人工智能(AI)参与药物研发的时代正快速到来。作为新药研发领域的强劲引擎,AI运用在疾病建模、靶点识别、化合物筛选、药物设计以及临床试验优化等方面,不仅有望大幅降低新药研发的时间、人力以及成本,更能推动药物研发领域的创新,发现原本不可能发现的靶点及成药机制,创造新的药物资产和增量市场。
“国内做AIDD的企业很多,我们进入这个赛道,自然会做一些不一样的东西。”近日,在T-Inspire暨2022腾讯健康智慧医药开放日上,腾讯健康AIDD技术负责人刘伟展示了腾讯首个AI驱动的药物发现平台的新进展以及“不一样的东西”。“基于腾讯在深度图学习方面的长期积累和算法创新,超大算力、大数据能力以及跨学科结合能力,腾讯已将AI赋能药物研发临床前研究的所有步骤,并形成一体化端到端的AIDD服务。”
强大的深度图学习能力 打造CAMEO与CASP双冠军级模型
新技术的出现给新药研发注入了新活力。AI技术赋能新药发现领域有两个层次,第一个层次,从微观、底层物理的角度进行建模,例如围绕分子和靶点的相互作用或分子的性质预测;第二个层次,就是从宏观层面对化合物、蛋白、基因、疾病之间的数据关联性进行建模。在业内看来,生命科学领域,必须要有原创的模型和方法,去真正解决研发环节中的某个具体问题,创造临床价值。
腾讯AI药物发现平台开发的蛋白质结构预测全新的算法框架tFold已在国际公认的权威测试平台CAMEO上证明其创新价值和有效性,连续数月保持周度冠军。在基于图学习的分子生成上,利用骨架跃迁分子生成算法发现nM级先导化合物。在骨架不变的情况下,用户可以指定保留的结构部分,并在可变的部分进行迭代,最终实现在保证原有药物分子或先导化合物活性的基础上,突破原有分子专利的保护或者优化分子的ADMET性质。
腾讯AI药物发现平台的ADMET预测模型同样能够体现深度图学习优势的重要性。刘伟在会上表示:“我们与药企达成的ADMET预测方面合作中,将腾讯AI的预测功能与内部数据优化结合,可以实现超过30%的效果提升,形成测试、反馈、模型迭代的正向循环。目前,AMDET预测模型已经很好地用于小分子药物化学成药性优化的研究中,大部分属性上的预测结果能达到90%以上的相关性。”
“AI+量子化学”跨领域结合 实现类药分子高精度量化计算
19世纪末量子力学的提出,为解释微观物质世界打开了一扇大门,彻底改变了人类对物质结构及相互作用的理解。量子化学,是应用量子力学来深入理解原子分子系统的物理化学性质的学科。传统计算化学方法很难平衡体系大小与计算量之间的关系,要么算的体系特别小,要么算的体系结果不精准,没办法在体系较大的情况下保证精确度。这一矛盾的存在使得传统方法不能应用于解决复杂的溶液、蛋白质等问题。
随着数据积累、算法迭代,人工智能正赋能和推动新药研发领域,将NLP大模型、深度图神经网络、生成模型等AI技术与传统制药环节相结合,通过数据交叉比对、加速筛选、从头生成等方式,全面提升新药研发效率,拓展药物创新空间的技术应用。而为了满足大体系计算下的高精度,腾讯AI药物发现平台通过将量子化学计算的功能嵌入到基于人工智能算法的研发管道中,尝试使用“AI+量子化学”结合的方式,大幅度减少量子化学的计算量,同时得到一个比低计算量的计算化学更为精准的结果。凭借腾讯的算力优势,腾讯AI药物发现平台基本上把所有的类药分子都做了高精度的量化计算。
超大算力、大数据能力 驱动药企干湿实验数据创新闭环
拥抱AI制药大趋势,越来越多的企业积极布局布局“AI+制药”这个赛道。但AI药物研发,仍是一个以数据驱动为主的状态,训练数据的广度和质量对其很重要,这让AI制药不得不面临着数据采集差别大、质量参差不齐、失败结果的数据难获得等诸多困难。比如很多公司在AIDD应用中常常会遇到这样一个问题:在A靶点上做了一个AI算法,能够很好地预测A靶点相关的分子,但若将其用到B靶点上,最终得到的结果存在较大差距,甚至完全不可用。攻克难题任重道远,但另一方面,这些前沿痛点也将成为AI制药领域的核心竞争点。
为了解决这个问题,腾讯AI药物发现平台做了一个分布外研究框架DrugOOD,在框架下对现有的数据库进行了分门别类,划分了非常多的实际场景,并利用AI评分体系评价AI在不同靶点之间生成结果的可靠性,在后续研究中及早发现模型与靶点不适配的问题,优化研发效率。
目前,腾讯AI药物发现平台已与多家药企达成合作,模型预测精度在多项实际研发场景的湿试验中得到验证;基于药物筛选云服务的超强算力,使筛选速度和筛选的化学结构空间获得数量级提升。
对当下的制药领域来说,人工智能技术与生物医药研发制造深度融合,必将推动生物医药产业转型升级,催生新业态、新模式。腾讯AI药物发现平台身处其中,未来将通过提供先进的AI制药算法、云计算超强算力以及行业顶尖的算法专家服务,进一步深化产业合作,与医药企业通过干湿实验室结合的模式,共同推动药物研发进程。
