人工智慧方法於藥物開發領域的趨勢

近年來,人工智慧成為新的創新的動力,持續推動各個領域的演進,其中藥物開發就是一個備受注目的焦點。相較於過去動輒十年以上的藥物開發時間,人工智慧可望加速藥物開發流程,降低財務負擔,許多知名藥廠與藥物設計公司(例如:BenevolentAI、Exscientia、AstraZeneca、Pfizer、Microsoft、Novartis等公司1)也紛紛投入人工智慧領域。人工智慧的應用領域擴及包括:藥物開發、臨床測試、品管、製造、產品開發與管理等面相,而藥物開發更是涵蓋藥物設計、多重藥理學(polypharmacology)、化學合成路徑規劃、老藥新用與藥物篩選等各式各樣的應用2。方法學自傳統的機制為基礎如蛋白質小分子嵌合實驗,一路演進至資料驅動的模式,從過去實驗資料中採用機器學習與深度學習分析模式獲取知識,並用以預測未知化合物的特性;而最常採用的方法為監督式學習(supervised learning),即藉由分析大量標註(進行實驗取得的標註資料)與化合物結構間的關聯就能有效預測新化合物結構的生物活性。然而,監督式學習仰賴的大量標註資料在藥物開發領域幾乎是難以取得,特別是相較於複雜度動輒超過1010以上的化學空間而言。目前監督式學習方法學習到的僅僅是化學空間中的一個小角落,也因此對於差異較大的化合物結構的預測效果往往有限。

圖:人工智慧在藥物產業的相關應用2

借鏡於影像與自然語言處理領域的成功經驗,近期有許多研究專注於探討不須標註資料的非監督式學習(unsupervised learning)中的自監督學習(self-supervised learning),透過學習資料本身的結構或特性,建立預訓練模型,接著利用潛在空間(latent space)進行監督式學習或是生成式學習(generative learning)。舉例來說,NVIDIA發表的MegaMolBART(https://catalog.ngc.nvidia.com/orgs/nvidia/teams/clara/models/megamolbart)就是透過學習5億個分子結構的特性建構預訓練模型,其產生的潛在空間就能用來進行少量資料的監督式學習,甚至生成式藥物設計。其他像是自編碼器(autoencoder)或是對抗生成網路(generative adversarial network)等相關衍生的演算法在近年也有許多進展3。就目前的研究進展來說,人工智慧於藥物開發的應用仍處於萌芽階段,在研究計畫與科技大廠陸續投入後,未來幾年預期將能看到許多突破性的應用。

參考資料:

  1. Savage, N. Tapping into the drug discovery potential of AI. Biopharma Deal. (2021) doi:10.1038/d43747-021-00045-7.
  2. Paul, D. et al. Artificial intelligence in drug discovery and development. Drug Discov. Today 26, 80–93 (2021).
  3. Pandey, M. et al. The transformational role of GPU computing and deep learning in drug discovery. Nat. Mach. Intell. 4, 211–221 (2022).

 

文:生技與藥物研究所童俊維研究員/圖:Drug Discovery Today

Comments are closed.