随着 AI 向各行各业逐渐深入地渗透，“AI + 医疗”近年来在健康管理、医学影像、辅助诊断等应用场景方面取得了不少进展，而极具技术壁垒的新药研发场景仍然还是一片蓝海，由此也博得了产业界和资本界的高度关注。

目前，“AI + 新药研发”的入局者主要有两类：一类是以 Insilico Medicine、Atomwise 等为代表的初创企业，团队以生物计算交叉背景居多，发展势头强劲；另一类是已经具备先进的 AI 技术能力，后向医学领域溢出的互联网科技公司，比如谷歌和赛诺菲联合推出药物研发虚拟创新实验室，微软宣布与诺华进行为期 5 年的 “AI + 药物研发” 合作。

在国内，腾讯也加入了这一行列，此前，腾讯曾多轮投资做药物晶型预测的晶泰科技。本月初，腾讯首席运营官任宇昕在 “世界人工智能大会 2020 云端峰会” 对外宣布进军 “AI + 新药研发” 领域，其自主研发的 AI 药物发现平台 “云深智药（iDrug）” 正式亮相。

两个模块已开放使用

“云深智药” 缘起于 “只在此山中，云深不知处”， 道出了新药研发的复杂过程。众所周知，新药研发周期一般为 14 年，研发费用超过 10 亿美元，且研发成功率低，原研化药研发成功率约 6%。

图 | “云深智药”药物发现平台（来源：“云深智药”官网）

“云深智药”是一个小分子药物发现平台，其功能模块覆盖临床前新药发现的全流程，包括蛋白质结构预测、虚拟筛选、分子设计 / 生成、ADMET 预测及合成路线规划五大模块。平台已于 7 月 8 日上线虚拟筛选和 ADMET 性质预测两个模块，供用户免费使用；蛋白质结构预测、分子设计 / 优化、合成路线规划等模块将陆续在年内上线。官方称，除了能够免费使用平台搭载的核心功能外，药企、科研机构还可以与腾讯共同开发定制化的 AI 工具。

图 | “云深智药”五大模块，目前虚拟筛选和 ADMET 性质预测两个模块已开放上线，供用户免费使用 （来源：“云深智药”官网）

腾讯告诉生辉，目前 “云深智药” 平台上已经在运行十个左右研发项目，包括筛选抗新冠病毒药物的相关研究等。其合作伙伴主要包括高校等科研机构和医药研发企业（包括国内外知名药企）。

“云深智药”是腾讯以 AI 技术赋能药物发现的首个产品，由腾讯 AI Lab 打造。腾讯 AI Lab 于 2017 年开始 “AI + 医疗” 探索，从影像筛查、病理诊断、再到 2019 年初启动了药物研发项目。今年 7 月 21 日，腾讯对外披露了其在医疗健康领域的最新进展。钟南山院士团队与腾讯 AI Lab 联合发布了一项利用 AI 预测 COVID-19 患者病情发展至危重概率的研究成果，可分别预测 5 天、10 天和 30 天内病情危重的概率，有助合理地为病人进行早期分诊。

当被问及缘何加入 “AI + 新药研发” 领域，腾讯回答：“数字化、智能化的药物研发方法已展示出重要的潜力和价值；同时，在 “AI + 医疗” 领域，腾讯已经积累了一定的前沿算法、数据库优化和计算资源上的优势，希望通过整合自身的研究能力与应用经验，打造 AI 驱动的新药研发平台，用技术助力药企与科研机构，缩短药物研发周期，提高药物研发流程的效率和准确率。”

“AI + 新药研发”是一个交叉学科领域，只有精深的 AI 技术远远不够，生物学以及物理化学等知识体系与药物发现平台息息相关。对此，腾讯向生辉透露了其团队构成，其团队成员包括来自顶级科研机构和知名药企的生物医药专家，和国内外一流高校的 AI 算法科学家（以 AI 相关专业博士为主），以及平台系统技术开发工程师。

平台优势

腾讯称：“该平台的一大优势在于各功能模块为用户提供腾讯自研的创新算法，其算法准确度达到国际领先水平，能更高效率、高质量地完成研发任务。比如在蛋白质结构预测模块，平台的自研算法在国际权威的 CAMEO 大赛中获得验证，比分大幅超越其他顶级学界与企业队，保持了月度及周度冠军。在药物虚拟筛选和 ADMET 性质预测上，平台的自研算法也在多个公开数据集上取得了较高精确度、突破了业界标准。还提供数据库 – 算法 – 算力一体化服务，药企、科研机构登录平台即可开展研究，不需要再自行部署计算资源，从而能快速地将 AI 能力引入现有的研发流程中。”

CAMEO 平台提供蛋白质结构预测、三维蛋白质结构质量评估和氨基酸残基接触预测评估，采用由蛋白质结构预测社区制定的质量评估标准。它是全球预测蛋白质结构领域最权威的测试平台，也是全球唯一的蛋白质结构预测自动评估平台。在与包含华盛顿大学、密歇根大学在内的 35 支顶级学界与企业队的较量中，“云深智药”在半年内夺得五次月度冠军。

图 | 腾讯算法测评（来源：https://cloud.tencent.com/developer/article/1658085）

根据腾讯的介绍以及平台官网数据，以 “云深智药” 已开放的虚拟筛选模块为例，其具体功能是：

基于配体的药物设计方法（ligand-based drug design，LBDD）是虚拟筛选的常见方法之一，指的是从已知有活性的配体小分子结构出发，学习和建立分子结构与活性之间关系的模型，用来预测新化合物的活性，适用于在靶点和晶体结构不明确的情况下筛选分子。目前，该模块支持对 920 个蛋白质靶点相关的 2224 个生物测试实验进行活性预测和分子筛选。

具体使用流程是：

第一步，在不知道 Assay ID 的情况下，通过靶点选择相关 Assay，输入靶点后再勾选相关的 Assay ID；在知道 Assay ID 的情况下，通过直接指定的方式选择 Assay ID 列表，点击 “Assay” 选项输入 Assay ID，系统会根据输入的前缀给出相关候选 Assay ID；

第二步，选择 Safety Panel Assay；

第三步，选择 Kinase 相关 Assay；

第四步，选择分子库；

第五步，设置好上述参数以后，点击提交任务；

第六步，查询任务结果，点击历史记录按钮，并以 csv 文件的格式导出。

图 | 基于配体的药物设计方法操作流程（来源：“云深智药”官网）

平台开放的另一个模块，ADMET 性质预测，指的是对药物的吸收、分布、代谢、排泄和毒性性质的全面研究，药物早期的 ADMET 性质预测可以明显提高药物研发的成功率。目前，ADMET 模块已经上线了 50 个模型（包括 12 个基本理化性质和 38 个 ADMET 性质）。通常，计算 100 个分子需要大约 3 分钟。

具体操作流程是：

第一步通过分子式编辑器、SMILES 表达式和上传分子式文件等方式输入数据；

第二步，输入数据后，会显示预测结果（主要包括 3 个部分即分子结构图、基础属性和 ADMET 属性），然后把预测结果保存为 csv 格式导出；

第三步，用户可以查询历史记录；

第四步，查看 ADMET 属性。

图 | ADMET 预测流程（来源：“云深智药”官网）

数据及可解释性问题带来的挑战

虽然 AI 技术通过深度学习算法，加快新药研发进程，但是也存在着一系列局限性。比如说 AI 对数据样本依赖大（但是很多数据掌握在药厂和医院手中）以及预测指标单一，这些往往是药物发现的重要制约条件。当前，国内 “AI + 新药研发” 起步相对较晚，研发周期相对较长，加上算法需要大量的数据积累，短期之内企业难以盈利。目前，还没有一家 AI 药物研发的成功案例，也还没有一款 AI 研发的药物被批准上市。此外，传统医药行业对于 AI 驱动药物研发也不乏质疑之声，这些都为 “AI + 新药研发” 增添了一抹不确定性。

谈及如何克服 AI 存在的局限性，腾讯认为：“‘云深智药’平台使用的分子大数据，基于现有公开数据集，且进行了多个环节的精细清洗整理工作，得到可以用于直接构建深度学习模型的药物分子大数据集，从而帮助用户解决了数据难以对齐、字段缺失较多、总体质量不佳等开源数据集的常见问题。此外，平台还可提供本地版本等灵活的部署形式，药物企业和研究机构利用自有数据开展研究，数据安全能得到有效保障。”

“从目前情况来看，药物研发行业既希望 AI 能帮助改变药物研发的漫长过程和低成功率，也要求此类工具能充分验证自身能力并提供可解释性。‘云深智药’平台很重视 AI 的可解释性问题。比如在在分子属性预测问题上，模型缺可解释性就是一大挑战。该平台的 ADMET 模块，可以在精确预测分子属性的同时，给出模型预测的依据，提高模型的可信度。” 腾讯补充道。

AI 毕竟不是魔法，无法点石成金。“AI + 新药研发”亦是如此，还需要长期的沉淀。腾讯此番入局 “AI + 新药研发” 能否帮助找到“云深之处”，同样也需要时间来证明。

来源：麻省理工科技评论