劳力士在二手市场“跳水”
06-17
如果要问AI下一个黄金赛道是什么？黄仁勋的答案是生命科学。
他多次明确表达过这一观点。
比如，在一次“世界政府峰会”会议上，他说：“人人都要学计算机的时代已经结束了，未来的世界应该是生物世界。
”在另一次会议的问答环节中，他表示，如果有机会重来一次，他会首先考虑生物学，尤其是与人类相关的生物学。
不只是黄仁勋这么说，英伟达的海外投资也证明了这一点。
过去两年，英伟达在医疗和药物发现领域近乎疯狂的投资，投资了十几家初创公司。
据《华尔街日报》报道，法国初创公司 Moon Surgical 的首席执行官 Anne Osdoit 表示，该公司大约三年前开始与 Nvidia 合作，当时该公司正在为生命科学领域开发软件。
Moon Surgical 是一家利用人工智能改进腹腔镜手术的法国初创公司。
芯片。
她表示，此次合作最终促成了这笔投资，英伟达还帮助该公司解决了有关手术机器人的技术监管问题。
“NVIDIA 非常务实，直接说‘嘿，告诉我们你需要什么’。
” NVIDIA医疗副总裁Kimberly Powell甚至直言：“既然计算机辅助设计产业已经产生了第一家市值2万亿美元的芯片公司、计算机辅助医学发现产业，我们为什么不能打造下一个万亿——美元制药公司？今年的 NVIDIA GTC 大会上将举办 90 场医疗保健/生命科学相关活动，这也凸显了 NVIDIA 对生命科学领域的重视，“我们是相当老练的投资者，”黄仁勋在今年 1 月的摩根大通医疗保健会议上表示。
“如果您在计算或人工智能方面遇到困难，请给我们发送电子邮件，我们将随时为您服务。
”英伟达的对外投资中，医疗保健和生物技术领域的许多创新药物的研发一直是费时费力的，业内有一个著名的“双十定律”，即需要10年时间和美国。
开发一种新药需要 10 亿美元，而成功率只有 10%，因此，即使是微小的改进也可能是无价的。
例如，Google DeepMind 使用其 AlphaFold 系统来预测蛋白质结构。
该技术的最新进展出现在5月8日的《自然》杂志上。
新推出的AlphaFold 3不仅可以模拟蛋白质与其他分子之间的相互作用，还可以准确预测包括DNA、RNA、配体等在内的生物分子的结构。
它们如何相互作用，这项技术可以改变我们对生物世界和药物发现的理解。
以下是 AlphaFold 3 的一些令人兴奋的预测： 7PNM – 普通感冒病毒（冠状病毒 OC43）的刺突蛋白：通过病毒蛋白（蓝色部分）与抗体（绿色）和单糖（黄色）相互作用， AlphaFold 3 对 7PNM 的预测结果与真实结构（灰色）完全一致。
这可以提高我们对免疫系统过程的了解，并有助于更好地了解包括 COVID-19 在内的冠状病毒，从而增加改进治疗的潜力。
8AW3 - RNA 修饰蛋白：AlphaFold 3 预测由蛋白质（蓝色）、RNA 链（紫色）和两个离子（黄色）组成的分子复合物，与真实结构（灰色）非常匹配。
这种复合物参与其他蛋白质的产生，这是对生命和健康至关重要的细胞过程。
7R6R - DNA 结合蛋白：AlphaFold 3 预测蛋白质（蓝色）与 DNA 双螺旋（粉色）结合的分子复合物。
预测结果与通过复杂实验得到的实际分子结构（灰色）几乎完全一致。
图片来源：Google DeepMind 虽然迄今为止只有十几种药物在开发过程中使用了人工智能技术，但这个数字未来很可能会快速增长，未来的药物开发将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，并具有指数级改进的潜力。
人工智能将改变药物发现过程的每一步，虽然它可能是渐进式的改进——这里 10%，那里 20%，那里 30%——最终当所有这些改进加在一起时，速度和成功率会增加两到三倍。
今天的文章我们就来聊聊AI在制药领域到底能做什么？最大的瓶颈——数据，会带来什么问题？而AI制药更有可能是渐进式的改变，而不是突然的改变……请欣赏：AI到底能在制药领域做什么？ 但为什么人工智能制造的药物还没有获得批准呢？ 1 人工智能在制药领域到底能做什么？ 我们先来说一个真实的案例。
几年前，在奥地利维也纳医科大学，一位82岁的患者（保罗）患有侵袭性血癌。
他接受了六个疗程的化疗，但都无法治愈。
在这个漫长而痛苦的治疗过程中，医生不得不将常用的抗癌药物一一剔除，因为它们不起作用。
最终，保罗参与了一项药物试验。
英国Exscientia公司正在开发一种新型匹配技术，可以根据不同患者细微的生理差异，为其匹配所需的精准药物。
研究人员从保罗身上采集了一小块组织样本，将样本分成一百多块，包括正常细胞和癌细胞，并将它们暴露于不同的药物组合中。
然后，他们使用机器自动化和计算机视觉，这是一种经过训练可以识别和预测细胞微小变化的机器学习模型。
实验表明，有些药物无法杀死保罗的癌细胞，而另一些药物则会损害他的健康细胞。
最终，这项技术带来了一种癌症药物，保罗的医生没有尝试过，因为之前的试验表明它对治疗这种类型的癌症无效。
最终药物成功了。
两年后，保罗的病情完全缓解，癌症也消失了。
如果采用传统方法，实验的速度和规模不可能这么快。
当然，在这个成功的案例中，机器学习只是筛选出了正确的药物。
这只是英国Exscientia公司的一个小目标。
真正的目标是彻底改变整个药物研发流程，利用人工智能技术来设计新药。
然而，这一目标尚未实现。
这是整个生命科学和AI界目前正在探索的一个方向。
我们希望利用人工智能和数据驱动的方法，注入更强的算力，提高药物研发的成功率。
我们先看一下研发新药（这里主要指小分子药物）的基本步骤，然后谈谈AI可以切入哪些环节。
首先，研究人员需要选择体内与药物相互作用的靶标，例如蛋白质。
然后他们设计一种作用于该目标的分子，例如改变其工作方式或使其停止工作。
接下来，在实验室中制造该分子，并检查它是否确实发挥了其设计的作用，而不是其他作用。
最后，在人体中进行测试，看看它是否安全有效。
几十年来，研究人员通过将所需靶标的样本放入实验室的许多小细胞中，添加不同的分子并观察反应来筛选候选小分子药物。
然后多次重复这个过程来调整候选药物分子的结构，比如用那个原子替换这个原子等等。
这一切都依赖于研究人员的经验和直觉。
但从实验室到人体并不容易，许多药物分子在实验室中表现良好，但最终在人体测试中失败。
因此，需要进行大量的修改工作。
比如脂溶性不好，需要对脂溶性相关方面进行修改；如果存在毒副作用，就需要从相应方面进行修改来克服。
新药的研发实际上是一个不断迭代、修改的过程。
最后，经过实验验证后，将走向临床实践并推出，并产生价值。
从经验来看，研发人员可能需要设计并测试20种药物才能最终选择有效的药物，这导致研发成本非常高。
在这个过程中，AI可以切入两个主要环节： *在最初选择有前景的化合物时，利用AI进行筛选。
传统方法依赖于研究人员的经验和直觉，只能在数百万种化合物的库中进行搜索和筛选。
根据计算，如果排除一些非常相似的分子，所有大型制药公司如默克、诺华、阿斯利康等加起来，可以有多达10,000个分子可以用来制造药物，其中一些是专有的。
有些是众所周知的。
这是近百年来广大化学家辛勤劳动的总成果。
但自然界中化合物的数量，或者说成药的空间，是10的60次方，而我们实际上只是在很小的范围内寻找。
如果拥有强大计算能力的AI能够在更大的范围内进行搜索，就可以极大地突破目前的探索空间，找到更合适的药物化合物。
这就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。
二是利用AI技术对先导化合物进行改性。
选择命中化合物后，先导化合物就形成了，但有很多地方经常需要修改，例如提高活性或提高成药性。
这个环节可能占到药企研发的90%。
工作量的%。
如何修饰这些分子？由于药物研发已有数百年的历史，我们记录了很多结构的作用，基于这些会更容易进行创新。
例如，这个过程就像改变一幅画，使其变得更加美丽。
不过，这幅画的某个部分已经相当不错了，之前也经过实验验证过，所以可以保留。
在此基础上修改。
经过训练的AI大模型可以从数十年的数百万篇论文和大型档案中挖掘数据，并从这些文件中提取知识图谱——哪些变化会导致什么结果，以及这样的因果链。
对于修改非常重要。
基于这个数据基础，AI可以用来设计其他的部分，让AI发挥它的想象力。
人工智能往往比人类专家拥有更丰富的想象力。
人类专家往往只能绘制几十个分子，但AI生成的数量没有上限，只要计算能力支持即可。
而且，修饰过程中需要同时考虑多种影响因素，如合成、活性、成药性等，是一个多目标的复杂问题。
人类专家在处理时，往往会进行简化，一次只处理一个环节。
例如，在这个链接中仅考虑活性，而在另一个链接中考虑成药性。
但人工智能可以更好地处理多种信息。
以更重要的制药特性为例。
例如，如果一种口服药物进入体内后要治疗肿瘤，它必须首先通过消化系统，然后进入血液和细胞。
这是一个吸收和代谢的过程；其次，药物必须经过消化系统，然后进入血液和细胞。
这是一个吸收和代谢的过程。
效果需要持续一段时间，并且不能有毒副作用。
这些特性统称为成药性，是药物开发中非常重要的因素。
过去研发人员主要依靠实验验证，这就导致了他们在之前的研发过程中可能花费了大量的资金、工作了很长时间，最终发现了有效的分子，但是在研发过程中却出现了问题。
验证成药性，从而导致该药物重新开放。
要么做，要么放弃，这就创造了“双十原则”。
如今，可以利用人工智能+专家经验+自动化实验来提高预测的准确性，设计出结构更新颖、性能更好的分子，从而提高整体的成功率。
一些研究人员将药物与体内蛋白质之间的相互作用视为物理问题，模拟原子之间的推拉力，而这种推拉力会影响分子如何结合在一起。
他们利用人工智能更准确地模拟分子之间的相互作用。
相互作用。
生成式人工智能在生命科学各个方面的作用和经济价值的提升；图片来源：麦肯锡 2 但为什么还没有批准的药物，它们是通过人工智能制造的吗？ 然而，与人工智能制药的巨大潜力相对应的是一个冷酷的事实。
目前，还没有通过人工智能制造的药物获得批准。
“如果有人告诉你他们可以‘预测’哪些药物分子会通过肠道或不会被肝脏分解等等，那么他们可能也有火星土地可以卖给你。
” 《麻省理工评论》曾经采访过一位专业人士。
如今AI制药技术面临的最大问题是数据。
由于生命科学领域的数据非常不标准化，尤其是实验领域，经常会出现A实验室所做的实验与B实验室所做的实验完全不同的情况，具有可比性。
该领域甚至有一个常见的短语——“Apple to Apple”或“head to head”来强调可比性。
一旦涉及到现实世界的数据收集，最大的问题是如何收集足够的数据维度。
无论你研究细胞还是人、动物，一般从传统生物学和医学的角度来说，你收集单点数据，比如这个猴子是胖还是瘦，这个细胞是增殖还是死亡，但这些维度太单一了。
，其实影响肥胖、增殖或者死亡的因素有很多。
如果缺乏足够的观察手段，无法形成多维度、结构化的数据，那么AI的训练就会大打折扣。
这些数据从哪里来？不一定是大型制药公司，因为以前的数据记录方法可能无法重复使用。
自动驾驶领域有一个经典的例子：当我们寻找模型训练的数据时，很多人最初找到了出租车公司，因为出租车配备了行车记录仪，理论上应该有大量的自动驾驶数据。
。
但事实上，大家发现这是不可能的，因为出租车缺乏多维度的数据记录。
虽然行车记录仪有很多数据，但他们不知道当某种路况发生时，驾驶员做了什么动作，比如如何打方向盘、什么时候踩刹车，原来的行车记录仪没有有足够的传感器来记录这些内容。
因此，为了收集多维度的数据，当前的自动驾驶公司必须在测试车辆上安装很多传感器。
今天的生命科学领域也是如此。
虽然没必要从头开始，但目前的行业数据库肯定是不够的。
需要增加各种新的维度，包括增加标准、增加定义、增加新的“传感器”等等，需要围绕AI训练的需求完成各种维度，才有训练好AI的基础。
从大型人工智能模型的标度规律来看，目前还没有人知道一个足够智能的生命科学模型能够在哪一类中实现涌现？在没有足够高质量数据的情况下，在标度法则生效之前开发的人工智能，归根结底可能只是过拟合，无法实现真正??的突破。
至于这个尺度定律的突破点在哪里？仍在探索中。
除了数据原因之外，另一大原因是AI并不完美。
无论研发过程多么先进，药物仍然需要经过人体临床试验。
任何药物研发的最后阶段都需要招募大量志愿者，这需要很长的时间，平均大约10年。
许多药物需要数年时间才能达到这个阶段，但仍然失败。
尽管很多AI制药公司都在加班加点地进行研发，但这些实验室实验和人体临床试验是无法缩短的，因此第一批借助人工智能设计的药物可能仍需要数年时间才能推向市场。
当然，AI虽然不能加快临床试验进程，但确实可以帮助药企降低试错成本，即减少在实验室测试无效药物分子的时间，让有前景的候选药物进入临床。
试验速度更快的阶段。
而且，由于投资资金减少，公司可能会感到放弃并坚持运气的压力较小。
如今，越来越多的人工智能辅助药物管线不断涌现。
据智慧药房局统计，AI辅助临床管线数量已从2017年的50条增加到现在的数量。
这还只是AI药企的管道状况。
一级市场的资金也在向这一领域聚集。
例如，上个月，生物技术领域最大的投资机构ARCH Venture Partners做出了史上最大投资，领投了AI+医疗初创公司Xaira的单笔投资2亿美元。
这家成立仅一年的初创公司在种子轮融资中筹集了 10 亿美元。
其目标是利用人工智能重塑药物研发，寻找治疗疾病的新药。
英伟达投资生物技术当我们讨论人工智能制药的未来时，这更多的是一种渐进的变化，而不是突然的变化。
此轮人工智能热潮与之前的计算机辅助制药*不同的是，计算能力和算法得到了显着提升，与之前相比产生了代际差异，为药物发现和设计提供了前所未有的准确性和效率。
由于AI无法达到的数据问题和临床试验等耗时的方面，目前还没有通过AI生产的药物获得批准。
但AI药品的真正价值可能不在于它能够立即创造超越现有药物的奇迹，而在于它能够作为工具系统地解决以前难以解决的问题。
这种系统性的解决方案，而不是一两次偶然的成功，如果实现，将是对传统制药方法的重大突破，可能会带来制药行业的一场革命。
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新型抗体，将抗体治疗推向了新的水平。
虽然尚未达到人类设计的最高水平，但已经证明人工智能设计的蛋白质是可行的，这为未来的发展奠定了基础。
最后，如果我们用一句话来总结：“人工智能在大分子领域的潜力值得期待，但这种乐观可能不是在2-3年的时间周期，而是在更长、渐进的发展周期。
“在古代，药物的发现纯粹依赖运气；在现代，药物发现依赖于经验和直觉；未来，人工智能技术预计将大大加速这个过程——这里10%，那里20%，那里30%，最终所有这些改进加在一起时，速度和成功率可以提高两到三倍。
参考文献： 1. 端点：现金、芯片和人才：英伟达主导生物科技人工智能革命的计划内幕 2. 国联证券：医疗人工智能赋能医药行业新发展 3. 经济学人：大型制药公司正在热衷于人工智能的潜力 4.麻省理工学院评论：人工智能正在创造出从未有人见过的药物。
现在我们必须看看它们是否有效。
5.路透社：大型制药公司押注AI加速临床试验【本文由投资界合作伙伴微信公众号赞助：经纬创投授权，该平台仅提供信息存储服务。
】如有任何疑问，请联系投资界（）。
版权声明：本文内容由互联网用户自发贡献，本站不拥有所有权，不承担相关法律责任。如果发现本站有涉嫌抄袭的内容，欢迎发送邮件 举报，并提供相关证据，一经查实，本站将立刻删除涉嫌侵权内容。
标签：
相关文章
06-17
06-06
06-18
06-17
06-17
06-06
最新文章
3月，腾讯《王者荣耀》在全球App Store和Google Play吸引了2.57亿美元，同比增长63%
生鲜传奇宣布完成数亿元B+轮融资
裁员20%？红杉中国回应：胡说，员工总数不降反升
第二次影视创新“闯”短剧世界：看、留、跳都是钱
ASML：从飞利浦弃儿到光刻之王
宁康瑞珠获数千万元A轮融资 横琴金投、翰颐资本投资
智能金融服务生态平台科客完成A+轮融资
拼多多九鼎：信息披露无懈可击，竞争对手才是“浇水”的