從藥物設計到臨床試驗，AI人工智能為藥物研發(fā)的各個階段帶來突破性進展。有了深度學習的輔助，機器開始模仿人類大腦神經元的活動，來創(chuàng)造一個人工的“神經系統(tǒng)”。我們在醫(yī)藥研發(fā)的大量試驗中運用AI的方法，來降低成本，加速數據的供應。

 我們也通過AI來幫助我們分析大量的數據，這些數據來自病理樣本的影像學研究和生物標志研究，以實現藥物的正確使用。

在我們的臨床試驗中，AI能讓我們持續(xù)監(jiān)測接收的安全數據，提醒科學家需要注意的安全信號。對此，動脈網翻譯了一篇來自阿斯利康的研究報告。 

預測的化合物生物活動空間和靶標相互作用

 阿斯利康iLAB的負責人Michael Kossenjans表示，“我在DMTA Hackweek感受到了活力和熱情。我們夜以繼日地為DMTA Hackweek做準備�？雌饋韼缀醪豢赡茉谝恢艿臅r間內構建一個自動化的DMTA平臺，但是我們做到了。這是我們研究新型實驗室自動化技術和機器學習的第一步，之后還有更多的工作需要完成�！�

藥物研發(fā)：人類和機讀數據并存

通過機器學習，我們最先進的藥物研發(fā)機器人和其他自動化設備可以調整操作，對接收到的數據作出反應，讓我們能更快更有效率地工作。

 AI驅動的自動化正幫助我們解決一些化學方面的復雜問題，旨在加速化合物合成的周期，即設計——制造——測試——分析（DMTA），來促進快速公正的決策。

 我們推出的DMTA平臺只是利用新型實驗室自動化技術和機器學習的第一步，這將加速構建和測試有關藥物的研究。它將會用來不斷地改善與治療相關的化合物。對于一個普通項目，需要數百個DMTA周期來發(fā)現符合候選藥物標準的化合物。當通過人工來完成這些周期時，可能會花費數周的時間，而我們的目標是將化合物設計到測試數據接收之間的時間從4到6周減少至不超過5天。

 在2017年，我們舉辦了DMTA “Hackweek”。各個研究點的科學家和我們內部的專家一起，通過他們的科學知識和專業(yè)技術構建了首個“DMTA machine”模型。

在哥德堡的創(chuàng)新實驗室里，他們連續(xù)工作了5天，徹底改變了我們發(fā)現藥物的方式。本著“黑客”的精神，這個團隊克服了無數的困難，將20多年來積累的硬件和軟件結合起來，創(chuàng)造出了一個機器模型。這種機器可以在兩小時內，完成研究項目的整個DMTA周期。

 千里之行始于足下。通過這個簡單的模型系統(tǒng)，我們正在開發(fā)機器學習，來優(yōu)化新化合物的功效，預測不同的合成路線，讓自動化更加先進，這樣我們就可以制造更復雜的分子，收集更多供篩選的數據。

量子計算:利用結構化學來發(fā)現重要分子

建立潛在新藥的化學三維結構是藥物研發(fā)的關鍵，因為藥物的大小和形狀非常重要。它們影響著許多不同的特性，包括與生物系統(tǒng)的相互作用，以及形成藥物所需的物質分子的聚集方式。 

然而，就像一位跳傘者需要多次的嘗試，才能找到最深的山谷一樣。我們必須一次又一次地評估所有可能的分子形狀，以找到優(yōu)化藥物所需的低量構象。 

量子計算的新興領域有望幫助我們解決這個問題。量子計算機可以同時探索所有可能的化合物結構，并根據合適的標準，在單一的操作中，集中于最可能的結構。

 通過調整標準，可以找到一系列高質量的解決方案。目前，量子計算被可以處理的信息量所限制，我們仍然需要在標準計算機上使用現有的精確方法，對它提供的解決方案進行一些事后評估分析。

機器學習的未來應用預計將會使量子計算進入下一個階段。我們目前的方法似乎讓我們可以掌握最相關的解決方案，幫助我們選擇出最好的化學結構。

利用AI幫助IMED科學家

在研究中，我們也通過AI，使現有的流程更有效，并將數據轉化為知識。我們正在使用AI來對常規(guī)化驗的結果進行可靠預測，比如人體血漿蛋白結合（hPPB）測試，以此來幫助我們的科學家，讓他們有更多的時間專注于那些將給阿斯利康帶來更大競爭優(yōu)勢的問題。

 在藥物安全和新陳代謝領域中發(fā)展起來的hPPB測試，可以幫助我們了解潛在藥物分子是如何在病人體內分布的。我們正在與世界領先的組織合作，利用AI領域最先進的研究來預測結果。

 我們目前正在評估AI在安全篩選、蛋白質生成、圖像分析和CRISPR基因編輯等方面的應用。在未來，我們希望利用AI來改革我們藥物研發(fā)中數據收集的過程，并把這些數據變成知識。

 在2017年，虛擬篩選工具FastVS的發(fā)展表明了機器創(chuàng)造效率的前景。與OpenEye Scientific Software合作開發(fā)的新型“谷歌式”網絡工具，縮短了在眾多大型分子數據庫中搜索和篩選條目的時間，從數小時到數秒，優(yōu)化了藥物發(fā)現的過程。

大數據分析有助于傳統(tǒng)病理學進入21世紀

在科學驅動的環(huán)境中，能快速識別和學習數據中的信號和模式，是建立知識和影響未來科學發(fā)展方向的關鍵。為了實現這一點，我們需要以一種可用的模式來收集整合多樣的大數據集。

 在過去，對綜合基因表達、蛋白質和單個器官的代謝數據進行評估，受限于我們有限的數據分析計算能力。這是首次AI能夠處理大數據，分析所有端點以及它們的空間關系。

 我們正在使用質譜成像技術（MSI），在空間上對分子進行生物樣本和組織切片的細胞定位，比如用于病理評估的切片。這些全面的空間數據信息，可以很好地將組織微環(huán)境、藥物定位、療效和安全性聯(lián)系起來。然而，現有的數據挖掘方法對計算機系統(tǒng)有很高的要求，我們只能分析小型的、單個的數據集。

為了解決這個問題，我們開發(fā)了新的計算算法，可以精確有效地分割大量的MSI數據，以提高我們對多個端點的學習能力，正如我們最近在《分析化學》上提到的那樣。

這增強了我們精確量化組織和器官特定區(qū)域的分子變化的能力，并為逐漸變得復雜的空間關系提供數據。藥物安全和新陳代謝領域的研究人員與計算機和病理科學領域的外部專家密切合作，是整個研究的重要部分。

 展望未來，我們計劃將深度學習算法與圖像分析相結合，加速對慢性腎臟疾病動物模型的評估，為下行流多光譜圖像分析提供更可靠的數據。這將增加數據的定量分析速度、可信度和再現性，并通過綜合的多模態(tài)圖像挖掘來檢測生物關系及其結果。

在2017年，我們的科學家與英國癌癥研究（CRUK）的團隊合作，提出了繪制腫瘤的斷層掃描圖，通過Google地圖式的方法來研究癌癥的相關信息。這有可能使病理學——最傳統(tǒng)的安全學科之一——進入21世紀。

利用AI正確使用藥物

越來越多的組織生物標志物被用來匹配病人和正確的藥物。然而，目前的技術涉及到病理學家對圖像進行手動標記，整個過程主觀、耗時而且復雜。我們使用AI來解決這一問題，并開發(fā)了一種新的深度學習算法，利用數字病理學，自動進行組織生物標記。

 在對71位患者腫瘤樣本的概念驗證研究中，我們發(fā)現AI可以自動標記人表皮生長因子受體-2 （HER2），這是一種乳腺癌的生物標志物。該算法還可以識別出存在誤診風險的樣本，證明了它能使組織生物標記更快、更簡單、更精確。

 在2017年，我們在兩個世界領先的科學大會上展示了這項成果，并將其發(fā)表在《科學報告》上。

 我們將繼續(xù)利用最先進的科學技術，通過與頂尖的學術機構合作，開展類似的研究。通過將云計算和最新圖形處理單元（GPU）硬件相結合，我們打算將自動分析數字化病理圖像變成一個高通量的過程，并將AI算法融入到診斷測試的開發(fā)中。我們的目標是利用AI來影響患者的治療，將目標藥物用于最需要的患者。

Watcher：時刻監(jiān)測藥物安全

在我們早期的臨床試驗中，基于AI的決策支持系統(tǒng)Watcher不斷監(jiān)控輸入的安全數據，并提醒科學家需要注意的安全信號。 

Watcher是一個創(chuàng)新的AI警報系統(tǒng)，在臨床試驗中，可以幫助醫(yī)生和科學家，將臨床決策規(guī)則嵌入到邏輯中。阿斯利康、曼徹斯特大學癌癥研究所、the Centre for Cancer Biomarker Sciences和the  Christie  National  Health  Service Foundation Trust達成了為期五年的合作，是我們iDecide研究項目的重要組成部分。

CRUK Manchester Institute的數字實驗癌癥醫(yī)學團隊（digitalECMT）負責開展iDecide項目，通過與患者直接合作，來開發(fā)新方法，使更好的臨床試驗決策能更快地直接造福于患者。

 Watcher還使用了另一種iDecide工具REACT 4，它對試驗第一階段和第二階段的安全性、有效性和生物標志物數據進行了整理，并使之形象化，目前正用于阿斯利康超過140項的研究中。

REACT 4可以按需進行臨床說明，并取決于正在使用的系統(tǒng)。然而，Watcher的持續(xù)監(jiān)測可以察覺到信號并在信號發(fā)出時進行及時的通知。 

在未來，我們計劃通過臨床規(guī)則和機器學習來發(fā)展Watcher，以增強和擴展當前的功能。這些發(fā)展將使它與及時護理設備一起被帶進患者的家中，讓患者可以進一步在參與臨床試驗時進行自我監(jiān)控。