类型b
作者与期刊信息
这篇综述文章由Kang Zhang、Xin Yang、Yifei Wang、Yunfang Yu等多位作者共同撰写，他们分别来自温州医科大学眼视光医院和高级研究所、四川大学华西医院生物治疗国家重点实验室、中山大学孙逸仙纪念医院、澳门科技大学医学人工智能研究所等机构。该文章于2025年1月发表在《Nature Medicine》上。
主题概述
本文是一篇关于人工智能（AI）在药物开发中的应用的综述文章。随着传统药物开发过程面临高成本、长周期和低成功率等问题，AI技术的引入为这一领域带来了革命性的变化。文章详细探讨了AI在药物开发各个阶段的应用，包括靶点识别、虚拟筛选、分子生成、ADMET预测（吸收、分布、代谢、排泄和毒性）、临床试验设计以及上市后监测等方面，并分析了当前面临的挑战和未来发展方向。
主要观点及其支持内容
靶点识别是药物开发的关键步骤之一，传统方法如亲和力下拉实验和全基因组敲除筛选耗时且劳动密集。AI技术通过整合多组学数据（multi-omics data），能够有效识别疾病相关的分子模式和因果关系，从而加速候选药物靶点的发现。例如，研究使用自然语言处理（NLP）技术（如word2vec嵌入）将基因功能映射到高维空间，提高了靶点识别的敏感性。此外，基于图神经网络（Graph Neural Networks, GNNs）的方法结合知识图谱，能够揭示基因与疾病通路之间的关系。例如，PandaOmics平台成功利用多组学数据分析和生物网络分析，识别出TRAF2和NCK相互作用激酶作为抗纤维化治疗的潜在靶点。
虚拟筛选是一种高效识别潜在先导化合物或候选药物的策略。随着化合物库的快速扩展，AI技术在配体对接（ligand docking）中发挥了重要作用。例如，基于AlphaFold2和RosettaFold的受体-配体共折叠网络在直接从序列信息预测复杂结构方面表现出潜力。然而，这些模型可能产生不切实际的配体构象，需要通过能量最小化或几何约束进行优化。此外，基于深度学习的结合姿态预测模型在某些任务中仍无法超越基于物理的方法。对于缺乏靶点结构的情况，序列预测方法可以作为一种替代方案，但其对三维蛋白质-配体相互作用的捕捉能力有限。
AI驱动的分子生成技术能够自主创建新的化学结构以满足特定的分子特性需求。传统的分子生成方法依赖专家规则，而AI（特别是深度学习）可以通过化学语言模型或图模型自动生成新分子。例如，条件循环神经网络（Conditional Recurrent Neural Network）生成了一个定制库，成功识别了一种高效的RIPK1抑制剂。然而，生成的分子可能存在化学不可行性问题，因此需要结合强化学习或多模态约束来优化生成过程。
ADMET（吸收、分布、代谢、排泄和毒性）预测对确定药物的有效性和安全性至关重要。AI技术通过自动提取有意义的特征，显著提高了ADMET预测的准确性。例如，Bayer的计算机模拟ADMET平台使用随机森林和支持向量机等机器学习技术，结合描述符（如环状扩展连接指纹）确保预测的准确性和相关性。近年来，图神经网络（GNNs）在ADMET预测中表现出优越性能，因为它们能够结合几何信息进行建模。然而，高质量标记数据的稀缺性仍然是一个挑战，无监督和自监督学习为解决这一问题提供了潜在方向。
AI在临床试验中的应用包括患者数据的分析、生物标志物的发现、药物反应预测以及试验设计的优化。例如，AI可以通过分析患者的基因信息、临床历史和生活方式因素，帮助识别影响药物反应的生物标志物和患者特征，从而设计更高效和信息丰富的试验。此外，AI还可以利用真实世界数据（如电子健康记录和保险索赔）预测不良事件、药物-药物相互作用和其他结果。例如，一项研究使用真实世界数据和Trial Pathfinder工具模拟了晚期肺癌患者的试验结果，发现放宽试验标准可以将符合条件的患者数量增加一倍，并改善生存结果。
尽管AI在药物开发中的应用取得了显著进展，但仍面临许多挑战。例如，高质量训练数据的缺乏、模型解释性的不足以及计算资源的高需求等问题限制了AI的广泛应用。未来的研究方向包括开发新的策略以应对数据稀缺问题，建立数据标准，以及开发能够在有限数据条件下生成准确预测的“稀疏”AI方法。此外，多模态预训练模型的出现为解决零样本场景下的数据稀缺问题提供了希望。
文章的意义与价值
本文全面总结了AI在药物开发中的最新应用进展，展示了AI如何通过整合复杂多组学生物医学数据，识别新生物标志物和治疗靶点，从而加速药物发现和优化临床试验设计。文章不仅强调了AI在提高药物开发效率和降低成本方面的潜力，还指出了当前面临的挑战和未来研究方向，为学术界和工业界提供了宝贵的参考。此外，文章呼吁开发可解释的AI模型，以增强药物开发者、监管机构、临床医生和患者对AI的信任，从而推动AI技术在药物开发领域的进一步应用。