看人工智能是如何變成為“藥神”的！

　　“他就是想活命，他有什么罪!”

　　太平間外，黃毛死后，程勇對警官大聲吼道。

　　為了仿制藥，為了活命，多少人為此付出了自己的命。

　　價(jià)格高昂的正版藥，讓患者們退無(wú)可退。不容否認，一種新藥，尤其是“特效藥“的研發(fā)，需要過(guò)億的研發(fā)成本和研發(fā)周期，其能夠面市，已經(jīng)是諸多患者的“福音”。然而，面對高昂的售價(jià)，如何給“特效藥”及疾病治療“降降溫”，AI也許能夠一步步成為你的“藥神”。

　　第一步：AI預測白血病，讓白血病不再成為“突然之災”

　　近期，《自然》上發(fā)表了一項研究成果——由全國多家科研機構白血病科學(xué)家組成的研究小組使用血液檢測和機器學(xué)習，以達到預測健康個(gè)體是否有患急性骨髓性白血病(AML)的風(fēng)險。

　　這意味著(zhù)我們今后對AML的出現有預警，并能夠提早發(fā)現AML的高風(fēng)險人群并進(jìn)行監測，同時(shí)可以進(jìn)行研發(fā)，尋找降低該疾病患病幾率的方案。

　　全球多家科研機構在Nature上發(fā)表的論文

　　AML名為“急性骨髓性白血病”，以骨髓與外周血中原始和幼稚髓性細胞異常增生為主要特征，AML患者的癌細胞在骨髓中迅速增殖，并妨礙正常血液細胞的產(chǎn)生，導致出現出血和感染癥狀，甚至危及生命。

　　因此研究人員開(kāi)發(fā)了一種基因測序工具，針對那些與AML相關(guān)的已知基因，對124名AML患者的血液DNA進(jìn)行了測序，并與676名未患有AML或相關(guān)癌癥的人進(jìn)行了對比。

　　通過(guò)大數據監測，他們發(fā)現許多患有AML的人基因中出現了遺傳變化，未患有此病的人則沒(méi)有出現這種變化。那些后來(lái)患上AML的患者基因中的突變數量更多，且這些突變在他們血液細胞中出現的比例也更高。

　　隨著(zhù)進(jìn)一步研究，研究人員通過(guò)機器人學(xué)習模型，在大數據變量的支撐下，構建了AML預測模型，其可以在診斷前6-12個(gè)月內，就能夠實(shí)現對AML預測，其靈敏度和特異性分別達到25.7%和98.2%。

　　AML預測模型(圖來(lái)源：Nature)

　　早在此前，Watson也診斷過(guò)一個(gè)60女性的罕見(jiàn)白血病，Watson 通過(guò)比對 2000 萬(wàn)份癌癥數據報告中不同患者的基因變化，僅用了 10 分鐘時(shí)間便得出了結果——不僅有精確的病癥診斷，Watson 還提供了適當的治療方案。

　　AI預測的出現，讓人欣喜的同時(shí)也許多人對其存疑。確實(shí)，比如AI預測死亡時(shí)間的出現，這讓AI的應用不再是一個(gè)技術(shù)問(wèn)題，更是一個(gè)倫理問(wèn)題。當你確知自己何時(shí)生病、何時(shí)辭世時(shí)，這似乎并不是一件多好的事情。

　　第二步：AI制藥，改變藥物研發(fā)模式

　　《我不是藥神》電影中，矛盾的聚焦點(diǎn)就在于天價(jià)的“格列寧”，新藥貴，貴在研發(fā)，研發(fā)的“試錯”環(huán)節，AI也許能夠幫上大忙。

　　從目前智慧醫療的發(fā)展情況來(lái)看，擅長(cháng)模式識別的人工智能可以從海量已有的和新的基因、代謝及臨床信息中篩查篩選，以破解各種疾病背后的復雜網(wǎng)絡(luò )。反過(guò)來(lái)，這也有助于發(fā)現適用于特定病人群體的藥物，同時(shí)引導藥企規避可能會(huì )失敗的藥物。

　　此外，借助人工智能的生物意義，可以幫助藥企根據病人情況，并參與對他們最可能見(jiàn)效的創(chuàng )新療法的臨床試驗，這也許能夠成為提升新藥獲批的可能性，比如獲得美國FDA的批準。

　　實(shí)際上，醫藥研發(fā)的核心在于知識圖譜，就是將實(shí)驗信息、數據、臨床實(shí)驗結果和數據的結合起來(lái)，將零散的數據整合在一起，從而為決策提供有價(jià)值的數據支持。

　　從目前來(lái)看，人工智能主要作用于藥物研發(fā)主要有七個(gè)場(chǎng)景：靶點(diǎn)藥物研發(fā)、候選藥物挖掘、化合物篩選、預測ADMET性質(zhì)、藥物晶型預測、輔助病理生物學(xué)研究，以及發(fā)掘藥物新適應癥。

　　人工智能作用于的制藥場(chǎng)景

　　根據Tech Emergence的研究報告，AI可以將新藥研發(fā)的成功率從12%提升至14%，這2%意味著(zhù)能夠為生物制藥行業(yè)省下數十億美元的研發(fā)成本和大量的試錯時(shí)間。

　　但是，不容否認的是：AI藥物研發(fā)一定是一場(chǎng)持久戰。目前世界上并沒(méi)有AI藥物研發(fā)的成功案例，人工智能研發(fā)的藥物也并沒(méi)有被批準上市。

　　目前發(fā)展較好的國外企業(yè)應用AI研發(fā)的新藥已進(jìn)入二期臨床，但是二期到三期的失敗率高達70-80%。AI技術(shù)應用前景廣闊，目前依然任重道遠。輝瑞、羅氏、GSK等巨頭紛紛“下注”AI公司，目前發(fā)展還需要時(shí)間檢驗。

　　但這并不意味著(zhù)AI制藥并無(wú)可能。如果技術(shù)能夠有效縮短藥物研發(fā)的效率，提高研發(fā)上市成功率，那么藥物研發(fā)的成本就會(huì )大幅度降低，這樣可以大幅度減輕國家醫保負擔，“平價(jià)藥”也將成為可能。

　　第三步：藥物數據成為AI制藥關(guān)鍵

　　其實(shí)，我們也可以看到，AI在智慧醫療領(lǐng)域的每一步，其中都撇不開(kāi)一個(gè)重要因素：藥物數據。

　　比如，在新藥研發(fā)領(lǐng)域，AI可以幫助科學(xué)家從巨大體量的化合物數據庫中完成文獻搜索，許多公司也在研究如何利用機器模擬化合物跟特定靶標的結合效果，從而大大加快新藥篩選的過(guò)程。全球每年都有數千億美元用于新藥研發(fā)，AI技術(shù)的運用能夠在一定程度上提高研發(fā)效率。

　　AI通過(guò)機器學(xué)習，不但可以加速時(shí)間，還可以提高到達后期試驗階段藥物的成功概率。如果AI可以減少藥物試驗的風(fēng)險，就可以為大型制藥公司節約大量成本，使其能夠騰出資源集中于尋找更有潛力的機會(huì )。

　　類(lèi)似的人工智能應用在流行病統計、臨床試驗數據分析和精準醫療基因檢測方面也大有可為。在人工智能精準醫療項目方面，IBM也繼“Waston腫瘤醫生”推出了“Waston for Genomics”

　　除了藥物數據，醫療數據也成為醫生診斷及后續藥物研發(fā)的重要依據。隨著(zhù)健康智能硬件的興起，醫療數據的邊界不斷地被拓展。

　　2016年4月，一款健康智能硬件記錄的數據拯救了一個(gè)新澤西州男人的生命。這個(gè)男人在工作當中突發(fā)心臟病，醫生通過(guò)其智能手機提取其日常的心率數據，這些數據幫助了醫生排除了不必要的診斷，并配合醫生迅速找到合適的醫療方法，進(jìn)而拯救了一個(gè)生命。

　　醫療數據可不僅僅是醫學(xué)期刊和醫生輸入電腦的醫療記錄，我們的身體無(wú)時(shí)無(wú)刻不在產(chǎn)生海量的潛在醫療數據。但是目前來(lái)說(shuō)，絕大部分的數據都處于“丟失”的狀態(tài)——我們每天走了多少步、今天的心率怎么樣、皮膚的溫度是高還是低、今天都吃什么了等等這些數據，都只保存在本地、孤零零的幾個(gè)設備和App里。

　　對AI醫療來(lái)說(shuō)，數據的重要性不言而喻。不論是應用于藥物研發(fā)還是診斷治療方面，都有著(zhù)相當大的前景，但是AI在小樣本集上做的診斷或推定，被認為是不可持久的模式，因為一旦再擴大一點(diǎn)范圍，換一個(gè)病種、換一個(gè)地方，結果可能就出現偏差，正確率下降。

　　總的來(lái)說(shuō)，AI醫療發(fā)展至今已經(jīng)有了長(cháng)足的進(jìn)步，雖然許多AI醫療產(chǎn)品暫未落地，但是不是病人的“藥神”，我們走著(zhù)瞧。

　　智能相對論：深挖人工智能這口井，評出咸淡，講出黑白，道出深淺。重點(diǎn)關(guān)注領(lǐng)域：AI+醫療、機器人、智能駕駛、AI+硬件、物聯(lián)網(wǎng)、AI+金融、AI+安全、AR/VR、開(kāi)發(fā)者以及背后的芯片、算法、人機交互等。