查看完整版本: [-- AI加速药物发现,前景尚需实践检验 --]

武当休闲山庄 -> 数码讨论 -> AI加速药物发现,前景尚需实践检验 [打印本页] 登录 -> 注册 -> 回复主题 -> 发表主题

huozm32831 2024-02-05 20:19
这或许是医疗保健行业最引人注目的变革:数字生物学和生成式人工智能(AI)正在帮助重塑药物发现进程。

利用AI开发新药尚处于起步阶段,但AI设计的药物在过去几年已经进入临床试验的早期阶段,一些AI制药先驱公司已经在该领域取得一定成果。不过,英国《自然》网站刊文称,AI加速药物发现的潜力还需要实践检验。

开发噬菌体形式的抗生素

人体被大量的微生物所占据,其中就包括病毒,这些病毒群体统称为人体病毒组。美国AI制药公司Salve Therapeutics首席执行官斯特凡·N·卢卡诺夫指出,人体组织中自然存在的病毒是携带基因疗法有效载荷治疗疾病的理想途径。

Salve正在将机器学习与计算机辅助设计结合起来,开发噬菌体形式的抗生素。该方法可以通过对各种模型进行广泛的迭代分析,对一项药物发明的属性、结果和风险进行虚拟评估。

卢卡诺夫表示,他们正在致力于通过基因工程改造噬菌体,以获得更大的效力和宿主范围。他预计噬菌体抗生素能够改善移植、烧伤和免疫受损患者的生活。

卢卡诺夫强调,由于噬菌体只针对细菌,因此,除了异物颗粒的存在而导致人体产生的轻微免疫反应之外,这种抗生素不会给患者带来重大风险。

研制口服小分子药物

美国AI药物研发公司Biolexis Therapeutics专门开发针对癌症和各种代谢、炎症和神经退行性疾病的口服小分子药物。

该公司通过其专有的MolecuLern工艺来发现和开发新的临床候选药物。该工艺可以针对任何种类的蛋白质,识别具有药物样特征的新的化学实体,并通过实验室数据验证,将发现和开发新药物时间从几年缩短到几个月。他们开发的一款药物SLX-0528,目前正处于胰腺癌的IB期试验阶段。该药物旨在控制辅助性T细胞17的细胞分化、功能和白细胞介素释放。

推出生成式AI药物发现平台

安东尼·科斯塔是英伟达公司生命科学开发者关系全球负责人。他指出,许多生成式AI都构建在大型语言模型的底层模型上。这些模型正在提高其预测药物性质和相互作用的能力。

为了帮助实现这一潜力,英伟达开发了BioNeMo,这是一种用于生物学中的生成式AI的云服务,为小分子和蛋白质提供了各种AI模型。科斯塔断言,有了BioNeMo,研发人员可以利用具有专有数据的AI模型来快速预测蛋白质和生物分子的3D结构和功能,将加速新的候选药物的产生。

总部位于美国芝加哥的初创公司Evozyne最近使用BioNeMo设计了新的蛋白质来治疗苯丙酮尿症。苯丙酮尿症是一种罕见的疾病,其特征是氨基酸苯丙氨酸水平升高。实验室测试最终证明,一些AI开发的蛋白质变体比自然形式更有效。

AI药物发现需要临床验证

药物开发涉及若干具体步骤。它通常从识别导致某种疾病的生物靶点开始(可能包括DNA、RNA、蛋白质受体或酶),然后筛选可能与其相互作用的分子。这就是所谓的“发现”阶段。

新药必须具备严谨性、安全性、有效性和信任度,各公司必须要找到一条通向该目标的正确道路。即使AI确实减少了化合物进入临床前测试所需的时间和成本,大多数候选药物仍会在后期阶段失败。但只要能加快这一过程,就是胜利。产业界和学术界必须利用彼此的优势,确定如何才能最有效地利用AI。

卢卡诺夫表示,AI和机器学习代表着一种令人兴奋的新方法,可提高疗效和安全性,并将更多药物推向市场。他指出,在药物发现中使用AI和机器学习仍处于早期阶段,应进行实验室验证,确保只有最好的候选药物才会进入临床试验。

此外,各种安全功能正在融入基于AI的药物开发中。例如,Biolexis使用多种方法来优先考虑安全性高的分子。该公司首席执行官大卫·J·比尔斯表示,机器学习开发的分子的安全性和潜在的意外后果是需要解决的重要问题。

jjybzxw 2024-02-05 21:49
AI在药物发现领域的应用前景广阔,但还需要实践检验。

AI技术在药物发现领域的应用主要体现在以下几个方面:

1. 药物分子设计:AI技术可以通过学习大量药物分子结构和生物活性数据,预测和设计具有特定生物活性的药物分子。这大大缩短了药物分子设计的周期,提高了药物研发的效率。

2. 药物筛选:AI技术可以用于高通量药物筛选,通过模拟药物与靶点的相互作用,快速筛选出具有潜在生物活性的药物分子,进一步提高药物研发的效率。

3. 药物毒性和副作用预测:AI技术可以通过学习大量药物毒性和副作用数据,预测新药在临床试验中可能出现的毒性和副作用,从而降低药物研发的风险。

4. 药物作用机制研究:AI技术可以用于解析药物作用机制,通过模拟药物与生物系统的相互作用,揭示药物的作用机制,为药物研发提供理论指导。

尽管AI技术在药物发现领域的应用前景广阔,但仍需实践检验。目前,AI在药物发现领域的应用仍面临以下挑战:

1. 数据质量:AI技术的学习效果取决于数据质量。目前,药物发现领域的数据仍然有限,且存在噪声和不完整性,这可能会影响AI技术的应用效果。

2. 解释性问题:AI技术的解释性问题一直是制约其应用的一个关键因素。在药物发现领域,如何将AI的预测结果与药物分子的化学结构和生物活性联系起来,仍然是一个挑战。

3. 实验验证:AI技术在药物发现领域的应用仍需通过实验进行验证。尽管AI技术可以加速药物分子的设计和筛选,但其预测结果的准确性仍需通过实验进行检验。

总之,AI在药物发现领域的应用前景广阔,但仍需实践检验。在未来,随着AI技术的不断发展和药物发现领域数据质量的提高,AI在药物发现领域的应用将更加广泛。


查看完整版本: [-- AI加速药物发现,前景尚需实践检验 --] [-- top --]


Powered by www.wdsz.net v8.7.1 Code ©2005-2018www.wdsz.net
Gzip enabled


沪ICP备:05041533号