ag九游会黄仁勋看好的下一个万亿美元AI赛道在另一场会议的问答环节中，他说如果有重来一次的机会，他会首先考虑生物学，特别是和人类相关的生物学。

　　不仅仅是黄仁勋这么说，英伟达对外投资也证明了这一点。近两年，英伟达近乎疯狂地在医疗和药物发现领域投资，已投资了超过十几家初创公司。

　　据WSJ报道，Moon Surgical是一家利用AI改进腹腔镜手术的法国创业公司，其首席执行官Anne Osdoit说，她的公司大约在三年前就开始与英伟达合作，当时该公司正在为生命科学领域开发芯片。她说，这种合作关系最终促成了投资，英伟达还帮助公司解决了有关手术机器人的技术监管担忧。“英伟达非常务实，直接说‘嘿，告诉我们你需要什么’。”

　　英伟达医疗保健副总裁Kimberly Powell甚至直言：“既然计算机辅助设计行业捧出了*家2万亿美元市值的芯片公司，计算机辅助药物发现行业ag真人游戏，为什么不能打造下一个价值万亿美元的药物公司呢？”

　　在今年英伟达GTC大会上，与医疗保健/生命科学相关的活动将达90 场，也突显了英伟达对生命科学领域的重视。“我们是相当内行的投资者。”今年1月，黄仁勋在一场摩根大通医疗健康会议上说，“如果你在计算或AI方面有困难，请给我们发邮件，我们随时为你服务。”

　　创新药研发一直都费时费力，业界有一个著名的“双十定律”，即研发一款新药需要10年时间、10亿美元，并且成功率也只有10%。所以哪怕是微小的改进，也将价值连城。

　　科学家们一直在努力用传统的统计工具ag真人游戏，来尝试改进效率，机器学习使筛选成堆的信息成为可能。比如谷歌DeepMind曾利用其AlphaFold系统，来预测蛋白质结构。这项技术的最新进展出现在5月8日的《自然》杂志，新推出的AlphaFold 3不仅能够模拟蛋白质与其他分子的相互作用，还能准确预测包括DNA、RNA、配体等生物分子结构以及它们如何相互作用，这项技术能改变我们对生物世界和药物发现的理解ag真人游戏。

　　7PNM - 一种普通感冒病毒的突起蛋白（冠状病毒OC43）：随着病毒蛋白（蓝色部分）与抗体（绿色）和单糖（）相互作用，AlphaFold 3对7PNM的预测结果与真实结构（灰色）完全吻合。这能够增进我们对这种免疫系统过程的了解，有助于更好地理解冠状病毒，包括COVID-19，从而提高改进治疗的可能性。

　　8AW3 - RNA修饰蛋白：AlphaFold 3 预测的由蛋白质（蓝色）、一条 RNA 链（紫色）和两个离子（）组成的分子复合物与真实结构（灰色）非常吻合。这个复合体参与了其他蛋白质的生成，这是一个对生命和健康至关重要的细胞过程。

　　7R6R - DNA结合蛋白：AlphaFold 3 预测的蛋白质（蓝色）与 DNA 双螺旋（粉色）结合的分子复合物，其预测结果与通过复杂实验得到的真实分子结构（灰色）几乎完全吻合

　　虽然迄今为止只有十几种药物在研发过程中使用了人工智能技术，但这一数字在未来可能会迅速增长，未来的药物研发会越来越像一个计算问题。当数据科学、人工智能和自动化相结合时，生物学将变得工程化，有可能出现指数型改进。

　　AI 将改变药物发现过程的每一步，虽然它可能是一种渐进式的改进——这里提升10%，那里20%、30%，但最终将所有这些改进相乘，速度和成功率就可以提高两到三倍。

　　今天这篇文章ag九游会登录j9入口，我们就来聊聊AI在制药方面到底能做什么？*的瓶颈——数据，会带来哪些问题？以及AI制药更可能会是一种渐进式的变革，而非突变式……Enjoy：

　　几年前，在奥利地维也纳医科大学，一名82岁的病人（保罗）患有一种侵袭性血癌，他已经做了六个疗程的化疗，但都未能根治。在这个漫长且痛苦的治疗过程中，医生不得不把那些常用的抗癌药一个一个划掉，因为它们都没有起到作用ag九游官网登录。

　　最终，保罗参与了一项药物试验，一家英国公司Exscientia正在开发一种新型的配对技术，能根据不同患者的细微生理差异，为他们配对所需的精确药物。

　　研究人员从保罗身上提取了一小块组织样本，将包括正常细胞和癌细胞在内的样本分成一百多块，并将它们暴露在不同的药物组合中。然后，他们利用机器自动化和计算机视觉，这是一种经过训练的机器学习模型，可识别及预测细胞中的微小变化。

　　实验证明，有些药物不能杀死保罗的癌细胞，有些药物反而损害了他的健康细胞。最终，这项技术找到了一款抗癌药物，而此前保罗的医生没有尝试过它ag九游官网登录，因为往期的试验表明，这种药物对治疗这种类型的癌症无效。

　　最终这款药物成功了。两年后，保罗的病情完全缓解，他的癌症消失了。而如果采用传统的办法，实验的速度和规模不可能这么快。

　　当然，在这个已经成功的案例里，机器学习只做到了筛选出正确的药物，这也只是这家英国公司Exscientia的一个小目标，真正的目标是彻底改变整个药物开发流程，利用人工智能技术设计新药。

　　但这个目标还未实现，这是目前整个生命科学界和AI界都在探索的方向。我们希望通过AI和数据驱动的方法，注入更强算力，来提高药物研发中的成功率。

　　我们先来看看研发一款新药（这里主要指小分子药物）的基本步骤是什么，再来说AI能切入哪些环节。首先，研发人员需要在内选择一个药物会与之发生作用的靶点，例如蛋白质；然后设计一种分子，对该靶点起作用，比如改变它的工作方式或让它停止工作。接下来，在实验室中制造出这种分子，并检查它是否真的起了作用，并且这个作用是设计所需的作用，而不是其他作用。最后，在中进行测试，看它是否安全有效。

　　几十年来，研发人员们筛选候选小分子药物的方法是，将所需靶点的样本放入实验室的许多小格子中，加入不同的分子，观察反应。然后多次重复这一过程，调整候选药物分子的结构，比如把这个原子换成那个原子，如此反复，这里面依赖的都是研发人员的经验和直觉。

　　但从实验室到并不容易ag真人游戏，许多药物分子在实验室中似乎很有效，但最终在中进行试验时却失败了。所以这里面需要大量修改的工作，比如脂溶性不好，就需要修改与脂溶性相关的地方；如果有毒副作用ag九游官网登录，就需要修改相应的地方克服掉。

　　新药研发其实就是一个不断迭代、修改的过程，最后经过实验验证，走向临床、上市，产生价值。从经验来看，研发人员可能需要设计和测试20种药物，才能最终选出一种有效的药物，这导致研发成本非常之高。

　　*是在最初选择苗头化合物时，就通过AI去筛选。传统方法是依赖于研发人员的经验和直觉，只能在一个几百万级的化合物库中去搜索和筛选。据测算，如果剔除一些非常相似的分子，所有的大型制药公司比如默克、诺华、阿斯利康等等加在一起，最多能有1000万个分子可以用来制造药物，其中有些是专有的ag真人游戏，有些是众所周知的。这就是大量化学家在过去百年辛勤工作的总成果。

　　但自然界中的化合物，或者说成药空间，有10的60次方，我们实际上只是在一个非常小的范围内搜索。如果强算力的AI能够在更大的范围内搜索，那就能大大突破目前的探索空间，找到更合适的成药化合物。

　　这是人工智能的真正潜力所在——打开一个巨大的生物和化学结构库，这些结构可能成为未来药物的成分。

　　第二是在对先导化合物的修改时，运用AI技术修改。在选择完苗头化合物后，形成先导化合物，但有很多地方往往需要修改，比如需要把活性修改得更好，或是要把成药性改得更好，这个环节在药企研发中可能占了90%的工作量。

　　如何修改这些分子呢？由于药物研发已经有了上百年的历史，我们已经记录了很多结构的作用，基于这些再去做创新会容易一些。打个比方，这个过程像是要把一幅画改得更漂亮，但是目前这幅画中的某一部分ag真人游戏，已经画得还不错，此前也已经被实验验证过了，那就可以保留，在这个基础上修改。

　　而经过训练的AI大模型，它可以从数十年间的几百万篇论文和大量档案中挖掘数据，从这些文件中提取出知识图谱——哪些改变会导致什么样的结果，这样的因果链对修改非常重要。

　　基于这样的数据基础，然后就可以让AI去把其他部分设计出来，让AI发挥想象力。AI往往比人类专家的想象力更加丰富，人类专家往往只能画出几十个分子，而AI生成的数量是没有上限的，只要算力支持。

　　并且，在修改中需要同时考虑很多影响因素，比如合成性、活性、成药性等等，是一个多重目标的复杂问题。人类专家在处理时，往往是简化，一次只处理一个环节，比如在这个环节只考虑活性，在另外一个环节才去考虑成药性。但AI能够更好地处理多重信息。

　　拿比较重要的成药性来举例，比如一款口服针对肿瘤的药物，它要想进入体内后可以治愈肿瘤，首先需要经过消化系统，然后进入血液和细胞，这个是吸收、代谢的过程；其次药效需要持续一段时间，并且不能有毒副作用。这些性质统称为成药性，是药物研发中很重要的因素。

　　以往研发人员主要依赖实验验证，这就导致有可能在之前的研发环节花了很多钱，做了很长时间，好不容易发现了一个有效分子，但在成药性验证上出了问题，而导致重新做或是放弃，这就造成了“双十原则”。

　　如今则可以通过AI+专家经验+自动化实验的方式，通过AI提升预测的准确率和设计出更结构新颖、性质更好的分子，来提升整体成功率。有研发人员将药物和蛋白质在体内的相互作用，视为一个物理问题，模拟原子间的推拉作用，而这种推拉作用会影响分子如何结合在一起，利用人工智能更准确地模拟分子之间的相互作用。

　　不过，与AI制药伟大潜力相对应的是一个冰冷的事实ag九游会登录j9入口，目前还没有任何一款获批的药物，是通过AI的方式做出来的。

　　“如果有人告诉你，他们可以*预测哪种药物分子可以通过肠道或不被肝脏分解，诸如此类，那么他们很可能也有火星上的土地要卖给你。MIT Review曾经采访了一位该领域的专业人士。

　　如今横在AI制药技术面前*的难题是数据，由于生命科学领域的数据非常不标准化，特别是在实验领域，经常会出现A实验室做出来的实验，与B实验室做出来的实验压根没有可比性。该领域甚至有一个常用语——“Apple to Apple”或者“head to head”，来特别强调可比性。

　　一旦涉及对真实世界的数据采集，*的问题就是如何采集足够多的数据维度。不管是研究细胞还是研究人、动物，一般在传统生物学、医学的视角里，采集的都是单点数据，比如这只猴子是胖还是瘦、这个细胞是增殖还是死亡，但这些维度过于单一，对胖瘦、增殖还是死亡的影响因素其实非常多，如果我们缺乏足够多的观察手段，以及不能形成度、结构化的数据，那么对AI进行的训练也就会大打折扣。

　　以及这些数据从哪里来？并不一定是大型药企，因为以前的数据记录方式不一定能复用。曾经在自动驾驶领域就有一个经典例子：当我们去寻找可供模型训练的数据时，很多人最初找到出租车公司，因为出租车都配有行车记录仪，理论上应该有很多自动驾驶的数据ag九游会登录j9入口。但实际上大家发现不行，因为出租车缺乏度的数据记录，虽然行车记录仪的数据有很多，但并不知道当某个路况发生时，司机做出了什么动作，比如怎么打方向盘、什么时候踩了刹车，原来的行车记录仪并没有足够的传感器去记录这些内容。所以现在的自动驾驶公司，为了采集度的数据，都必须在测试车里加装很多传感器。

　　如今在生命科学领域也一样，虽然不一定要完全从零开始，但目前的行业数据库肯定是不够的，需要加入各种新维度，包括加标准、加定义、加新的“传感器”等等，需要围绕AI训练所需，把各种维度补全，才能够有训练好AI的基础。

　　而如果从AI大模型scaling law的角度，现在还没有人知道一个足够智能的生命科学大模型，到底在哪个范畴上才能够达到涌现？在没有足够高质量的数据、没有达到scaling law生效前所做出来的AI，归根结底可能只是overfitting（拟合过度），还无法达到真正的突破。至于这个scaling law的突破点在哪里？仍然还处于探索中。

　　除了数据原因之外，另一大原因是AI也不是*的，无论研发环节多么先进，药物仍然需要进行临床试验。任何药物研发的最后阶段，都需要招募大量志愿者，这很需要时间，平均约10年。许多药物需要花费数年时间才能进入这一阶段，但仍然以失败告终。

　　虽然有很多AI制药公司都在加班加点地研发，但这些实验室中的实验和临床试验无法被缩短，所以*批在人工智能帮助下设计的药物，可能还需要几年时间才能上市。

　　当然，虽然AI无法加快临床试验的进程，但它确实可以帮助制药公司减少试错成本，也就是减少在实验室中测试无效药物分子所花费的时间，让有希望的候选药物更快进入临床试验阶段。而且，由于资金投入的减少，公司可能不会感到那么大的放弃压力，而坚持想碰碰运气。

　　如今正有越来越多的由AI辅助的药物管线出现。根据智药局统计，AI辅助的临床管线条，这还仅仅是统计的AI制药公司的管线情况。

　　一级市场的资金也正在往该领域聚集。比如在上个月，生物技术领域*的投资机构ARCH Venture Partners，做出了有史以来*的一笔投资，单笔领投了2亿美元，投资于AI+医疗创业公司Xaira。这家成立仅一年的创业公司，在种子轮就拿了10亿美金，目标是利用 AI 来重塑药物的研发、寻找治疗疾病的新药。

　　这一轮AI热潮与此前计算机辅助制药*的不同在于，算力和算法已经得到了显著提升，相比之前已经产生了代际差异，这为药物发现和设计提供了前所未有的精确度和效率。

　　由于数据问题，以及AI无法触达的临床试验等耗时环节，至今仍未有获批药物是通过AI方式做出来的。但AI制药的真正价值，可能不在于它能够立即创造出超越现有药物的奇迹，而在于作为一种工具，能够系统性地解决以往难以解决的问题。这种系统性的解决方案，而不是偶发性的一两次成功，如果能够实现，将是对传统制药方法的一次重大突破，有可能带来制药行业的。

　　最新的研究里程碑也证明了这一点。华盛顿大学生物化学教授David Baker的研究团队，首次利用AI技术从零开始设计出了一种新型抗体，将抗体疗法推向了一个全新的高度。虽然尚未达到人类设计的*水平，但已经证明了AI设计的蛋白质是可行的，这为未来的发展奠定了基础。

　　最后，如果我们用一句话总结：“AI在大分子领域的潜力值得期待，但这个积极乐观可能不是在一个2-3年的时间周期里，而是更长的、渐进式的发展周期里。”在古代，药物发现纯粹靠运气；在近代，药物发现依赖经验和直觉；在未来，AI技术料将大大加速这一进程——这里提升10%，那里20%、30%，最终将所有这些改进相乘，速度和成功率就可以提高两到三倍。