人工智能专题：解锁人工智能在药物发现中的潜力

今天分享的是人工智能系列深度研究报告：《人工智能专题：解锁人工智能在药物发现中的潜力》。

（报告出品方：BCG）

报告共计：73页

本报告的背景和目标

新药的发现对改善人类健康至关重要。正如寻找新冠病毒治疗方法和疫苗的竞赛所突显的那样，创新可以带来巨大的健康影响。然而，药物发现是一个成本越来越高、风险越来越高和耗时更长的问题--如果考虑到失败的成本，估计要花费大约250亿美元才能将一种新药推向市场。[1],[2].科学和技术上的挑战意味着发现一种新药并将其进行临床试验的可能性在35%的范围内，而将一种候选药物从第一阶段试验成功地带到监管部门批准的可能性只有9-14%。

巨大的成本、风险和时间的组合成为创新的主要障碍，市场力量往往将研发工作引导到具有巨大商业回报的领域，如肿瘤学和免疫学疾病。相比之下，治疗领域(TA)通常不支持高价点，如许多传染病，往往难以获得资金。

人工智能有可能从实质上改变创新经济学使新药能够被发现用于更广泛的疾病和患者群体，并由比今天更广泛的研究界成员来发现。如果这一潜力能够实现，对人类健康和健康公平的影响将是深远的。

本报告盘点了一个快速发展的领域，旨在()确定药物发现中AI的关键用例和应用(ii)评估这些用例的成熟度(i)基线采用并确定当前的障碍和(iv)确定克服障碍的解决方案，以释放AI在药物发现中的潜力。这份报告是针对广泛的药物发现社区，并特别考虑如何资助者可以发挥作用，塑造这一领域。

报告目标

AI在药物发现中的应用进展迅速，引起了工业界和学术界以及资助者和政策制定者的极大关注。近年来，随着大众媒体对人工智能研究进展的报道，公众对人工智能的兴趣也显著增加。

然而，许多利益相关者一直在努力区分事实和夸张。评估药物发现中铝的现状和未来潜力通常需要数据科学和药物发现的知识。因此，对该主题进行评估的能力往往仅限于少数资金雄厚的公司和机构，描述该领域的公开可用资源很少。

本报告作为全球公共产品，旨在为希望了解AI在药物发现中的现状和未来潜力的利益相关者提供一个事实基础。它也适用于考虑如何参与这一关键主题的资助者(关于报告目标的更多细节见图1)。

鉴于该领域的广泛兴趣，本报告旨在为直接参与药物发现过程的利益相关者(例如，学者，行业研究人员)以及影响该领域的利益相关者(例如，资助者，政策制定者和非营利组织)提供信息。

技术范围

在本报告中，人工智能被定义为一系列先进的计算和建模技术的总称，这些技术可以分析和学习往往庞大而复杂的数据源，并能够以超出人类能力的规模和速度产生见解或执行通常需要人类水平的智能的任务。在本报告中被划为AI的技术包括:

• 机器学习(ML)--人工智能的一个分支，专注于开发算法和统计模型，使计算机能够从数据中学习，并根据数据做出新的预测或决策。ML技术包括，例如，随机森林算法，或朴素贝叶斯分类器。
• 深度学习--机器学习的一个子集，它使用人工神经网络来学习输入数据的越来越复杂的表示如非结构化数据和图像识别。模型类型包括例如，卷积神经网络(CNN)和自动编码器。

需要指出的是，大型语言生成模型(LLMS)是深度学习的一个分支，其对药物发现的影响是一个新兴的话题，目前受到了很多关注。然而，由于迄今为止发表的可靠的研究很少，本报告没有涉及这一问题。

模态范围

本报告的重点是使用铝开发新的小分子和生物制品-特别是单克隆抗体(单克降抗体)和疫苗，主要集中在后者的mRNA方式。之所以选择这些模式，是因为它们有可能满足全球卫生需求的很大一部分。小分子，单克隆抗体和疫苗已经在全球范围内广泛部署，并代表了药物发现工作的主要焦点。相比之下，高度个性化的治疗，如细胞治疗和基因治疗，目前仅被狭隘地采用，在大规模生产和管理方面仍然具有挑战性。这些后一种疗法不在本报告的范围之内。

报告共计：73页