全球性疫情要被終結了？AI在其爆發(fā)之前就能阻止它

去年冬天，隨著(zhù)流感季節的到來(lái)，全球各地的醫療機構都在加班加點(diǎn)地工作。美國疾病控制與預防中心(CDC)公布的數據現實(shí)，近幾個(gè)月來(lái)，已有超過(guò)18萬(wàn)美國人住院，另有1萬(wàn)人死亡，而新型冠狀病毒(現已正式命名為COVID-19)也以驚人的速度在全球蔓延。

對全球范圍內流感疫情爆發(fā)的擔憂(yōu)，甚至促使2020年移動(dòng)世界大會(huì )（MWC 2020）這樣的盛會(huì )，在距離開(kāi)幕僅剩7天時(shí)間宣布取消。但在不久的將來(lái)，人工智能（AI）增強的藥物開(kāi)發(fā)過(guò)程可以幫助以足夠快的速度生產(chǎn)疫苗，并找到治療方法，在致命病毒變異成全球性疫情之前阻止它們的傳播。

傳統的藥物和疫苗開(kāi)發(fā)方法效率極低。研究人員可以花費近十年的時(shí)間，通過(guò)密集的試驗和糾錯技術(shù)，對每個(gè)候選分子進(jìn)行詳細審查。塔夫茨藥物開(kāi)發(fā)研究中心2019年的一項研究現實(shí)，開(kāi)發(fā)一種藥物的平均成本為26億美元，這是2003年成本的兩倍多。而且，只有大約12%進(jìn)入臨床開(kāi)發(fā)階段的藥物獲得了FDA批準。

美國佐治亞大學(xué)藥學(xué)和生物醫學(xué)科學(xué)助理教授伊娃-瑪麗亞·斯特拉克博士（Eva-Maria Strauch）指出：“你繞不過(guò)FDA，后者真的需要5到10年的時(shí)間才能批準某種藥物?！比欢?，在機器學(xué)習系統的幫助下，生物醫學(xué)研究人員基本上可以顛覆試錯方法。研究人員可以使用AI來(lái)對大量候選化合物數據庫進(jìn)行排序，并推薦最有可能有效的治療方法，而不是手動(dòng)嘗試每種潛在的治療方法。

華盛頓大學(xué)計算生物學(xué)家S·約書(shū)亞·斯瓦米達斯(S.Joshua Swamidass)在2019年接受采訪(fǎng)時(shí)稱(chēng)：“藥物開(kāi)發(fā)團隊真正面臨的許多問(wèn)題，不再是人們認為他們只需在腦海中整理數據就能處理的那種問(wèn)題，而是必須有某種系統方式來(lái)處理大量數據、回答問(wèn)題并洞察如何做事?！?/p>

例如，口服抗真菌藥物terbinafine于1996年上市，名稱(chēng)為拉米非，被用于治療鵝口瘡。然而，在三年內，有多人報告了服用該藥物的不良反應。到2008年，已有3人死于肝中毒，另有70人患病。醫生發(fā)現terbinafine的一種代謝物(TBF-A)是造成肝臟損傷的原因，但當時(shí)無(wú)法弄清楚它是如何在體內產(chǎn)生的。

這種代謝途徑十年來(lái)始終是醫學(xué)界的一個(gè)謎，直到2018年，華盛頓大學(xué)研究生Na Le Dang訓練了一臺關(guān)于代謝途徑的AI，并讓機器找出了肝臟將terbinafine分解為T(mén)BF-A的潛在途徑。事實(shí)證明，創(chuàng )建有毒代謝物是個(gè)兩步過(guò)程，而且這是個(gè)很難通過(guò)實(shí)驗識別的過(guò)程，但用AI強大的模式識別能力卻非常簡(jiǎn)單。

事實(shí)上，在過(guò)去的50年里，已經(jīng)有450多種藥物被從市場(chǎng)上撤下，其中許多藥物像拉米菲爾一樣導致肝中毒。這促使FDA推出Tox21.gov網(wǎng)站，這是個(gè)關(guān)于分子及其對各種重要人類(lèi)蛋白質(zhì)相對毒性的在線(xiàn)數據庫。通過(guò)在這個(gè)數據集上訓練AI，研究人員希望更快地確定潛在的治療是否會(huì )導致嚴重的副作用。

美國先進(jìn)翻譯科學(xué)中心的首席信息官山姆·邁克爾（Sam Michael）幫助創(chuàng )建了這個(gè)數據庫，他解釋稱(chēng)：“我們過(guò)去遇到過(guò)一個(gè)挑戰，本質(zhì)上是，‘你能提前預測這些化合物的毒性嗎？’這與我們對藥物進(jìn)行小分子篩查的做法正好相反。我們不想找到匹配的藥物，我們只是想說(shuō)‘嘿，這種(化合物)有可能是有毒的?！?/p>

當AI不忙于解開(kāi)十年來(lái)的醫學(xué)謎團時(shí)，他們正在幫助設計一種更好的流感疫苗。2019年，澳大利亞弗林德斯大學(xué)的研究人員使用AI為開(kāi)發(fā)一種普通流感疫苗提供增強效應，這樣當人體接觸到它時(shí)，就會(huì )產(chǎn)生更高濃度的抗體。從技術(shù)上講，研究人員并沒(méi)有“使用”AI，而是啟動(dòng)它，讓它自己尋找用例路徑，因為它完全是自己在設計疫苗。

該團隊由弗林德斯大學(xué)醫學(xué)教授尼古拉·彼得羅夫斯基(Nikolai Petrovsky)領(lǐng)導，首先建立了AI Sam(配體搜索算法)。AI Sam接受的訓練是區分那些對流感有效和無(wú)效的分子。然后，研究小組訓練了第二個(gè)程序，以生成數萬(wàn)億個(gè)潛在的化合物結構，并將這些結構反饋給AI Sam，后者開(kāi)始決定它們是否有效。

然后，研究小組挑選出排名靠前的候選化合物結構，并對他們進(jìn)行了物理合成。隨后的動(dòng)物試驗證實(shí)，增強后的疫苗比未改進(jìn)的前身更有效。最初的人體試驗于今年年初在美國開(kāi)始，預計將持續12個(gè)月。如果審批過(guò)程順利，增強版疫苗可能在幾年內公開(kāi)上市。對于只需要兩年(而不是正常的5-10年)就研發(fā)出來(lái)疫苗來(lái)說(shuō)，這絕非壞事。

雖然機器學(xué)習系統可以比生物研究人員更快地篩選巨大的數據集，并通過(guò)更脆弱的聯(lián)系做出準確的知情估計，但在可預見(jiàn)的未來(lái)，人類(lèi)仍將留在藥物開(kāi)發(fā)循環(huán)中。畢竟，人類(lèi)需要生成、整理、索引、組織和標記所有的訓練數據，并教授A(yíng)I他們應該尋找的東西。

即使機器學(xué)習系統變得更有能力，當使用有缺陷或有偏見(jiàn)的數據時(shí)，它們仍然很容易產(chǎn)生次優(yōu)結果，就像其他所有AI一樣。Unlearn.AI創(chuàng )始人兼首席執行官查爾斯·費舍爾博士(Dr.Charles Fisher)在去年11月寫(xiě)道：“醫學(xué)上使用的許多數據集大多來(lái)自白人、北美和歐洲人群。如果研究人員在機器學(xué)習中只是用這樣的數據集，并發(fā)現某個(gè)生物標記物來(lái)預測對治療的反應，就不能保證該生物標記物在更多樣化的人群中發(fā)揮作用?！睘榱藢箶祿?jiàn)帶來(lái)的扭曲效應，費舍爾主張使用“更大的數據集、更復雜的軟件和更強大的計算機”。

另一個(gè)重要組成部分將是干凈的數據，正如Kebotix首席執行官吉爾·貝克爾博士（Jill Becker）解釋的那樣。Kebotix是2018年成立的初創(chuàng )公司，它將AI與機器人技術(shù)結合起來(lái)，設計和開(kāi)發(fā)奇異的材料和化學(xué)品。

貝克爾博士解釋說(shuō)：“我們有三個(gè)數據來(lái)源，并有能力生成我們自己的數據。我們也有自己的合成實(shí)驗室來(lái)生成數據，然后使用外部數據?！边@些外部數據可以來(lái)自開(kāi)放期刊或訂閱期刊，也可以來(lái)自專(zhuān)利和公司的研究伙伴。但貝克爾指出，無(wú)論來(lái)源如何，“我們都花了很多時(shí)間清理它?！?/p>

美國先進(jìn)翻譯科學(xué)中心的首席信息官山姆·邁克爾（Sam Michael）也稱(chēng)：“確保數據具有與這些模型相關(guān)聯(lián)的適當元數據是絕對關(guān)鍵的。而且這不是隨隨便便就能發(fā)生的，你必須付出真正的努力。這很難，因為這個(gè)過(guò)程既昂貴又耗時(shí)?！?/p>