行业
企业
知识产权
诉讼
自1995年以来，《自然-医学》持续记录着医疗技术与健康护理领域的进步。为纪念本刊创刊三十周年，每月将重点呈现一期对医学未来具有关键意义的专题。本期刊物延续这一主题，聚焦"药物研发中的人工智能》探讨了新一代药物研发的突破性进展，深入剖析了人工智能（AI）与量子计算的变革潜力及应用前景。当前，人工智能、机器学习和量子计算技术已广泛应用于药物研发的全流程——从靶点识别、分子合成、临床前及临床试验，直至上市后监测。
目标识别
通过利用庞大的生物数据库，人工智能能够识别出具有潜力的药物靶点，例如小分子靶点、蛋白质和核酸。 传统技术如亲和力沉淀和全基因组敲除效率低下且易出错。人工智能通过加速收集和分析复杂生物网络中的海量数据集，有效突破了这些局限。研究者指出，人工智能通过构建多组学数据网络，促进了疾病相关分子模式及因果关系的识别，从而推动候选药物靶点的发现。
从头药物设计
人工智能极大简化了新化合物的设计过程，通过虚拟筛选等技术高效分析海量潜在药物候选库。例如，人工智能（尤其是深度学习）已能自动识别满足特定要求的新型结构，从而绕开了传统专业知识的限制。
筛选
人工智能通过虚拟筛选等技术，高效筛选庞大的化合物库，从而优化新化合物设计流程。例如，基于人工智能的受体-配体对接模型能够预测配体的空间构象变化，并利用算法直接生成复合物的原子坐标。
预测药物特性
人工智能模型能够预测药物的重要特性，如吸收、代谢和毒性。这些预测使研究人员能够在药物研发的早期阶段就聚焦于最具潜力的候选药物。
合成规划与药物发现
在小分子药物发现过程中，新化合物的化学合成是一项技术含量高且极其费力的任务。计算机辅助合成规划（CASP）与有机化合物的自动合成技术，通过为化学家消除繁琐重复的工作，能够显著加速药物发现进程。
ADMET
ADMET（吸收-分布-代谢-排泄-毒性）在决定药物疗效和安全性方面起着关键作用。人工智能技术正在补充传统实验评估，有助于减少因药物特性不佳导致的研发失败。这些预测使研究人员能够在药物发现过程中更早地聚焦于最具潜力的候选药物。
药物再利用
人工智能正通过分析生物数据模式，为现有药物发掘新应用场景，从而加速各类疾病新型疗法的研发进程。
优化临床试验
临床试验耗资巨大、耗时漫长且效率低下。药物研发者面临临床试验注册延迟的挑战，或苦于难以招募足够志愿者。人工智能有望优化试验设计、简化招募流程并辅助生物标志物发现，从而提升成功率和研究效率。人工智能还能支持持续安全性监测、不良事件报告及药物警戒合规性，确保药物的长期安全性和有效性。
2055年的医疗会是怎样的景象？或许医疗保健将从被动模式转型为主动、个性化且注重预防的模式。多组学技术——整合基因组学、转录组学、蛋白质组学和代谢组学——的进步，可能实现对个体疾病风险的精准预测。通过可穿戴和植入式生物传感器对生物标志物进行持续监测，有望在症状显现前很久就实现早期干预。
查看引用文章
