第一款使用人工智能（AI）设计的药物已进入I期试验。Exscientia的Andrew Hopkins教授解释了如何使用算法来实现这一里程碑。
在具有里程碑意义的发展中，使用AI创建的第一种药物已进入其第一阶段试验。该化合物名为DSP-1181，由Exscientia和住友大日本制药公司(Sumitomo Dainippon Pharma)合资成立，用于治疗强迫症(OCD)。
Exscientia首席执行官Andrew Hopkins教授解释了如何在短短12个月内发现和优化该药物。
药物的作用机理
Hopkins首先解释说，该药物可作为5-羟色胺(5-HT)1A受体潜在的完全激动剂，而不像其他现有的5-羟色胺(5-HT)1A受体激动剂仅部分阻断活性。它的半衰期也比其他药物更长。这使他和其他研究人员相信，与目前的疗法相比，它将显示出更大的功效和更长的作用时间。
Hopkins说，这种药物操纵着与强迫症有关的神经回路，这表明其起效要比标准疗法快。
药物设计中使用AI
研究人员确定了研究中使用的AI中央化学系统的策略和目标，称为Centaur Chemist TM。这允许优化算法以识别具有所需分子特征的新化学物质。
从药物开发过程的开始就一直使用AI，包括从数据直接生成的从头设计获得的最初命中化合物。利用人工智能来搜索化学空间，其中包括潜在的数十亿个原子配置选项，使研究人员能够减少识别靶标所需的时间。将数据生成假设与机器学习相结合以产生药物设计概念，人类先前采取的步骤被一套高级算法所取代。
首先，人工智能产生了数百万种符合特定规格的潜在新型分子。然后，使用机器学习平台来预测哪些化合物对成百上千种蛋白质具有活性。然后应用了第三层算法，称为主动学习，该算法自动确定研究人员应该合成和测试的化合物的优先级。通过使用AI同时满足大量设计目标，这些过程使科学家能够精确地设计药物。
Hopkins说：“这就是如此重要的突破的原因，因为它展示了如何使用AI来创建分子，从而挑战了传统工艺，该算法的优点在于每个原子都至关重要。”
研发中的问题
Hopkins确定的药物设计中的一个关键问题是，只有少量数据可轻易获得。他说，这是“大数据问题的对立面”，这意味着需要学习不同的算法。
Hopkins解释说，有大量的生物和化学数据源，可以将其集成并用于构建机器学习模型。但是，对于人体中的大多数蛋白质，在启动药物发现项目时通常只有很少的信息。此外，对于每个单独的靶标，通常存在少量数据或稀疏数据的问题。因此，算法上的挑战是如何从很少的数据中快速学习。
Hopkins说，要解决这个问题，在主动学习领域开发的一组算法对于设计创新药物至关重要。通过做出更好的设计决策，可以合成更少的化合物，这使项目的进展比传统情况快得多。
使用AI的意义
Hopkins强调，使用AI的主要好处是临床前阶段的移动速度。与传统方法相比，它可以更快地优化和鉴定临床候选药物。
Hopkins说，制药业面临的主要问题是生产率。使用AI可以解决研究回报率低的问题。“如果我们可以减少投资成本，那么最终我们就可以开始减少将学术界和诊所的新见识转化为新药的障碍。”
然而，霍普金斯大学讨论的“真正意义”是DSP-1181是一种新的化学实体。该分子不是重新用途的药物。他解释说，这将挑战进行常规药物发现的方式。
因此，将人类策略和创造力相结合并结合算法的优势可以为药物开发提供大量新策略和解决问题的方法，这有可能提高生产率。
协作带来力量
Hopkins承认，最初的复杂之处在于将数据与AI集成在一起并进行整合，这是至关重要的一步。
但是，通过与住友大日本制药公司的合作与伙伴关系克服了这种局限性，住友大日本制药公司提供了高度勤奋的化学家和药理师的经验和专业知识。
Hopkins评论说，这是药物发现行业面临的一个更广泛的问题，所有技术人员都需要意识到，因为“这不仅仅是设计效率更高的算法。关键之一是技术人员与药物发现者的互动方式，以及如何真正了解来自生化验的数据。”因此，在不同的专家之间进行成功的对话对于更深入地了解科学结果至关重要。
塑造未来
到本世纪末，Hopkins预计所有进入人类临床试验的药物都将使用AI设计。这种自动化不仅将用于药物设计和发现，而且还将用于药物开发。
相信优势如此强大，以至于在制药行业中，将开始发现使用这些技术进行药物发现的广泛采用，因为这样做会带来如此明显的经济优势。
Hopkins预测，未来可能会看到技术人员与药物发现科学家之间的紧密联系，这将融合为一种新的“制药技术”文化。
Hopkins解释说，随着公司不断进行创新，并且人工智能和机器学习的技术逐年变化，对于技术和药物发现专家来说，相互合作至关重要。相信这一里程碑表明，人工智能可以直接为新药的研发做出贡献。”
