技术革新从工业革命至今的历史，是一部生产力取得非凡飞跃的历程。流程不断优化精进；成本持续降低；新工具被开发出来以减少制造所需的时间和精力。技术正以前所未有的速度塑造着我们的职业和个人生活。
随着人工智能和先进机器人的出现，无人驾驶汽车和量子计算的发展，许多观察家认为技术几乎无所不能。正如阿瑟·C·克拉克所说："任何足够先进的技术都与魔法无异"。
例如，人工智能分析海量数据集、发现模式并突出异常的能力，很容易让人想象其中的机遇与挑战。在实验室中，进展甚至更为非凡。短短100多年间，我们已经从"基因"一词的创造，发展到常规编辑基因或改变其表达。对于患有罕见病的家庭而言，药物研发过程似乎相对缓慢——但最近的进展可能有助于加速这一过程。
创新和技术进步为改善罕见病患者生活带来了巨大潜力，但它们也面临几个重大挑战，这些挑战可能减缓进展并限制影响。例如，经济激励是一个巨大的障碍。由于罕见病影响的患者很少，制药公司和机构投资者往往不愿投入寻找救命药物所需的昂贵研发，而是专注于更具大众市场的候选药物。
尽管监管激励有所帮助，罕见病药物开发的成本和时间框架仍然可能令人望而却步。克服这些障碍需要协调一致的努力，包括数据共享框架、机构合作、患者参与和周密的监管。只有解决这些问题，那些急需的创新才能转化为救命疗法。人工智能有望转变所有这些问题，它已经在曾经看似棘手的问题上取得了深入进展。
数据科学
罕见病治疗创新面临的最紧迫问题之一是数据稀缺和碎片化。按定义，罕见病影响较小的人群，这使得收集足够的临床数据进行准确分析变得困难。现有的数据通常分散在医院、研究中心或制药公司中，使得全面分析和合作变得困难。如果没有统一的高质量数据集，人工智能工具和机器学习等先进技术的影响可能有限。当我们试图想象新技术如何推动罕见病诊断和药物发现的改进时，我们某种程度上是在凝视水晶球，但人工智能和基因疗法等的进步将加速药物开发的步伐，带来更具针对性且更容易交付的治疗方法。
目前，基因编辑和基因沉默等技术使科学家能够开发高度针对性的治疗方案，这对罕见病尤其有帮助，因为约80%的罕见病是单基因的——由单一基因突变引起。通过专注于修复或替换有缺陷的基因，或使其沉默，这些药物在生物学最深层次——即细胞本身——发挥作用。我们已经进入了人工智能设计药物的时代，这不仅可能改变罕见病药物开发的商业案例，还可能改变患者及其家庭的生活。
尽管仍存在需要克服的障碍，但人工智能在基因组分析、决策支持系统、图像分析等方面的应用，带来了希望：如今仍是关键问题的罕见病诊断将变得更加迅速。
症状识别
该领域中人工智能最有希望的应用之一在于其区分罕见病症状与更常见疾病症状的能力。许多罕见病会引起疲劳、疼痛或发育迟缓等非特异性症状。在没有专业知识的情况下，这些症状很容易被错误归因。一个关键因素是从真实世界数据中学习。在典型的咨询中，几乎不可能研究历史记录以寻找模式、警示信号和其他基于数据的线索——而这正是人工智能工具可以做到的。如果得到适当训练，这些工具可以检测和分析可能连最有经验的医生都难以察觉的症状集群。
早期识别是罕见病挑战的核心。改善这一点可能是变革性的。更快的诊断不仅能让患者和家庭免受多年的不确定性和情感困扰，还能为早期干预、更好管理和在某些情况下救命治疗打开大门。尤其是在儿科病例中，早期识别罕见病可以在关键的发育月份和年份内防止不可逆的损害。
"基因沉默"正迅速成为靶向突变基因的有力工具，阻止它们产生有毒蛋白质，而人工智能可以快速分析海量数据集以识别潜在的药物靶点并预测其工作方式。它还可以帮助设计关键的基因沉默技术，如反义寡核苷酸(ASOs)和小干扰RNA(siRNAs)。设计针对单一基因突变的ASO是一个更易解决的问题。
寻求批准
将一种药物推向市场所需的成本、努力和时间是惊人的，而且它可能永远不会成功——事实上，大多数药物都不会成功。根据PatentPC的分析，只有12%进入临床试验的药物最终获得FDA批准。根据同一分析，开发一种新处方药的平均成本约为26亿美元——从发现到市场批准需要10到15年。这已经很糟糕，但情况更糟。支撑整个过程的机构本身成本极高。监管合规成本增加了药物开发总费用的15-25%，而失败药物候选者的成本可能超过10亿美元——同样，根据PatentPC的分析。
与处方药相比，将一种罕见病药物（孤儿药）推向市场的成本通常在10亿至20亿美元之间。按定义，这些药物针对的是有限市场。然而，始于1980年美国孤儿药法案的政府举措，为孤儿药开发创造了更具吸引力的环境，包括市场独占权、税收抵免和快速审批等财务激励措施。话虽如此，这仍然是一个巨大的财务赌博。
从结构上看，一直是小型生物技术公司成为罕见病药物研发的主要来源，而这些巨大的财务负担对它们来说最为沉重。如前所述，约80-85%的罕见病是单基因的，这使它们成为AI设计药物的更好候选者，因为存在可以靶向的单一蛋白质。然而，许多疾病涉及极其复杂的生物过程——没有容易识别的单一蛋白质可以靶向。还有更多挑战；由于遗传和生物变异，同一种药物可能对不同个体产生不同影响。AI设计的药物需要考虑每种可能的患者反应，这可能是一个难以逾越的障碍——至少在我们对基础生物学了解更多并拥有足够强大的工具之前。
AI——已经令人难以置信
在AI之前，药物发现是一个极其耗时的过程，需要反复试验和测试。先进技术的支持者承诺，不是今天或明天，而是相对不久的将来，多学科和技术的突破积累，例如量子计算和AI，将结合起来，使我们能够在当前时间的一小部分内设计药物。
五年前，第一种由AI设计的药物进入临床试验。这是英国初创公司Exscientia与日本制药公司住友制药合作的结果，他们表示使用AI使他们的药物比通常快五倍进入临床试验。因此，已经有许多重大突破预示着此类技术将带来的未来方向。
AI在数据中发现模式的能力意味着药物发现的速度和准确性将有重大改进。它可以识别靶点、发现潜在治疗方法，甚至设计潜在药物的分子结构。根据去年6月发表在美国国家医学图书馆的一篇论文，"AI模型可以预测药物与其靶点的结合效果，预测药物化合物的有效性和毒性，或为旧药物提出新应用。"
传统药物发现过程的大部分现在可以被取代，这些工具消除了对反复试验的需求——这是一个非凡的飞跃。鉴于上述的时间尺度和成本，这确实是改变游戏规则的。在相关领域，去年的诺贝尔化学奖授予了谷歌的AlphaFold，这是一种从氨基酸序列预测蛋白质3D结构的AI工具——另一个AI如何改善药物发现过程的例子，也是通往终极梦想道路上的又一个垫脚石。
谷歌DeepMind分拆出的Isomorphic Labs声称其AI模型减少了对耗时实验实验室工作的需求。其AI药物设计系统允许研究人员预测分子将如何与蛋白质相互作用和结合——以及在体内的表现。今年1月，该公司表示计划在今年年底前将药物投入临床试验。
最重要的是，英矽智能实现了首个AI发现的药物开发。其用于特发性肺纤维化的药物是首个使用生成式AI发现靶点和化合物的药物。整个过程仅用了18个月。根据ScienceDirect的一项分析，2015年至2024年间，75种AI开发的药物进入临床试验，调查中的数量每年呈指数级增长。而且似乎效果显著。根据发表在美国国家医学图书馆的一项分析，AI发现的分子在I期临床试验中显示出相当高的成功率(80-90%)。上述英矡智能的药物于2023年年中在美国和中国进入II期临床试验——这又是一个重大里程碑。ScienceDirect报告继续指出，"似乎只是时间问题，首个AI发明的药物将开始治疗患者。"
如果需要证明，生命科学领域对AI的投资正在蓬勃发展；去年，麦肯锡估计，生成式AI通过研究、发现和临床开发活动每年可创造280亿至530亿美元的价值。
谨慎行事
从治理和伦理角度看，快速创新必须与患者安全和隐私保持平衡。由AI驱动的新诊断工具或治疗方法需要严格的监督，特别是在使用敏感患者数据时。错误和数据泄露会侵蚀公众信任并导致采用缓慢。人工智能正在显著提高药物发现的效率和成功率，许多AI发现的药物正在进入临床试验，首批AI设计的药物即将惠及患者。AI通过分析海量复杂数据来识别药物候选者的能力，正在加速这一过程。
有朝一日，只需轻按一下按钮，AI工具将即时设计出对抗任何疾病的药物，同时考虑已知的毒性、安全性和副作用——并考虑患者的基因构成、病史等。怀着这一愿景（或梦想），接下来的过程就是确定实现这一目标所需的步骤和基石——而这正是专注于具体、较小目标所能实现的。这正是我们在上述突破中所看到的。
在生命科学中有效使用的技术创新，继续推动生产力和人们生活的改进。对于需要这些技术的患者来说，这才是真正的魔法发生的地方。是的，存在问题和挑战——尤其是患者保密性方面。但前景如此巨大，我们必须确保解决这些问题，使梦想成为非凡的现实。
【全文结束】
