将人工智能整合到生物药物研发中

随着机器学习模型成为生物药物研发的核心，制药行业正在经历重大转变。通过将计算设计整合到传统的药物发现过程中，各公司旨在减少通常与开发新疗法（尤其是那些源自工程蛋白质的疗法）相关的时间和高失败率。

AstraZeneca 是采用“构建-测量-学习”框架以简化这一流程的组织之一。据生物制剂工程与肿瘤靶向发现研发高级副总裁兼负责人 Puja Sapra 表示，该公司利用人工智能在计算上对候选分子进行优先排序。这使得科学家能够将实验室资源集中在最有可能成功的方案上，有效地将海量的潜在分子组合缩小到可管理的范围。

这些技术的应用不仅限于简单的加速。研究人员目前正在探索多特异性生物制剂的设计，这种制剂能够打击多种疾病通路或将治疗性载荷递送至特定细胞。这需要平衡效力、稳定性和可制造性等复杂变量。为了支持这些工作，AstraZeneca 正在马萨诸塞州剑桥市的 Kendall Square 开发一个“未来实验室”。该设施旨在创建一个闭环系统，其中人工智能模型生成预测，机器人系统执行相应的实验，并将数据反馈回模型以改进未来的迭代。

该领域的一个主要目标是“从头”设计，即人工智能从零开始生成全新的蛋白质序列。实现这一目标需要高质量、标准化的训练数据，以及预测生成分子在人体内安全性的能力。为了解决安全性问题，研究人员正在利用虚拟临床试验，将人工智能与先进的细胞系统和微尺度器官模型相结合，以模拟生物反应。

尽管向自主系统迈进，但人类专业知识仍然是工作流程中的关键组成部分。Sapra 强调，科学家和工程师对于提供监督、战略指导以及确保人工智能输出的可解释性和合乎道德至关重要。人类才智与机器学习之间的合作被视为解锁此前被认为无法治疗的疾病疗法的关键。

来源：麻省理工科技评论