創造新藥是一個艱苦的過程，需要多年的努力和大量的資金才能取得重大進展。在如此巨大的資金和生命攸關的情況下，加速藥物發現過程一直是行業專業人士最關心的話題。
就像其他所有涉及大量耗時任務的行業一樣，随着人工智能工具的引入，藥物發現正在經曆一場革命。
雖然人類試驗将始終在醫學界發揮作用，但人工智能可以幫助研究人員将注意力集中在最有可能成功的潛在藥物上。
為了更多地了解這個令人興奮的領域， Alister Campbell接受了媒體采訪。Campbell是研發軟體公司Dotmatics的副總裁兼全球科技主管，他有多年觀察科技趨勢的經驗。他堅信人工智能在提高藥物研發效率方面具有巨大的潛力。
人工智能在藥物發現中的應用如何影響傳統的新藥上市時間表?
人工智能有可能通過顯著增強傳統藥物發現和開發過程來徹底改變制藥行業。以往，将一種新藥推向市場大約需要10到15年的時間，耗資約25億美元。然而，人工智能正在通過縮短開發時間和降低成本來改變這種局面。生命科學公司現在可以利用以前難以擷取的大量資料。這些資料一旦組織起來，就可以進行進階分析，如生成報告、進行特别查詢和建立互動式可視化，進而幫助科學家發現資料中的模式來識别藥物。
人工智能有可能對藥物發現的各個方面産生積極影響，特别是有機會通過快速分析科學資料來加速藥物發現的早期階段，進而比以往人工經驗開發更快地預測和确定有希望的候選藥物。
這不僅加速了研究，而且通過将早期研究資料與臨床研究資料結合起來，人工智能可能會提高對潛在藥物化合物安全性和有效性預測的準确性。這可以減少在後期階段發生失敗而付出高昂代價的可能性。人工智能還增強了臨床試驗的設計和參與者選擇，将表型和基因型資料聯系在一起，使這些研究更加高效和有效。此外，人工智能分析正在進行的試驗資料的實時能力能夠随時進行調整，優化開發過程和資源管理。
通過整合人工智能，制藥行業不僅加快了藥物開發過程，而且通過更深入地了解疾病的複雜生物學，推動了創新。可以把人工智能想象成一個強大的手電筒，它照亮了大量資料中隐藏的模式和見解，使我們能夠看到和了解以前過于複雜或模糊的疾病。這種能力可以更快地為患者提供更有效的治療。人工智能在藥物發現中的應用預示着未來新療法的開發速度更快，成本更低，可能會改變患者的護理和結果。
哪些新興的人工智能技術有望縮短藥物發現過程，并可能加速新療法的開發?
我們才剛剛開始了解人工智能在研究和開發方面的能力。随着人工智能的不斷發展，它有望解開目前難以想象的發現。今天，人工智能的潛力由科學家在決策關鍵時刻發揮到最大。向人工智能引擎提供高品質、注釋良好、可靠的資料，将使人工智能能夠實時地自主識别藥物發現資料中的模式，進而産生預測，甚至為進一步研究提出新的假設。
例如，我們dotatics的工具中開發了一些最先進的人工智能應用程式，以協助使用流式細胞術等用例，我們正直接與客戶合作，越來越多地将這種人工智能分析功能添加到新領域，以支援他們的需求。
這個和其他用例可以聚合到domatics新的基于雲的Luma平台中，該平台将實驗室的相關資料(包括實驗室儀器)聚合到幹淨的資料平台集中進行分析，這為基于AI和ML的算法鋪平了道路。
多模式藥物發現發揮了什麼作用?
制藥和生物技術不再僅靠一種模式作為針對特定疾病或目标的治療方法。多模式藥物發現的核心是科學家選擇最佳治療方法或治療組合來解決特定目标的能力。它涉及在發現新化合物或新療法的過程中，從不同的科學領域進行研究和測試。
藥物發現領域最先進的參與者正在加速走向人工智能支援的多模式藥物發現未來。治療方式包括抗體和其他蛋白質(包括抗體-藥物偶聯物)、細胞療法、基因療法、RNA療法、疫苗、肽藥物偶聯物，甚至在傳統的小分子療法設計中，已經從抑制性或興奮性方法發展到靶向蛋白質降解（PROTAC)。
Dotmatics在支援研究人員利用人工智能加速藥物開發方面發揮了怎樣的作用?
Dotmatics建立了世界上最強大的多模式科學發現平台——Dotmatics Luma——連接配接科學應用程式、實驗室儀器和其他資料源，以實作深度協作、自動化和分析，并為人工智能輔助的未來提供動力。該研發資料管理平台簡化并加速了儀器資料的收集和處理，并幫助非IT技術使用者輕松地直接從資料中獲得關鍵見解。
總部位于瑞士日内瓦的生物技術公司Addex Therapeutics正在開發新型口服小分子藥物，以解決神經系統疾病(如帕金森病、癫痫、阿爾茨海默病、創傷後應激障礙、抑郁症、神經退行性疾病和其他中樞神經系統疾病)患者的需求。
為了快速為中樞神經系統疾病患者提供這種新穎的治療方案，Addex的研發團隊必須靈活、資料驅動和協作，但在面對複雜的工作流程時，這樣做可能是具有挑戰性的，這是一個真正的大資料挑戰，具有巨大的數量、速度和多樣性的研發資料。與之前的解決方案相比，docatics為他們的科學家節省了花費在分析資料上的時間。
從傳統的藥物發現方法過渡到人工智能驅動的方法時，研究人員面臨的一些關鍵挑戰是什麼?如何解決這些挑戰?
從傳統的藥物發現方法過渡到人工智能驅動的方法帶來了幾個關鍵挑戰，包括確定資料品質和可用性，将人工智能與現有工作流程內建，保持可解釋性和信任，導航監管和道德考慮，以及管理成本和基礎設施需求。
一個根本問題是，人工智能模型的好壞取決于它們所學習的資料：糟糕的資料導緻糟糕的科學，這強調了對高品質、有良好注釋的資料的需求。是以，組織正在改進資料收集和管理，并確定通路不同的資料集。
人們也越來越強調記錄使用AI/ML模型的地方和使用的訓練集，這對于準确反映未來模型的成功至關重要。內建人工智能技術可能會破壞現有的工作流程，是以機構正在逐漸實施人工智能工具并提供教育訓練，以緩解這種過渡。可解釋性仍然是一個關鍵的挑戰，如果一個模型不能被一個公正的、訓練有素的科學家解釋，就會降低人們對這個模型的信任。開發人員正在增強人工智能模型的可解釋性，并進行嚴格的驗證研究，以建立信心。
作為科學研發軟體的先驅，我們緻力于確定人工智能的負責任實施，促進利益相關者之間的誠實讨論，并支援科學家利用人工智能的力量使科學發現變得更好。
此外，與人工智能基礎設施和專業知識相關的高成本正在通過基于雲的解決方案和協作模型得到緩解，如Luma Lab Connect，允許更廣泛地通路這些先進技術。這些戰略方法有助于為在藥物發現中更順利地采用人工智能鋪平道路，旨在使這一過程更具創新性、效率和效果。
你對人工智能在藥物研究中的未來前景有什麼總體看法和評論嗎?什麼讓你興奮?
最早在今年，醫療保健行業就可能開始在臨床試驗中看到首批基于人工智能的藥物的影響，這說明人工智能驅動的工具正在如何徹底改變患者分析和診斷。這隻是收獲數字化好處的開始，特别是對于越來越多地采用藥物再利用政策的生命科學公司來說。
正如我們所看到的，人工智能在大量以前未開發的資料中導航的能力不僅加速了潛在藥物的發現，而且還重新評估了安全的化合物，避免錯過了它們最初的臨床目标。這種方法尤其令人興奮，因為它提供了一種更快的途徑來确定有效的治療方法，利用現有藥物的安全性來滿足緊急醫療需求。
每一種候選新藥，無論在臨床試驗中是否成功，都代表着對患有常見或罕見疾病的人來說，朝着更好的健康和生活品質邁出了一步。請記住，ChatGPT的引入也不是今天發生的事情。大型語言模型的概念可以追溯到20世紀60年代。幾十年來，計算機科學家和晶片設計師默默努力，使ChatGPT的釋出成為可能。
在此過程中，他們在資料存儲和處理方面取得了進步，改變了我們的生活和工作方式。制藥公司在成功應用人工智能的過程中，也會有同樣的小勝利，這些小勝利加起來會帶來革命性的變化。這是醫療保健領域的一個開創性時刻，人工智能的整合有望改變患者的治療結果，并推動藥物開發創新和效率的新時代。