去年冬天，隨著流感季節(jié)的到來(lái)，全球各地的醫(yī)療機(jī)構(gòu)都在加班加點(diǎn)地工作。美國(guó)疾病控制與預(yù)防中心(CDC)公布的數(shù)據(jù)現(xiàn)實(shí)，近幾個(gè)月來(lái)，已有超過(guò)18萬(wàn)美國(guó)人住院，另有1萬(wàn)人死亡，而新型冠狀病毒(現(xiàn)已正式命名為COVID-19)也以驚人的速度在全球蔓延。

對(duì)全球范圍內(nèi)流感疫情爆發(fā)的擔(dān)憂(yōu)，甚至促使2020年移動(dòng)世界大會(huì)（MWC 2020）這樣的盛會(huì)，在距離開(kāi)幕僅剩7天時(shí)間宣布取消。但在不久的將來(lái)，人工智能（AI）增強(qiáng)的藥物開(kāi)發(fā)過(guò)程可以幫助以足夠快的速度生產(chǎn)疫苗，并找到治療方法，在致命病毒變異成全球性疫情之前阻止它們的傳播。

傳統(tǒng)的藥物和疫苗開(kāi)發(fā)方法效率極低。研究人員可以花費(fèi)近十年的時(shí)間，通過(guò)密集的試驗(yàn)和糾錯(cuò)技術(shù)，對(duì)每個(gè)候選分子進(jìn)行詳細(xì)審查。塔夫茨藥物開(kāi)發(fā)研究中心2019年的一項(xiàng)研究現(xiàn)實(shí)，開(kāi)發(fā)一種藥物的平均成本為26億美元，這是2003年成本的兩倍多。而且，只有大約12%進(jìn)入臨床開(kāi)發(fā)階段的藥物獲得了FDA批準(zhǔn)。

美國(guó)佐治亞大學(xué)藥學(xué)和生物醫(yī)學(xué)科學(xué)助理教授伊娃-瑪麗亞·斯特拉克博士（Eva-Maria Strauch）指出：“你繞不過(guò)FDA，后者真的需要5到10年的時(shí)間才能批準(zhǔn)某種藥物?！比欢?，在機(jī)器學(xué)習(xí)系統(tǒng)的幫助下，生物醫(yī)學(xué)研究人員基本上可以顛覆試錯(cuò)方法。研究人員可以使用AI來(lái)對(duì)大量候選化合物數(shù)據(jù)庫(kù)進(jìn)行排序，并推薦最有可能有效的治療方法，而不是手動(dòng)嘗試每種潛在的治療方法。

華盛頓大學(xué)計(jì)算生物學(xué)家S·約書(shū)亞·斯瓦米達(dá)斯(S.Joshua Swamidass)在2019年接受采訪時(shí)稱(chēng)：“藥物開(kāi)發(fā)團(tuán)隊(duì)真正面臨的許多問(wèn)題，不再是人們認(rèn)為他們只需在腦海中整理數(shù)據(jù)就能處理的那種問(wèn)題，而是必須有某種系統(tǒng)方式來(lái)處理大量數(shù)據(jù)、回答問(wèn)題并洞察如何做事。”

例如，口服抗真菌藥物terbinafine于1996年上市，名稱(chēng)為拉米非，被用于治療鵝口瘡。然而，在三年內(nèi)，有多人報(bào)告了服用該藥物的不良反應(yīng)。到2008年，已有3人死于肝中毒，另有70人患病。醫(yī)生發(fā)現(xiàn)terbinafine的一種代謝物(TBF-A)是造成肝臟損傷的原因，但當(dāng)時(shí)無(wú)法弄清楚它是如何在體內(nèi)產(chǎn)生的。

這種代謝途徑十年來(lái)始終是醫(yī)學(xué)界的一個(gè)謎，直到2018年，華盛頓大學(xué)研究生Na Le Dang訓(xùn)練了一臺(tái)關(guān)于代謝途徑的AI，并讓機(jī)器找出了肝臟將terbinafine分解為T(mén)BF-A的潛在途徑。事實(shí)證明，創(chuàng)建有毒代謝物是個(gè)兩步過(guò)程，而且這是個(gè)很難通過(guò)實(shí)驗(yàn)識(shí)別的過(guò)程，但用AI強(qiáng)大的模式識(shí)別能力卻非常簡(jiǎn)單。

事實(shí)上，在過(guò)去的50年里，已經(jīng)有450多種藥物被從市場(chǎng)上撤下，其中許多藥物像拉米菲爾一樣導(dǎo)致肝中毒。這促使FDA推出Tox21.gov網(wǎng)站，這是個(gè)關(guān)于分子及其對(duì)各種重要人類(lèi)蛋白質(zhì)相對(duì)毒性的在線數(shù)據(jù)庫(kù)。通過(guò)在這個(gè)數(shù)據(jù)集上訓(xùn)練AI，研究人員希望更快地確定潛在的治療是否會(huì)導(dǎo)致嚴(yán)重的副作用。

美國(guó)先進(jìn)翻譯科學(xué)中心的首席信息官山姆·邁克爾（Sam Michael）幫助創(chuàng)建了這個(gè)數(shù)據(jù)庫(kù)，他解釋稱(chēng)：“我們過(guò)去遇到過(guò)一個(gè)挑戰(zhàn)，本質(zhì)上是，‘你能提前預(yù)測(cè)這些化合物的毒性嗎？’這與我們對(duì)藥物進(jìn)行小分子篩查的做法正好相反。我們不想找到匹配的藥物，我們只是想說(shuō)‘嘿，這種(化合物)有可能是有毒的。’”

當(dāng)AI不忙于解開(kāi)十年來(lái)的醫(yī)學(xué)謎團(tuán)時(shí)，他們正在幫助設(shè)計(jì)一種更好的流感疫苗。2019年，澳大利亞弗林德斯大學(xué)的研究人員使用AI為開(kāi)發(fā)一種普通流感疫苗提供增強(qiáng)效應(yīng)，這樣當(dāng)人體接觸到它時(shí)，就會(huì)產(chǎn)生更高濃度的抗體。從技術(shù)上講，研究人員并沒(méi)有“使用”AI，而是啟動(dòng)它，讓它自己尋找用例路徑，因?yàn)樗耆亲约涸谠O(shè)計(jì)疫苗。

該團(tuán)隊(duì)由弗林德斯大學(xué)醫(yī)學(xué)教授尼古拉·彼得羅夫斯基(Nikolai Petrovsky)領(lǐng)導(dǎo)，首先建立了AI Sam(配體搜索算法)。AI Sam接受的訓(xùn)練是區(qū)分那些對(duì)流感有效和無(wú)效的分子。然后，研究小組訓(xùn)練了第二個(gè)程序，以生成數(shù)萬(wàn)億個(gè)潛在的化合物結(jié)構(gòu)，并將這些結(jié)構(gòu)反饋給AI Sam，后者開(kāi)始決定它們是否有效。

然后，研究小組挑選出排名靠前的候選化合物結(jié)構(gòu)，并對(duì)他們進(jìn)行了物理合成。隨后的動(dòng)物試驗(yàn)證實(shí)，增強(qiáng)后的疫苗比未改進(jìn)的前身更有效。最初的人體試驗(yàn)于今年年初在美國(guó)開(kāi)始，預(yù)計(jì)將持續(xù)12個(gè)月。如果審批過(guò)程順利，增強(qiáng)版疫苗可能在幾年內(nèi)公開(kāi)上市。對(duì)于只需要兩年(而不是正常的5-10年)就研發(fā)出來(lái)疫苗來(lái)說(shuō)，這絕非壞事。

雖然機(jī)器學(xué)習(xí)系統(tǒng)可以比生物研究人員更快地篩選巨大的數(shù)據(jù)集，并通過(guò)更脆弱的聯(lián)系做出準(zhǔn)確的知情估計(jì)，但在可預(yù)見(jiàn)的未來(lái)，人類(lèi)仍將留在藥物開(kāi)發(fā)循環(huán)中。畢竟，人類(lèi)需要生成、整理、索引、組織和標(biāo)記所有的訓(xùn)練數(shù)據(jù)，并教授AI他們應(yīng)該尋找的東西。

即使機(jī)器學(xué)習(xí)系統(tǒng)變得更有能力，當(dāng)使用有缺陷或有偏見(jiàn)的數(shù)據(jù)時(shí)，它們?nèi)匀缓苋菀桩a(chǎn)生次優(yōu)結(jié)果，就像其他所有AI一樣。Unlearn.AI創(chuàng)始人兼首席執(zhí)行官查爾斯·費(fèi)舍爾博士(Dr.Charles Fisher)在去年11月寫(xiě)道：“醫(yī)學(xué)上使用的許多數(shù)據(jù)集大多來(lái)自白人、北美和歐洲人群。如果研究人員在機(jī)器學(xué)習(xí)中只是用這樣的數(shù)據(jù)集，并發(fā)現(xiàn)某個(gè)生物標(biāo)記物來(lái)預(yù)測(cè)對(duì)治療的反應(yīng)，就不能保證該生物標(biāo)記物在更多樣化的人群中發(fā)揮作用。”為了對(duì)抗數(shù)據(jù)偏見(jiàn)帶來(lái)的扭曲效應(yīng)，費(fèi)舍爾主張使用“更大的數(shù)據(jù)集、更復(fù)雜的軟件和更強(qiáng)大的計(jì)算機(jī)”。

另一個(gè)重要組成部分將是干凈的數(shù)據(jù)，正如Kebotix首席執(zhí)行官吉爾·貝克爾博士（Jill Becker）解釋的那樣。Kebotix是2018年成立的初創(chuàng)公司，它將AI與機(jī)器人技術(shù)結(jié)合起來(lái)，設(shè)計(jì)和開(kāi)發(fā)奇異的材料和化學(xué)品。

貝克爾博士解釋說(shuō)：“我們有三個(gè)數(shù)據(jù)來(lái)源，并有能力生成我們自己的數(shù)據(jù)。我們也有自己的合成實(shí)驗(yàn)室來(lái)生成數(shù)據(jù)，然后使用外部數(shù)據(jù)?！边@些外部數(shù)據(jù)可以來(lái)自開(kāi)放期刊或訂閱期刊，也可以來(lái)自專(zhuān)利和公司的研究伙伴。但貝克爾指出，無(wú)論來(lái)源如何，“我們都花了很多時(shí)間清理它?！?/p>

美國(guó)先進(jìn)翻譯科學(xué)中心的首席信息官山姆·邁克爾（Sam Michael）也稱(chēng)：“確保數(shù)據(jù)具有與這些模型相關(guān)聯(lián)的適當(dāng)元數(shù)據(jù)是絕對(duì)關(guān)鍵的。而且這不是隨隨便便就能發(fā)生的，你必須付出真正的努力。這很難，因?yàn)檫@個(gè)過(guò)程既昂貴又耗時(shí)。”