人工智能助力快速药物发现

2024年3月13日| 4 分钟

“你应该留着那张餐巾纸。”

尽管这听起来并不像人们从经理那里听到的典型建议，但Merck生命科学业务首席技术官Karen Madden却给出了这样的建议。这是因为餐巾纸上的涂鸦是一个新人工智能药物发现平台的最初雏形。

为新疗法寻找有前景的分子感觉有点像大海捞针。选择似乎没有穷尽，寻找合适的候选药物是一项十分艰巨的任务。如果您不是动手寻找，而是使用强大的磁铁或金属探测器来寻找那根“针”或者具有药物潜力的分子，结果会怎么样呢？AIDDISON 就是这种集磁铁和金属探测器于一身的平台。

AIDDISON 是一个功能强大的软件平台，专为缩减药物开发过程中的繁琐步骤而设计。早在新药上市、开始临床试验或进入临床前研究之前，它还只是一个想法。一个团队首先确定他们希望未来的药物能达到的靶点，例如给病人带来疾病的错误蛋白。然后，研究人员需要找到一种分子（或几个分子）来抑制有缺陷的蛋白质等特定靶点。

一种新药从临床试验到临床应用往往需要十多年的时间和超过二十亿美元的资金投入。超过90%的药物会在临床试验中失败。新药研发失败所损失的时间、金钱和精力可能非常惊人。

如果在药物开发的早期阶段（即药物发现阶段），科学家就能够更准确地识别可能在后期阶段取得成功的分子，那么此前90% 的失败率就可能下降。这意味着会不会将资金和时间浪费在临床试验注定失败的候选药物上。

“药物设计成功的关键是采取整体方法，提高每个设计周期的成功率，让‘每一针都值得’，以便更快地为患者带来治疗药物，”Ashwini Ghogare 表示。她是成功建成这个平台的关键人物，也是她后悔没有将餐巾纸保存下来。

合作的力量

AIDDISON概念始于2019 年美国马萨诸塞州伯灵顿举行的一次Merck会议。在这次会议上，Ghogare 遇到了Daniel Kuhn。在听完Kuhn关于他的团队如何构建机器学习模型来支持药物发现工作的演讲后，Ghogare在稍后的晚宴上走到他的餐桌前说：“让我们谈谈。”

他们讨论了药物发现中的挑战以及可能的解决方案。如何利用现有数据和人工智能（一种变革性技术）成为了他们讨论的重点。没错，他们拿起一张餐巾纸记下了他们的想法。在这些早期涂鸦中，他们勾画了界面的早期设计，并对一些过程进行了深入讨论。

另一方面，Kuhn从药物设计课题组计算化学专业博士毕业。从那时起，包括在Merck的医疗保健业务部门任职期间，他就一直专攻药物研发的改进。他致力于利用预测和生成性建模技术为患者寻找新的疗法和药物。

事实证明，他们在药物发现方面的深厚经验与软件和平台开发方面的专业知识做到了完美结合。除了他们各自不同但互补的背景之外，另一个关键因素也有助于推动合作向前发展。他们在一起工作非常愉快。

从零开始

早在两人在伯灵顿相遇之前，Kuhn就在开发工具，帮助他在Merck的医疗业务团队更快地找到更好的候选药物。

为了建立模型，Kuhn需要使用大量的数据集。其中详细介绍了不同分子在早期实验中如何达到或未达到预期。幸运的是，他在Merck医疗业务部门的同事们精心保存了数十年的数据。事实证明，这些丰富的实验数据是推动模型发展的关键，并最终为 AIDDISON 提供了巨大帮助。

当Kuhn在伯灵顿峰会上分享他的创新成果时，Ghogare 一眼就看出了这种模型的优势，知道它对该公司以外的药物开发人员也很有价值。因此，一个将公司内部工具推广给全球用户的开创性行动开始了。

Kuhn 和 Ghogare都对他们能取得如此之快的进展感到有点惊讶。凭借强大的合作伙伴关系和现成的团队，从第一次对话到平台的公开发布，仅用了两年多的时间。

对于Kuhn来说，将该工具商业化的一个重要原因是让小型团队能够更容易地进入药物发现领域，之前这些团队很少能够访问大型内部数据集来构建自己的模型。越多的人致力于研发新的治疗方案，对患者就有利。

“模型并不总是正确的，人也不是，”Kuhn说。“精心设计的模型，例如 AIDDISON 中的模型，是加速药物发现的基础，通过发现和优先考虑具有良好特性的分子来帮助科学家做出更好的决策。”

AIDDISON正在帮助各种规模的研发团队更快地确定最佳候选分子，并减少药物发现过程中的这一痛点。

关于 AIDDISON

利用 20 多年的制药研究数据， 人工智能赋能的 AIDDISON™ 平台 将生成性设计、预测性洞察和三维建模结合在一个交钥匙解决方案中，以加速药物发现过程。

• 通过对大量化学数据库进行快速计算机筛选来产生创意并从头设计。

• 利用真实世界的 ML 模型来优化可合成性和 ADMET 特性的结果。

• 使用先进的数据可视化和分子结合工具评估有效分子并确定优先级。