开发新药是是一项漫长而且低效率的工作。数据显示，所有进入临床试验阶段的药物，只有不到12%的药品最终能够上市销售，而且一款新药的平均研发成本高达26亿美金。
药物研发人员需要对各种不同的化合物以及化学物质进行测试，这个试验过程中的错误尝试耗费了太多的时间和金钱。由于需要测试的分子太多，研发人员不得不使用移液机器人一次测试几千种变体，然后选择最有效的变体进行动物模型或者细胞培养试验，希望其中一些最终能够进入人类临床试验阶段。
由于不断试错的成本太高，越来越多的药物开发厂商开始转向计算机和人工智能，希望利用这种技术来缩小潜在药物分子的范围，从而节省后续测试的时间和金钱。为了识别那些有很大潜力可以作为药物靶标的蛋白质的编码基因，这些厂商把希望寄托了算法上。目前，一些新的算法模型(包括近日发布在《Science Translational Medicine》上)增加了新层次的复杂性，用来缩小相关蛋白质、药物和临床数据的范围，以便更好地预测哪些基因最有可能让蛋白质和药物结合。
“许多原因都可能导致药物研发失败。”遗传流行病学家Aroon Hingorani说，“然而，其中一个主要的原因是没能针对疾病选择正确的靶标。”一种药物可能在细胞、组织、以及动物模型的早期实验中显示初步的前景，但是这些早期实验往往过于简单，很少使用到随机盲法实验进行对照。科学家们会使用这些结果来预测哪些蛋白质可以作为药物标靶，但是由于这些研究往往规模很小而且时间较短，因此有很多因素会造成误判。
然而，Hororani的小组并没有依赖这些有局限性的试验，他们建立了一个将基因信息、蛋白质数据结构和已知药物的作用过程相结合的预测模型。最终，他们获得了将近4500种潜在药物靶标，相比之前预测的可成药人类基因组数量，翻了一倍。然后，两名临床医生梳理出了具有正确形状和化学物质的144种药物，除了那些已经发现的可与之相结合的标靶蛋白外，这些药物还可以与其他的蛋白质结合。由于这些药物此前已经通过了安全测试，这意味它们可以很快被用于治疗其他疾病。对于药物开发商来说，时间就是金钱。
研究人员估计，大约15%~20%的新药成本都耗费在探索阶段。通常情况下，这意味着高达几亿美元的支出，以及3~6年的工作。如今，有人希望通过AI将这一过程缩短至几个月，并大幅降低研发成本。不过，目前市场上还没有一款药物是AI系统一开始挑选出来的，但是他们正在走上正轨。
Hingorani的合作者之一是BenevolentAI生物医学信息学副总裁。BenevolentAI是一家英国AI公司，最近刚刚与Janssen(强生旗下子公司)签署了一项收购和开发临床试验候选药物的协议。他们计划在今年晚些时候开始IIb阶段的试验。(IIa阶段会先入组少量受试者，确立合适的治疗剂量;IIb则是在a的基础上有效组扩大样本量，明确剂量等有效性、安全性。)
此外，其他制药企业也在纷纷跟进。据雷锋网(公众号：雷锋网)了解，上个月，日本眼药巨头Santen与位于Palo Alto的twoXAR公司签订了一份协议，Santen将利用twoXAR的AI技术来确定针对青光眼(glaucoma)的候选药物。而几个星期 之前，两家欧洲公司——Pharnext和Galapagos也宣布展开合作，开发AI系统模型用来寻找神经退行性疾病(neurodegenerative diseases)的新疗法。
但是，长期从事药物开发研究的Derek Loewe在《Science》的个人博客上撰文称，他对于这种纯粹的计算方法持怀疑态度。“从长远来看，我并不觉得这个东西是不可能的。”他说，“但是如果有人告诉我，他们能预测所有这么多化合物的活动，那么我可能会认为这是在胡说八道。在相信之前，我想看到更多证据。”
像twoXAR这样的公司就正在努力建立起这样的证据。去年秋天，他们与斯坦福大学的Asian Liver Center(亚洲肝病中心)合作，为成年肝癌患者筛选了25000种候选药物。他们利用自己开发的计算机软件，结合遗传、蛋白质组学、药物和临床数据筛选了出了10种可能的药物。
Asian Liver Center的主任Samuel So对结果非常惊讶，因为其中几种利用计算机软件筛选出的药物和实验室研究人员的预测相同，所以他决定测试所有的10种候选药物。其中最有希望的一种药物，能够杀死5种不同的肝癌细胞，并且没有伤害到健康细胞，现在正准备进行人体试验。目前，唯一一款针对同一癌症的药物花费了5年时间才获得了FDA(美国食品药品监督管理局)的批准，而twoXAR和斯坦福到现在为止才用了4个月。
令人兴奋的是：对于失败率如此高的行业，即使是很小的进步，也可能撬动数十亿美元的市场，更不用说那些那些可能因此被拯救的生命。但是，除非通过AI系统发现的药物真正上市销售，否则这个行业的研发模式不会发生根本性的变革。
