阿斯利康最新报告：人工智能和机器学习正在颠覆药物研发，并应用于药物安全和个性化治疗

从药物设计到临床试验，AI人工智能为药物研发的各个阶段带来突破性进展。有了深度学习的辅助，机器开始模仿人类大脑神经元的活动，来创造一个人工的“神经系统”。我们在医药研发的大量试验中运用AI的方法，来降低成本，加速数据的供应。

我们也通过AI来帮助我们分析大量的数据，这些数据来自病理样本的影像学研究和生物标志研究，以实现药物的正确使用。

在我们的临床试验中，AI能让我们持续监测接收的安全数据，提醒科学家需要注意的安全信号。对此，动脉网翻译了一篇来自阿斯利康的研究报告。

预测的化合物生物活动空间和靶标相互作用

阿斯利康iLAB的负责人Michael Kossenjans表示，“我在DMTA Hackweek感受到了活力和热情。我们夜以继日地为DMTA Hackweek做准备。看起来几乎不可能在一周的时间内构建一个自动化的DMTA平台，但是我们做到了。这是我们研究新型实验室自动化技术和机器学习的第一步，之后还有更多的工作需要完成。”

药物研发：人类和机读数据并存

通过机器学习，我们最先进的药物研发机器人和其他自动化设备可以调整操作，对接收到的数据作出反应，让我们能更快更有效率地工作。

AI驱动的自动化正帮助我们解决一些化学方面的复杂问题，旨在加速化合物合成的周期，即设计——制造——测试——分析（DMTA），来促进快速公正的决策。

我们推出的DMTA平台只是利用新型实验室自动化技术和机器学习的第一步，这将加速构建和测试有关药物的研究。它将会用来不断地改善与治疗相关的化合物。

对于一个普通项目，需要数百个DMTA周期来发现符合候选药物标准的化合物。当通过人工来完成这些周期时，可能会花费数周的时间，而我们的目标是将化合物设计到测试数据接收之间的时间从4到6周减少至不超过5天。

在2017年，我们举办了DMTA “Hackweek”。各个研究点的科学家和我们内部的专家一起，通过他们的科学知识和专业技术构建了首个“DMTA machine”模型。

在哥德堡的创新实验室里，他们连续工作了5天，彻底改变了我们发现药物的方式。本着“黑客”的精神，这个团队克服了无数的困难，将20多年来积累的硬件和软件结合起来，创造出了一个机器模型。这种机器可以在两小时内，完成研究项目的整个DMTA周期。

千里之行始于足下。通过这个简单的模型系统，我们正在开发机器学习，来优化新化合物的功效，预测不同的合成路线，让自动化更加先进，这样我们就可以制造更复杂的分子，收集更多供筛选的数据。

量子计算:利用结构化学来发现重要分子

建立潜在新药的化学三维结构是药物研发的关键，因为药物的大小和形状非常重要。它们影响着许多不同的特性，包括与生物系统的相互作用，以及形成药物所需的物质分子的聚集方式。

然而，就像一位跳伞者需要多次的尝试，才能找到最深的山谷一样。我们必须一次又一次地评估所有可能的分子形状，以找到优化药物所需的低量构象。

量子计算的新兴领域有望帮助我们解决这个问题。量子计算机可以同时探索所有可能的化合物结构，并根据合适的标准，在单一的操作中，集中于最可能的结构。

通过调整标准，可以找到一系列高质量的解决方案。目前，量子计算被可以处理的信息量所限制，我们仍然需要在标准计算机上使用现有的精确方法，对它提供的解决方案进行一些事后评估分析。

机器学习的未来应用预计将会使量子计算进入下一个阶段。我们目前的方法似乎让我们可以掌握最相关的解决方案，帮助我们选择出最好的化学结构。

利用AI帮助IMED科学家

在研究中，我们也通过AI，使现有的流程更有效，并将数据转化为知识。我们正在使用AI来对常规化验的结果进行可靠预测，比如人体血浆蛋白结合（hPPB）测试，以此来帮助我们的科学家，让他们有更多的时间专注于那些将给阿斯利康带来更大竞争优势的问题。

在药物安全和新陈代谢领域中发展起来的hPPB测试，可以帮助我们了解潜在药物分子是如何在病人体内分布的。我们正在与世界领先的组织合作，利用AI领域最先进的研究来预测结果。

我们目前正在评估AI在安全筛选、蛋白质生成、图像分析和CRISPR基因编辑等方面的应用。在未来，我们希望利用AI来改革我们药物研发中数据收集的过程，并把这些数据变成知识。

在2017年，虚拟筛选工具FastVS的发展表明了机器创造效率的前景。与OpenEye Scientific Software合作开发的新型“谷歌式”网络工具，缩短了在众多大型分子数据库中搜索和筛选条目的时间，从数小时到数秒，优化了药物发现的过程。

大数据分析有助于传统病理学进入21世纪

在科学驱动的环境中，能快速识别和学习数据中的信号和模式，是建立知识和影响未来科学发展方向的关键。为了实现这一点，我们需要以一种可用的模式来收集整合多样的大数据集。

在过去，对综合基因表达、蛋白质和单个器官的代谢数据进行评估，受限于我们有限的数据分析计算能力。这是首次AI能够处理大数据，分析所有端点以及它们的空间关系。

我们正在使用质谱成像技术（MSI），在空间上对分子进行生物样本和组织切片的细胞定位，比如用于病理评估的切片。

这些全面的空间数据信息，可以很好地将组织微环境、药物定位、疗效和安全性联系起来。然而，现有的数据挖掘方法对计算机系统有很高的要求，我们只能分析小型的、单个的数据集。

为了解决这个问题，我们开发了新的计算算法，可以精确有效地分割大量的MSI数据，以提高我们对多个端点的学习能力，正如我们最近在《分析化学》上提到的那样。

利用基于图论的MSI数据聚类算法研究小鼠肿瘤模型中药物的分布和代谢情况

这增强了我们精确量化组织和器官特定区域的分子变化的能力，并为逐渐变得复杂的空间关系提供数据。药物安全和新陈代谢领域的研究人员与计算机和病理科学领域的外部专家密切合作，是整个研究的重要部分。

展望未来，我们计划将深度学习算法与图像分析相结合，加速对慢性肾脏疾病动物模型的评估，为下行流多光谱图像分析提供更可靠的数据。这将增加数据的定量分析速度、可信度和再现性，并通过综合的多模态图像挖掘来检测生物关系及其结果。

在2017年，我们的科学家与英国癌症研究（CRUK）的团队合作，提出了绘制肿瘤的断层扫描图，通过Google地图式的方法来研究癌症的相关信息。这有可能使病理学——最传统的安全学科之一——进入21世纪。

利用AI正确使用药物

越来越多的组织生物标志物被用来匹配病人和正确的药物。然而，目前的技术涉及到病理学家对图像进行手动标记，整个过程主观、耗时而且复杂。我们使用AI来解决这一问题，并开发了一种新的深度学习算法，利用数字病理学，自动进行组织生物标记。

在对71位患者肿瘤样本的概念验证研究中，我们发现AI可以自动标记人表皮生长因子受体-2 （HER2），这是一种乳腺癌的生物标志物。该算法还可以识别出存在误诊风险的样本，证明了它能使组织生物标记更快、更简单、更精确。

在2017年，我们在两个世界领先的科学大会上展示了这项成果，并将其发表在《科学报告》上。

我们将继续利用最先进的科学技术，通过与顶尖的学术机构合作，开展类似的研究。通过将云计算和最新图形处理单元（GPU）硬件相结合，我们打算将自动分析数字化病理图像变成一个高通量的过程，并将AI算法融入到诊断测试的开发中。我们的目标是利用AI来影响患者的治疗，将目标药物用于最需要的患者。

Watcher：时刻监测药物安全

在我们早期的临床试验中，基于AI的决策支持系统Watcher不断监控输入的安全数据，并提醒科学家需要注意的安全信号。

Watcher是一个创新的AI警报系统，在临床试验中，可以帮助医生和科学家，将临床决策规则嵌入到逻辑中。

阿斯利康、曼彻斯特大学癌症研究所、the  Christie  National  Health  Service Foundation Trust和the Centre for Cancer Biomarker Sciences达成了为期五年的合作，是我们iDecide研究项目的重要组成部分。

CRUK Manchester Institute的数字实验癌症医学团队（digitalECMT）负责开展iDecide项目，通过与患者直接合作，来开发新方法，使更好的临床试验决策能更快地直接造福于患者。

Watcher还使用了另一种iDecide工具REACT 4，它对试验第一阶段和第二阶段的安全性、有效性和生物标志物数据进行了整理，并使之形象化，目前正用于阿斯利康超过140项的研究中。

REACT 4可以按需进行临床说明，并取决于正在使用的系统。然而，Watcher的持续监测可以察觉到信号并在信号发出时进行及时的通知。

在未来，我们计划通过临床规则和机器学习来发展Watcher，以增强和扩展当前的功能。这些发展将使它与及时护理设备一起被带进患者的家中，让患者可以进一步在参与临床试验时进行自我监控。

原文链接：

https://www.astrazeneca.com/content/dam/az/PDF/2018/Pages%2046-49.pdf