生物技术行业正经历一场人工智能(AI)投资热潮，各公司纷纷投入数十亿美元，期望实现更快、更智能的药物发现。作为研发领域的领导者，我们有责任提出一个尖锐的问题：我们投资的是实际效果的提升，还是在追逐一种叙事？坦率地说，目前的答案取决于你要求AI做什么、如何衡量成功，以及你的期望是否建立在当今科学能够实现的基础上。
这并非悲观的观点。人工智能和机器学习确实在转变我们工作的某些部分，过去十年的算法进步与计算能力的爆炸式增长并行，代表着真正的进步。但要实现这一价值需要战略清晰度，而非夸大其词。最能从AI中受益的公司是那些有策略地部署它：识别AI能有效解决的具体问题，构建支持它的数据基础设施，并保持科学严谨性，即使在AI药物发现的新时代，这种严谨性仍然至关重要。
AI擅长的领域及其挑战
AI在熟悉领域内的模式识别方面表现出色。当一个模型已经看到过成千上万种问题变体时，它能够识别结构并做出可靠预测。这就是为什么AI已经改变了图像识别、转录和语言等领域。训练数据丰富，任务本质上是回忆和插值。
在化学和生物学领域的药物发现则是一个根本不同的挑战。相关化学空间几乎是难以想象的广阔，估计有超过10×10^60种潜在的类药物分子。目标是发明一些新的东西：一种尚未存在的分子，它将在生物系统中安全有效地发挥作用。在许多情况下，我们对基础生物学和疾病潜在生物学机制的理解仍然不足。如果我们对挑战性疾病（如阿尔茨海默病和胰腺癌）的最佳理解今天仍然很初级，那么高度复杂的大型语言模型将无法在不存在答案的科学出版物中找到答案。在历史数据上训练的AI模型，从定义上讲，是在推断超出其所见范围的内容。它们在这方面表现如何，研究人员称之为在训练数据距离之外或适用域内的性能，是该领域的一个核心开放问题。
即使是像AlphaFold这样的著名突破也展示了这种动态。当训练数据中存在结构相似的示例时，这些模型表现良好，但对于真正的新案例，性能会显著下降。
药物发现中一个基本的智力挑战是靶点选择，这是一个具有多个科学判断方面的多参数决策。一个有效的科学家团队不仅会评估靶点的多个方面，即使数据不完整，他们还必须决定如何权衡这些不同方面以做出良好的决策。目前AI无法执行这种高级任务。展望未来，AI可能能够审查靶点选择决策及其理由的精选数据集。靶点选择只是一个例子，但它说明了一个更广泛的观点——了解科学现状对于做出最佳投资决策以及确保AI由经验丰富的药物开发者指导而非取代他们至关重要。
数据问题被低估
每个AI模型背后都有一个训练数据集，在药物发现中，该数据集生成成本高、难以整理且本质上不完美。与可以大规模获取训练数据的消费者应用不同，制药数据来自需要数月时间且耗费大量资源的精心控制实验。此外，其中很大一部分在不同实验之间并不直接可比。不同的测定条件、细胞类型和时间点可能产生看起来相似但实际不同的数据。
这与生物医学研究中更广泛的可重复性挑战不同，尽管这些挑战也是真实的。AI应用更直接的问题是数据整理：确保模型在内部一致且科学可比的数据上进行训练。这种整理需要深厚的领域专业知识和持续投资，目前这不是AI能够单独解决的问题。
关注重点：有针对性的效率而非广泛承诺
鉴于这些限制，最有效的研发策略是识别药物发现中AI能够提供可靠效率提升的具体瓶颈步骤，并将投资集中在这些地方，而不是要求AI自主探索化学空间或取代科学判断。
一个非常适合的应用是帮助团队处理药物设计过程中产生的大量候选数据。AI可以筛选大型数据集，并根据已知参数（例如，效力、选择性和ADME特性）评估提出的分子，帮助科学家确定哪些候选物值得追求。AI不是取代科学判断，而是通过更快地呈现最相关信息并减少手动分类所花费的时间来增强它。
AI在压缩耗时但低判断力的任务方面也具有真正价值。例如，AI可用于阅读专利和出版物中的文本，这不需要训练集。在这种情况下，AI可以阅读大量文本并汇总结论和答案。其他低判断力任务包括文献监测、合成规划支持和行政文档。将一个两天的过程压缩为两小时，规模化后，在药物项目过程中会产生显著影响。这些收益不如头条新闻那么引人注目，但它们现在是可以实现的。随着我们对AI在低判断力任务上的效用了解越来越多，我们可以评估其优缺点，并将该技术应用于更复杂的任务。
AI投资的战略框架
对于评估AI投资的研发领导者，有几个原则值得考虑。
首先，在选择工具之前定义问题。问题永远不应以"我们如何使用AI？"开始。它应该从"什么在拖慢我们，这是否是解决它的正确工具？"开始。AI是更广泛科学工具包中的一种工具，而不是一种策略本身。
其次，像重视模型一样重视数据基础设施投资。训练数据的质量将决定任何模型所能达到的上限。将数据整理视为基础能力的公司将具有持久优势。
第三，客观衡量性能。不仅要在熟悉的测试集上对模型进行基准测试，还要在反映真实药物发现挑战的真正新颖场景上进行测试。如果一个模型只在与其训练数据相似的问题上表现良好，你需要在依赖它进行实际项目之前了解这一点。
最后，对大幅压缩时间线的说法持怀疑态度。阻碍药物项目的挫折，包括意外的毒性发现、新的安全信号或无法转化的靶点生物学，在历史数据中零星出现，并且每次表现都不同——对AI来说过于不一致而无法可靠地学习。在药物开发中最困难的转折点，经验丰富的科学家的人类判断、创造力和领域专业知识仍然是不可替代的。
真正的机遇
谈到AI，算法进步是真实的，计算资源是前所未有的，行业愿意投资于它创造了真正的机会。AI可以加速药物发现并降低临床试验中的失败率，但重要的是要认识到这两者都是艰巨的任务。
受益最多的公司是那些保持脚踏实地、设定现实期望，并在需要真正创造力和判断力的决策中将经验丰富的科学家置于中心的公司。正是这种纪律将AI从一种有前景的技术转变为一种可以在药物发现的许多方面提供价值的技术，最终目标是为患者服务。
Peter Tummino博士是Nimbus Therapeutics的研发总裁，领导发现、非临床和临床团队。Tummino博士在多种治疗领域拥有超过30年的药物发现经验。在加入Nimbus之前，他曾担任强生制药全球先导发现副总裁，领导多个治疗领域的全球发现业务。在葛兰素史克，他担任过包括癌症表观遗传学发现绩效单元生物学负责人在内的领导职务，将首创的表观遗传学药物推进到肿瘤学临床试验中。更早前，他在辉瑞/帕克-戴维斯、阿斯利康和Millennium Pharmaceuticals担任过责任不断增加的科学职位。他已发表85篇同行评审期刊文章，引用超过15,000次。他获得了马萨诸塞大学化学学士学位，以及密歇根大学生物化学系博士学位，并在辉瑞/帕克-戴维斯完成了博士后研究。
这篇文章通过MedCity Influencers计划发布。任何人可以通过MedCity Influencers在MedCity News上发表关于医疗保健业务和创新的观点。
【全文结束】