到靶向蛋白質降解(PROTAC)。

Dotmatics在支持研究人員利用人工智能加速藥物開發方面發揮了怎樣的作用?

Dotmatics建立了世界上最強大的多模式科學發現平臺——Dotmatics Luma——連接科學應用程序、實驗室儀器和其他數據源，以實現深度協作、自動化和分析，并為人工智能輔助的未來提供動力。該研發數據管理平臺簡化并加速了儀器數據的收集和處理，并幫助非IT技術用戶輕松地直接從數據中獲得關鍵見解。

總部位于瑞士日內瓦的生物技術公司Addex Therapeutics正在開發新型口服小分子藥物，以解決神經系統疾病(如帕金森病、癲癇、阿爾茨海默病、創傷后應激障礙、抑郁癥、神經退行性疾病和其他中樞神經系統疾病)患者的需求。

為了快速為中樞神經系統疾病患者提供這種新穎的治療方案，Addex的研發團隊必須靈活、數據驅動和協作，但在面對復雜的工作流程時，這樣做可能是具有挑戰性的，這是一個真正的大數據挑戰，具有巨大的數量、速度和多樣性的研發數據。與之前的解決方案相比，docatics為他們的科學家節省了花費在分析數據上的時間。

從傳統的藥物發現方法過渡到人工智能驅動的方法時，研究人員面臨的一些關鍵挑戰是什么?如何解決這些挑戰?

從傳統的藥物發現方法過渡到人工智能驅動的方法帶來了幾個關鍵挑戰，包括確保數據質量和可用性，將人工智能與現有工作流程集成，保持可解釋性和信任，導航監管和道德考慮，以及管理成本和基礎設施需求。

一個根本問題是，人工智能模型的好壞取決于它們所學習的數據：糟糕的數據導致糟糕的科學，這強調了對高質量、有良好注釋的數據的需求。因此，組織正在改進數據收集和管理，并確保訪問不同的數據集。

人們也越來越強調記錄使用AI/ML模型的地方和使用的訓練集，這對于準確反映未來模型的成功至關重要。集成人工智能技術可能會破壞現有的工作流程，因此機構正在逐步實施人工智能工具并提供培訓，以緩解這種過渡。可解釋性仍然是一個關鍵的挑戰，如果一個模型不能被一個公正的、訓練有素的科學家解釋，就會降低人們對這個模型的信任。開發人員正在增強人工智能模型的可解釋性，并進行嚴格的驗證研究，以建立信心。

作為科學研發軟件的先驅，我們致力于確保人工智能的負責任實施，促進利益相關者之間的誠實討論，并支持科學家利用人工智能的力量使科學發現變得更好。

此外，與人工智能基礎設施和專業知識相關的高成本正在通過基于云的解決方案和協作模型得到緩解，如Luma Lab Connect，允許更廣泛地訪問這些先進技術。這些戰略方法有助于為在藥物發現中更順利地采用人工智能鋪平道路，旨在使這一過程更具創新性、效率和效果。

你對人工智能在藥物研究中的未來前景有什么總體看法和評論嗎?什么讓你興奮?

最早在今年，醫療保健行業就可能開始在臨床試驗中看到首批基于人工智能的藥物的影響，這說明人工智能驅動的工具正在如何徹底改變患者分析和診斷。這只是收獲數字化好處的開始，特別是對于越來越多地采用藥物再利用策略的生命科學公司來說。

正如我們所看到的，人工智能在大量以前未開發的數據中導航的能力不僅加速了潛在藥物的發現，而且還重新評估了安全的化合物，避免錯過了它們最初的臨床目標。這種方法尤其令人興奮，因為它提供了一種更快的途徑來確定有效的治療方法，利用現有藥物的安全性來滿足緊急醫療需求。

每一種候選新藥，無論在臨床試驗中是否成功，都代表著對患有常見或罕見疾病的人來說，朝著更好的健康和生活質量邁出了一步。請記住，ChatGPT的引入也不是今天發生的事情。大型語言模型的概念可以追溯到20世紀60年代。幾十年來，計算機科學家和芯片設計師默默努力，使ChatGPT的發布成為可能。

在此過程中，他們在數據存儲和處理方面取得了進步，改變了我們的生活和工作方式。制藥公司在成功應用人工智能的過程中，也會有同樣的小勝利，這些小勝利加起來會帶來革命性的變化。這是醫療保健領域的一個開創性時刻，人工智能的整合有望改變患者的治療結果，并推動藥物開發創新和效率的新時代。