機器學習/人工智慧能否在生物製藥/生命科學界大展身手？

01-28

在藥品評估領域，已經有ADMET Predictor這樣的，利用計算機模擬藥物藥理，代謝和副作用的評估軟體了。
能否利用人工智慧/機器學習+超級計算機+臨床實驗醫療大數據，藉助「模糊測試思想」，幫助分離出病毒/細菌/腫瘤細胞的靶向特徵作用點，從而幫助發現並加速各種新型藥品的開發？或者是優化已經存在的藥物效果？亦或降低個體化醫療的成本？

樓主的問題問的很好，這也正是我想研究的方向。我現在博士在讀，專業可以看作是計算機輔助藥物開發。我認為計算機大數據分析構建虛擬人體，模擬疾病發展動態，進行個性化醫療和藥物開發肯定是未來醫療的發展趨勢，但目前還處於最初的起步階段，畢竟生物體還有太多的問題沒有弄清楚，在這之前生物醫藥研究還是會以大量的濕實驗為基礎，等數據積累夠了，大數據分析才會真正發揮出它在生物醫藥中的作用。

而且這個學科也是個交叉學科，必須得多學科的人才聚到一起才能做出些成果，大量的資金也是需要的，可能在這方面走在最前面的還是一些互聯網科技公司！

IBM開發的人工智慧系統Watson在醫療方面的應用：

機器人「坐診」代替醫生為時不遠？

IBM - 歡迎邁入認知商業新時代

Birthday Girl與Watson愉快地聊天

————————————2016/8/21————————————————

今天搜到的一篇新聞：

BergHealth:依靠人工智慧新葯研發如今僅需9-12個月了 --快訊--新聞 --生物360 --中文生命科學界資訊站

————————————————————————————————————————————

BergHealth，和聯合創始人Carl Berg同名，是一家數據驅動型生物研究公司，在藥物研發的前沿領域使用大數據創建新的醫療模式來解決醫療保健問題。這種方法對於藥物發現和發展來說效果如何並不可知，它主要依靠生物數據而不是生物假設來提供可操作的辦法。Berg公司旗下有Berg Pharma，Berg Biosystems，Berg Diagnostics 和 Berg Analytics四個子公司。公司主要研究疾病發生時新陳代謝的改變機制，並且在神經系統疾病和代謝性疾病的研究方面有著深厚積累。

目前berg公司已經成功轉型為配備各種大數據工具的藥物研發和生物標記物生產平台。Berg說公司希望通過詳細的生物信息、理解生物途徑以及疾病來看它們如何「翻轉」原有的藥物研發模式，然後公司使用先進的計算機工具來找出這些通道是如何被改變的，以及哪種類型的藥物可以治療。這和傳統的研究方法如先形成假設，然後篩選能夠治療的化合物，最後進行治療恰好相反，它是通過弄清楚發病時細胞的活動途徑的改變來反向推導出合適的藥物治療方案。就和我們做數學題時由結論推導出過程和由假設推導出結論一樣。

就拿Berg進行癌症藥物研究時的例子來說，其會收集很多生物樣本，比如血液、腫瘤組織或患有癌症的不同人群的尿液，同時也收集捐助者的健康組織樣本。Berg會創建細胞株，然後將其放進不同的模擬患者發病時的實際狀態的環境下進行觀察，有比如低氧環境，也有高血糖癌症患者喜歡生活的環境。

細胞株建立好之後，Berg會對裡面的基因、蛋白質、代謝物和脂肪進行標識，然後從這些健康和患病的細胞中生成數以萬億計的數據節點。

Berg然後將所有這些數據輸入計算機系統，系統會自動創造一幅看上去像「航空線」的地圖，由大大小小的樞紐和各種線路組成。地圖上的大樞紐，如紐約或亞特蘭大，代表了完成健康和疾病不同差異的關鍵蛋白質，這種情況要麼是它們供不應求，要麼就是它們需要保持沉默。一旦確定了這些蛋白質，Berg就可以人工製造蛋白質來替代失蹤的那一個，或利用RNA干擾技術治療引起疾病的那一個。同時，不同的線路從每個樞紐進出，就像飛機和飛機場一樣，都可以成為潛在的生物標記物。

Berg說這種方法不像傳統的方法需要從成千上萬的化學品中進行篩選，看哪些可以作為藥物，這種古老的方法可能需要幾年的時間和數百萬美元。然而，使用這種新的方法公司只需要9-12個月就能研製出一款藥物。

但是，Berg公司卻面臨不少質疑。許多生物技術風險投資家和基因組學領域領導者都公開表示懷疑。在對Berg公司研究方式進行深入探討後，他們表示雖然理論上這是「完全合理的」，但任何全新的、革命性的發現最後都會搞砸的。Berg並不是第一家使用計算機模型來進行藥物研發的公司，例如Merrimack製藥公司（納斯達克股票代碼：MACK），使用計算機模型結合高密度蛋白array-a方式來發現蛋白質是如何相互交互的，研究人員可以找出其攻擊目標或應該加入哪種藥物，作為以有限資金進行藥物研發的組成部分。目前雖還沒有任何被FDA批准的藥物，但該公司確有幾個處於中後期研發的藥物作為候選。

我們都聽到過這樣的說法，在過去幾十年里，許多公司開始採用最新的技術，從基因組學到系統生物學來進行藥物研發，但很多人都發現這比想像要難很多。

Berg認為這是因為很少人會試著將這些方法結合起來進行藥物開發，有做生物基因組學的公司，有做系統生物學的公司，有做計算建模，也有做AI（人工智慧）的，但他們都沒有把這些元素整合到完整的平台上，他們都在單兵作戰。

其藥物研發平台結合了生物模型元素、大數據分析、人工智慧、基因組學、蛋白質組學和代謝組學，我們的方法就是從大量樣本數據中創建病人」圖譜」，然後從中挖掘出實際可用的數據，這樣就能使藥物研發變得更便宜，更快捷。

不過，目前尚不能證明Berg的方法是否可以生產出有效的藥物。其最先進的產品，一種被稱為BP31510的抗癌藥物目前還處於最後一期試驗階段。近期他也已經取消了和西奈山伊坎醫學院、美國國防部和帕金森研究所臨床中心的研究合作事宜，雖然這些組織能夠幫助其更好地尋找相關疾病的生物標記物、診斷工具和藥物，但Berg公司表現的相當沉穩，並不像初創生物科技公司那樣一心求成。

————————————————————————————————————————————

可見，雖然這是一個熱門領域，也有很多人進行嘗試，但目前成果寥寥，也受到了大眾的質疑。

再po一篇新聞：

————————————————————————————————————————————

華大基因未來在人工智慧的成功之道：機器學習的那些奇妙又恐怖的應用（1）

前華大CEO王俊同學忽發壕言要用100億加人工智慧攻克人類疾病，引發了眾多關於只愛夢想不愛金錢的熱議（似乎並沒有），也使大家對人工智慧興趣高漲。

人的疾病，除了少數由單基因決定之外，大多都由多基因加環境等多因素決定。要了解其發病機理及每項因素的相對貢獻，是非常複雜的，更別說各種因素之間的相互作用對於發病的影響了。

使用人工智慧來研究這些多因素與疾病表型的對應關係，方法上是正確的，也確實可行。但是，人工智慧方法通常需要大量的樣本作為輸入；樣本量越大，結果越精確。而且，越複雜的疾病，需要的樣本量就越多。

因此，所需要的金錢也是大量的。這也是為什麼他說需要這麼多錢的原因。回到我剛才提到的成功公式，只要有足夠的錢，在夢想和實現的手段都不缺少的情況下，王俊成功的可能性還是比較大的。

在這裡，我準備用幾篇文章介紹人工智慧/機器學習的近況以及在生物學、藥物篩選和人體健康領域的應用。以使各位同學們對相關背景有足夠的了解。

_____________________________________________________________________________

有興趣的同學可以看下。