过去几十年，药物研发领域出现了显著的停滞。尽管研究投入大幅增加，但每花费十亿美元所获批的药物数量却在下降。
与此同时，全球医疗保健需求持续稳步增长。生活方式的改变、人口老龄化以及诊断技术的进步，导致比以往更多的患者患有需要药物干预来预防或治疗的疾病。
然而，药物研发的步伐并未跟上，导致未满足的医疗需求日益增长。
未来几年，采用人工智能或许能带来转机。在前线，自动化工作流程和更高的效率将使医疗工作者能够应对日益增长的压力。在幕后，人工智能可能是制药业的未来，为临床医生和患者提供更多治疗选择。
《技术网络》采访了Bioptimus联合创始人兼首席执行官Jean-Philippe Vert博士。他在计算机科学、数学和生物学领域拥有数十年的经验，目前正在开发基础人工智能模型，以加速临床前研究时间线并提高药物研发成功率。
Izzy Hirst (IH): 您拥有科学和数学背景，如今被公认为生命科学领域人工智能的领军人物。哪些关键时刻塑造了您的职业生涯轨迹？
Jean-Philippe Vert博士 (JPV): 我很幸运，在语言模型成为热门之前就攻读了这个方向的博士学位。我研究的是训练英语和法语语言模型的数学方法。那是上世纪90年代末，说实话，这很令人兴奋，但它在人类语言处理上效果并不太好。
我很幸运，在我完成博士学业时，人类基因组刚刚被测序。这是一个非凡的事件，生物学突然从一门老式的、湿实验的学科，转变为全新的领域。我们破译了构成人类基因组的30亿个字母——我们需要计算机科学和数学来理解它。对我来说，我很幸运在正确的时间做了正确的事情。
那是25年前的事了，从那时起，我一直在计算机科学、数学、生物学和医学的交叉领域工作。我一直试图弄清楚如何将生物学从纯粹的自然科学转变为建模、技术和工程的结合体。
IH: 传统研究方法的局限性如何导致了药物研发的停滞？
JPV: 计算机科学中有一句著名的引语，源自摩尔定律：年复一年，计算机变得更快、容量更大、内存更多，因此信息技术一直以指数级增长的速度快速发展。在药物发现领域，人们提到的是Eroom定律，即摩尔定律的逆定律。生产力一直在下降；例如，每十亿美元支出的新药数量正在减少，我们发现新药的能力越来越差。
为什么会这样？很大程度上是因为生物学的复杂性，我们对其知之甚少。我们可以观察到很多东西，但在预测疾病演变时，我们仍然没有掌握如何聪明且理性地处理。例如，如果你给予一种药物或发明一种新的治疗方法，在给患者测试之前，我们不知道它是否有效；这就是我们失败的地方。
药物发现和开发是一个漫长的过程。通常需要10年时间，花费大量资金，并且要一步一步进行。首先，你了解疾病以确定靶点，然后设计一种药物来击中靶点，接着在实验室的培养皿或动物身上进行测试，看起来是有效的。一旦你有了足够的信心认为找到了某种药物，你就进入临床试验，最终在人体上进行测试。不幸的是，在这个阶段，90%的候选药物会失败。
IH: 人工智能如何通过合成试验和模拟患者等方式来提高药物研发的效率和成功率？
JPV: 从近期来看，我们有利用人工智能为药物发现带来新能力的解决方案。例如，我们开发了一些工具，可以获取参与癌症药物临床试验患者的肿瘤活检图像。这些工具可以通过模拟预测患者的疾病进程。这正是随机临床试验中所做的，但人工智能不是给对照组的患者服用安慰剂，而是使用合成对照组在计算机上模拟来预测疾病演变。这就是数字孪生的概念——你有一个患者，以及该患者的数字表示，用于模拟不同的结果。你可以将模拟结果与你观察到的、在你开发的治疗下的结果进行比较。
人工智能可以提供即时价值，并且在未来，帮助我们重新思考整个药物发现过程。
这些人工智能系统已经在海量数据上进行了预训练。它们已经看过数十亿张图像、数百万个基因等等。因此，它们非常擅长预测疾病的可能演变，例如，如果你治疗或不治疗患者可能会发生什么。
这些工具使研究人员能够做出更好的决策。例如，如果你是一家制药公司，你可以收集人工智能在不同设置下预测的结果，并根据结果做出决策。这有助于更好地设计下一阶段的试验，因为你已经确定了应答者或最佳人群等，从而提高了试验成功的可能性。
IH: 以这种方式采用人工智能的主要限制或风险是什么？
JPV: 一个限制，特别是在临床试验中使用人工智能方面，是人工智能通常在能够从频繁的结果和反馈中获益时表现最佳。在许多行业，你可以使用人工智能来提出一个假设，并且很快就能得到反馈，说这是一个好主意，或者不是。
临床试验中的一个限制是，一旦人工智能说你应该在某个特定人群中进行三期试验，那么你必须等待几年才能运行试验并获得结果。这意味着这个行业的进步需要时间，因为在实施基于人工智能的决策后，试验需要运行，然后研究人员需要评估并向人工智能提供反馈，以便它能够改进。
我们需要意识到训练系统时人工智能的局限性。例如，如果只使用来自一家医院的数据，如果不小心，这些信息将无法很好地推广到其他医院。需要谨慎对待训练数据，并由其他团队进行盲法验证，然后才能确信你训练的模型运行良好。对于专家来说，这是显而易见的，但如果你是新手，往往会误解进入现实世界的一步必须谨慎。
IH: Bioptimus正在开发细胞、组织和患者的数字表示，以在计算机上测试疗法。现实地说，您预计这种方法在未来几十年会对药物发现和患者护理产生什么影响？
JPV: 我们主要是在加速发现阶段，并缩短临床试验中的验证阶段。短期内，我预计成功率会提高。未来可能会有所不同，我们可以重新思考这个过程，并问自己：是否有更好、更有效的方法为患者带来治疗？
今天有太多未满足的医疗需求。每年有1000万人死于癌症，大多数罕见病没有治疗方法，这只是举两个例子。如果我们想改变这一点，就需要重新思考这个过程。然而，我们需要验证，改变当前方法将带来生产力提升，并最终以更快、更便宜的方式带来更多药物。
我们还没有完全摆脱临床试验，但也许未来会想要改变一些东西。新药和新假设的数量将变得太大，无法继续走非常缓慢的道路。随着药物发现的加速，临床试验可能会成为一个社会无法接受的瓶颈。如果我们有能力为需要的人开发新疗法，说我们没有足够的人或没有时间是不道德的。这些问题可能在大约10年后出现。今天，我们可以利用人工智能来提供信息、加速并降低临床试验的风险，但我们仍然需要运行它们。
明天，而且这个明天很快就会到来，人工智能将指出新的假设，这些假设可能与当前科学界正在研究的截然不同。
人工智能方法可以揭示新的靶点、新的通路和新的生物学机制，这些我们尚未研究过，可能对治愈患者至关重要。
【全文结束】