AI才是真正的药神快讯

来源: AI商业周刊 / 作者:李熵 / 2018-07-12 21:58
电影《我不是药神》中有句台词很扎心:世界上只有一种病,就是穷病。要彻底解决穷病(或者说让所有人都富起来)几乎不大可能,我们只能想方设法将药物价格降低,让老百姓都可以


电影《我不是药神》中有句台词很扎心:世界上只有一种病,就是穷病。要彻底解决穷病(或者说让所有人都富起来)几乎不大可能,我们只能想方设法将药物价格降低,让老百姓都可以用上便宜药,也许AI才是真正的药神。

 

近日,电影《我不是药神》十分火爆,据统计,该影片上映4天,在中国大陆地区票房收入超过13亿元。

这部电影的名字并不出彩,故事也不复杂,但它却深深戳中了我们的内心。电影中所反映的吃“天价药”吃到卖房续命的惨境引发观众共鸣,毕竟,看病难、吃药难一直是众生的难言之痛。

知名媒体人信海光发朋友圈感慨:

昨天看药神居然看哭了…以前看任何电影都不哭的,从来没有哭泣的历史,或许不是因为电影太好,而是因为人变了,人到中年,见多了生老病死苦,自然就容易有同理心,容易带入。生活压力山大,痛哭也是减压,但电影院招摇哭泣一点丢人,强自压抑更难受。

 

 

其实,天价药的根源并不在于医院和医药公司,而是药物研发的时间和成本确实很高,医药公司抬高价格也就在所难免。根据塔夫特药物发展研究中心( Tufts Center for the study of Drug Development )的数据,一款新药的面市从药物发现到获得FDA批准平均大约需要97个月。德勤的数据显示,自2010年以来,全球12家主要制药公司的获批药物开发成本已经增加了33%,至约每年16亿美元。

药物研发不仅面临时间和成本问题,整个开发过程中各个阶段的POS(生物制剂研发的成功概率)都十分低。据悉,当一款药物在进入第一阶段之前,这整个过程下来通常就需要1-3年,而它的POS却仅仅为20%。

药神AI

早在2016年年底,美国高盛集团发布了一份长达99页的重磅人工智能报告:《人工智能、机器学习和数据将推动未来生产力的发展》(AI,Machine Learning and Data Fuel the Future of Productivity)。报告指出,机器学习和人工智能可有望降低药物发现和医疗实践之间的时间差;与此同时,它们还能对治疗进行优化。

Atomwise是AI+药物研发比较有代表性的初创公司,其通过IBM超级计算机分析数据库,并用深度学习神经网络分析化合物的构效关系,于药物研发早期评估新药风险。

Atomwise介绍,传统的药物开发从最初的实验室研究到最终摆放到药柜销售平均要花费12年时间,需要投入66.145亿元人民币、7000874个小时、6587个实验、423个研究者,最后得到1个药物。但AI助力的药物研发,通过超级计算机可以在几天之内评估820万种化合物,找到多发性硬化症可能的治疗方法。

药物发现始于最初的目标确定。一旦确定目标后,人们通常利用高通量筛选(HTS)来“命中发现”。但HTS成本十分昂贵,如果由机器人自动完成,通过在同一时间进行数以百万计的试验,找出最有潜力达到目标的化合物,提高药物发现的“命中”几率。

为了增大POS,谷歌和斯坦福的研究人员已经利用深度学习开发虚拟筛选技术,以取代或增强传统的高通量筛选(HTS)过程,并提高筛选的速度和成功率。通过应用深度学习,研究人员能够实现跨越多个靶点的众多实验的信息共享。正如Bharath Ramsundar等在其一篇机器学习相关的论文中所称:

“我们的实验表明,深层神经网络优于所有其他方法……尤其在于,深层神经网络大大超越了所有现有的商业解决方案。

在许多靶点上,它都实现了接近完美的预测质量,使其尤其适合被用作虚拟筛选装置。总之,深度学习提供了建立虚拟筛选并将其作为药物设计管道中标准步骤的机会。”(Massively Multitask Networks for Drug Discovery,2015/2/6)

人工智能给药物研发带来了光明也带来了机遇,国内外已经有不少新兴企业深度布局,并初见成效。整体来看,美国在这个领域的处于绝对的领先地位,但国内市场也有巨大机会。根据人均医疗支出和全球支出份额估计,AI/ML有望在2025年在全球范围内削减超过280亿美元的年度成本。而且2018年全球人工智能市场规模将达到2700亿元,AI+药物研发也将迎来新的时代。

中外AI+新药发现公司盘点



图表来源:动脉网

AI+药物研发面临“三座大山”

虽然AI/ML在医疗领域的许多子领域均存在明显的机遇,但技术采用的障碍仍然存在。

成本。实施AI/ML需要配备必要工具和能力,但它们的成本可能十分昂贵。特别是在医疗行业中,医疗成本仍然是大众关注的焦点。为了确保ML算法能很好地利用数据,人们需要有意义资本和专门技术,而光是确保拥有足够的计算能力,就将花费不菲的金钱。

可解释性。算法需要梳理多个数据集,而这往往会生成一些所谓的黑盒。以前一直受到严格监管的医疗行业有可能因此会推迟AI/ML应用的发展。

人才。采用AI/ML技术的障碍也可能来自相关领域人才的聚合。2013年,Google支付了超过4亿美元收购了DeepMind Technologies;而根据新闻报道,彼时该团队的成员大概只有十几个人。聚合这样一群高级人才的难度以及由此产生的高昂成本可能会令人望而却步。

数据。虽然美国政府已经颁布法令帮助实现电子健康记录的数字化,但将普遍使用纸张的系统转变为完全电子化的过程仍然存在挑战。此外,虽然许多机构已经迈过了“有意义使用”的门槛,但是重要患者数据的碎片化和缺乏可获得性仍然阻碍着改革的进一步发展。

注:本文参考高盛2016年发布的AI生态报告《人工智能、机器学习和数据将推动未来生产力的发展》(AI, Machine Learning and Data Fuel the Future of Productivity)。
 

阅读延展

1
3