人工智能正迅速融入生物制药研发全链条——从早期发现和临床前决策到临床开发和监管审查。去年6月，美国食品药品监督管理局(FDA)宣布使用名为Elsa的生成式AI工具来支持药物审批过程的某些环节，这表明AI与监管的整合已取得显著进展。虽然监管机构的采纳是一个重要里程碑，但这只是正在进行的更大转变的一个方面。
生物制药公司越来越依赖AI来指导科学、安全和开发决策。随着我们进入这个新时代，一个基础性问题浮出水面：我们是否在生成和构建正确的数据，以确保这些工具能为患者提供更安全、更有效的药物？
查尔斯河实验室(Charles River Laboratories)的同事们和我正在与大小生物制药公司合作，帮助确保当今开展的研究拥有面向未来的数据。今天的研究和实验不仅为特定新型治疗药物的下一步提供关键信息，还为未来的预测模型提供数据集。数据质量对于确保这些模型有效至关重要。
AI真正的好坏取决于我们提供给它的数据。了解AI如何看待和使用数据，对于确保它是一个有用的工具而非对治疗开发和人类风险评估具有实际影响的误导路径至关重要。元数据、格式、数据协调和避免数据集中的偏见都在确保机器学习提供准确见解方面发挥作用，但人类程序员必须像机器一样思考，以预见并克服数据质量中的常见陷阱。
随着药物通过研究和监管流程，数据中的任何错误都会被放大。人类审查员会凭直觉发现并填补的小差距，对AI来说可能是无法跨越的深渊。越早开始使用干净、有组织的数据，进展就会越顺利。一些关键考虑因素包括：
元数据：元数据是关于数据的数据。我们大多数人主要在照片数据中看到过它，例如日期、GPS位置、使用的相机类型和时间。药物研究的元数据可以提供背景，也可以使数据在未来可重用。随着数据变得越来越丰富，元数据的价值也越来越大。例如，它可能会揭示实验最初进行的原因，从而使生成的数据在未来重用时得到更好的背景化。我们无法总是预测数据可能如何被使用，因此通过从一开始就使其尽可能强大和丰富，我们可能会在未来呈指数级提高效率和洞察力。
格式：为了使数据可读，我们必须能够将不同的数据集格式化为通用语言。为此，实验人员和数据科学家必须在整个数据生成过程中进行协作。这也将有助于培养跨学科科学家的新一代。
数据协调：生物制药行业尚未采用正式标准来使药物发现数据符合FAIR原则（可查找、可访问、可互操作和可重用）。这可能是AI在行业内广泛整合到药物发现项目中的最大障碍。已有进展：工作组和联盟正在形成，报告开发数据给监管机构的标准已经制定（如非临床的SEND和临床试验数据的CDISC）。我们的行业必须从为即时目的简单收集数据，转变到将重用作为思维过程的核心。我们必须积极构建数据并为收集的每个数字提供易于访问的元数据。这使每个数据点都处于一个上下文中，无论是谁以后访问数据，包括AI，都无法破坏或误解它。
一旦我们完善了教AI适当读取药物发现和开发数据的机制，下一个更令人兴奋的阶段就是我们如何利用它。FDA使用Elsa专注于分析非临床和临床试验数据以评估药物安全性和有效性，但行业还能如何利用AI的力量？
AI有潜力提高药物开发的效率和成功率。基于AI的工具在小分子设计中已成为常态，并改变了蛋白质结构预测和工程的格局。然而，模拟复杂的生物过程以识别新的靶标-疾病关系或预测毒性，对当今的技术来说仍然具有挑战性。尽管如此，AI驱动的毒理学模型显示出强大的预测准确性，计算模型已在生殖毒性、致癌性、内分泌干扰和皮肤致敏等终点得到验证。
此外，高级细胞模型（它们本身就为增加人类翻译的未来做出贡献）可以与AI配对，以实现对生物过程的更深入分析和更稳健的模拟。基于这些模型研究的算法可以促进对复杂类器官行为、细胞相互作用和动态响应的全面分析，从而带来更准确的预测模型、疾病模拟和个性化医疗方法。
使用非动物模型(NAMs)来支持人类安全风险评估最近受到了相当多的关注，因为FDA和欧洲药品管理局(EMA)已表示对这些方法的新支持水平。监管机构最近开始提供关于将这些方法用于正式人类风险评估验证的已发布指南，但在如何大规模采用这些方法方面，药物开发者仍持谨慎态度。各种组织的药物开发团队有机会填补这一空白。
合同研究组织(CROs)、监管机构和卫生当局在行业广泛支持下，可以促进非竞争性数据的获取，以帮助构建、训练和验证NAMs的模型。在可信组织作为安全港的情况下，这些数据可以支持向可行替代方案的过渡，最终支持更快的药物开发时间表。
总体而言，我们预计AI将对药物发现产生积极影响，缩短最佳项目的开发时间线，或许增加同类最佳药物的先导系列和开发候选物的选择，并最终提高我们预测人类安全性的能力和速度。要实现这一目标，公司需要从根本上改变生成和共享数据的方式。
【全文结束】