创造新药是一个艰苦的过程，需要多年的努力和大量的资金才能取得重大进展。在如此巨大的资金和生命攸关的情况下，加速药物发现过程一直是行业专业人士最关心的话题。
就像其他所有涉及大量耗时任务的行业一样，随着人工智能工具的引入，药物发现正在经历一场革命。
虽然人类试验将始终在医学界发挥作用，但人工智能可以帮助研究人员将注意力集中在最有可能成功的潜在药物上。
为了更多地了解这个令人兴奋的领域，Alister Campbell接受了媒体采访。Campbell是研发软件公司Dotmatics的副总裁兼全球科技主管，他有多年观察科技趋势的经验。他坚信人工智能在提高药物研发效率方面具有巨大的潜力。
人工智能在药物发现中的应用如何影响传统的新药上市时间表?
人工智能有可能通过显著增强传统药物发现和开发过程来彻底改变制药行业。以往，将一种新药推向市场大约需要10到15年的时间，耗资约25亿美元。然而，人工智能正在通过缩短开发时间和降低成本来改变这种局面。生命科学公司现在可以利用以前难以获取的大量数据。这些数据一旦组织起来，就可以进行高级分析，如生成报告、进行特别查询和创建交互式可视化，从而帮助科学家发现数据中的模式来识别药物。
人工智能有可能对药物发现的各个方面产生积极影响，特别是有机会通过快速分析科学数据来加速药物发现的早期阶段，从而比以往人工经验开发更快地预测和确定有希望的候选药物。
这不仅加速了研究，而且通过将早期研究数据与临床研究数据结合起来，人工智能可能会提高对潜在药物化合物安全性和有效性预测的准确性。这可以减少在后期阶段发生失败而付出高昂代价的可能性。人工智能还增强了临床试验的设计和参与者选择，将表型和基因型数据联系在一起，使这些研究更加高效和有效。此外，人工智能分析正在进行的试验数据的实时能力能够随时进行调整，优化开发过程和资源管理。
通过整合人工智能，制药行业不仅加快了药物开发过程，而且通过更深入地了解疾病的复杂生物学，推动了创新。可以把人工智能想象成一个强大的手电筒，它照亮了大量数据中隐藏的模式和见解，使我们能够看到和理解以前过于复杂或模糊的疾病。这种能力可以更快地为患者提供更有效的治疗。人工智能在药物发现中的应用预示着未来新疗法的开发速度更快，成本更低，可能会改变患者的护理和结果。
哪些新兴的人工智能技术有望缩短药物发现过程，并可能加速新疗法的开发?
我们才刚刚开始了解人工智能在研究和开发方面的能力。随着人工智能的不断发展，它有望解开目前难以想象的发现。今天，人工智能的潜力由科学家在决策关键时刻发挥到最大。向人工智能引擎提供高质量、注释良好、可靠的数据，将使人工智能能够实时地自主识别药物发现数据中的模式，从而产生预测，甚至为进一步研究提出新的假设。
例如，我们dotatics的工具中开发了一些最先进的人工智能应用程序，以协助使用流式细胞术等用例，我们正直接与客户合作，越来越多地将这种人工智能分析功能添加到新领域，以支持他们的需求。
这个和其他用例可以聚合到domatics新的基于云的Luma平台中，该平台将实验室的相关数据(包括实验室仪器)聚合到干净的数据平台集中进行分析，这为基于AI和ML的算法铺平了道路。
多模式药物发现发挥了什么作用?
制药和生物技术不再仅靠一种模式作为针对特定疾病或目标的治疗方法。多模式药物发现的核心是科学家选择最佳治疗方法或治疗组合来解决特定目标的能力。它涉及在发现新化合物或新疗法的过程中，从不同的科学领域进行研究和测试。
药物发现领域最先进的参与者正在加速走向人工智能支持的多模式药物发现未来。治疗方式包括抗体和其他蛋白质(包括抗体-药物偶联物)、细胞疗法、基因疗法、RNA疗法、疫苗、肽药物偶联物，甚至在传统的小分子疗法设计中，已经从抑制性或兴奋性方法发展到靶向蛋白质降解（PROTAC)。
Dotmatics在支持研究人员利用人工智能加速药物开发方面发挥了怎样的作用?
Dotmatics建立了世界上最强大的多模式科学发现平台——Dotmatics Luma——连接科学应用程序、实验室仪器和其他数据源，以实现深度协作、自动化和分析，并为人工智能辅助的未来提供动力。该研发数据管理平台简化并加速了仪器数据的收集和处理，并帮助非IT技术用户轻松地直接从数据中获得关键见解。
总部位于瑞士日内瓦的生物技术公司Addex Therapeutics正在开发新型口服小分子药物，以解决神经系统疾病(如帕金森病、癫痫、阿尔茨海默病、创伤后应激障碍、抑郁症、神经退行性疾病和其他中枢神经系统疾病)患者的需求。
为了快速为中枢神经系统疾病患者提供这种新颖的治疗方案，Addex的研发团队必须灵活、数据驱动和协作，但在面对复杂的工作流程时，这样做可能是具有挑战性的，这是一个真正的大数据挑战，具有巨大的数量、速度和多样性的研发数据。与之前的解决方案相比，docatics为他们的科学家节省了花费在分析数据上的时间。
从传统的药物发现方法过渡到人工智能驱动的方法时，研究人员面临的一些关键挑战是什么?如何解决这些挑战?
从传统的药物发现方法过渡到人工智能驱动的方法带来了几个关键挑战，包括确保数据质量和可用性，将人工智能与现有工作流程集成，保持可解释性和信任，导航监管和道德考虑，以及管理成本和基础设施需求。
一个根本问题是，人工智能模型的好坏取决于它们所学习的数据：糟糕的数据导致糟糕的科学，这强调了对高质量、有良好注释的数据的需求。因此，组织正在改进数据收集和管理，并确保访问不同的数据集。
人们也越来越强调记录使用AI/ML模型的地方和使用的训练集，这对于准确反映未来模型的成功至关重要。集成人工智能技术可能会破坏现有的工作流程，因此机构正在逐步实施人工智能工具并提供培训，以缓解这种过渡。可解释性仍然是一个关键的挑战，如果一个模型不能被一个公正的、训练有素的科学家解释，就会降低人们对这个模型的信任。开发人员正在增强人工智能模型的可解释性，并进行严格的验证研究，以建立信心。
作为科学研发软件的先驱，我们致力于确保人工智能的负责任实施，促进利益相关者之间的诚实讨论，并支持科学家利用人工智能的力量使科学发现变得更好。
此外，与人工智能基础设施和专业知识相关的高成本正在通过基于云的解决方案和协作模型得到缓解，如Luma Lab Connect，允许更广泛地访问这些先进技术。这些战略方法有助于为在药物发现中更顺利地采用人工智能铺平道路，旨在使这一过程更具创新性、效率和效果。
你对人工智能在药物研究中的未来前景有什么总体看法和评论吗?什么让你兴奋?
最早在今年，医疗保健行业就可能开始在临床试验中看到首批基于人工智能的药物的影响，这说明人工智能驱动的工具正在如何彻底改变患者分析和诊断。这只是收获数字化好处的开始，特别是对于越来越多地采用药物再利用策略的生命科学公司来说。
正如我们所看到的，人工智能在大量以前未开发的数据中导航的能力不仅加速了潜在药物的发现，而且还重新评估了安全的化合物，避免错过了它们最初的临床目标。这种方法尤其令人兴奋，因为它提供了一种更快的途径来确定有效的治疗方法，利用现有药物的安全性来满足紧急医疗需求。
每一种候选新药，无论在临床试验中是否成功，都代表着对患有常见或罕见疾病的人来说，朝着更好的健康和生活质量迈出了一步。请记住，ChatGPT的引入也不是今天发生的事情。大型语言模型的概念可以追溯到20世纪60年代。几十年来，计算机科学家和芯片设计师默默努力，使ChatGPT的发布成为可能。
在此过程中，他们在数据存储和处理方面取得了进步，改变了我们的生活和工作方式。制药公司在成功应用人工智能的过程中，也会有同样的小胜利，这些小胜利加起来会带来革命性的变化。这是医疗保健领域的一个开创性时刻，人工智能的整合有望改变患者的治疗结果，并推动药物开发创新和效率的新时代。
