人工智能+器官芯片：醫藥領(lǐng)域彎道超車(chē)新機會(huì )

生物醫藥的AI應用，前景廣闊

“AI人工智能除了聊天、畫(huà)畫(huà)還能有哪些應用？”

這是筆者今年向人工智能領(lǐng)域的專(zhuān)家學(xué)者提出最多的，也是被問(wèn)到最多的問(wèn)題。

站在一般用戶(hù)的視角來(lái)看，現階段人工智能最“看得見(jiàn)，摸得著(zhù)”的便是以ChatGPT為首的生成式人工智能工具。而在之外，AI的場(chǎng)景適配性是其落地的關(guān)鍵，而現在很難找到這樣合適的場(chǎng)景。

不過(guò)，筆者近期在整理資料時(shí)發(fā)現，作為目前AI領(lǐng)域的“天選之子”，NVIDIA英偉達近期頻繁出手投資，除了與之業(yè)務(wù)強相關(guān)的芯片制造和云服務(wù)領(lǐng)域，自7月來(lái)更是參與了4起醫療健康領(lǐng)域的投融資，足以體現其對相關(guān)領(lǐng)域的重視與積極布局的姿態(tài)。

而在A(yíng)I快速滲透入醫療健康領(lǐng)域，尤其是制藥領(lǐng)域之后，新的矛盾也開(kāi)始出現了。筆者近期請教了有關(guān)人工智能與器官芯片結合研究的專(zhuān)家，來(lái)和大家一同探討醫藥領(lǐng)域的新機會(huì )。

藥物發(fā)現需要新工具

醫藥行業(yè)“燒錢(qián)又費時(shí)”，幾乎是行業(yè)公認的。

以藥物研發(fā)來(lái)說(shuō)，一款藥物從研發(fā)到上市的流程大概是這樣：藥物發(fā)現、臨床前研究、臨床試驗、審批獲準后上市。

在藥物發(fā)現階段，針對特定疾病的藥物往往需要優(yōu)先確認靶標，也就是藥物實(shí)際作用的目標點(diǎn)。此后再針對性的發(fā)現先導化合物，除了自然界天然存在的物質(zhì)之外，還包括對已有藥物進(jìn)行改進(jìn)。

最近，谷歌DeepMind的創(chuàng )始人、首席執行官Demis Hassabis博士以及John Jumper博士獲得了被譽(yù)為諾獎風(fēng)向標的“2023拉斯克獎”。其主要成就在于發(fā)明了預測蛋白質(zhì)三維結構的革命性技術(shù)——AlphaFold。

（圖源：“2023拉斯克獎”）

長(cháng)期以來(lái)，從氨基酸序列到對應蛋白質(zhì)三維結構的預測問(wèn)題被認為是生物學(xué)領(lǐng)域最具有挑戰性的問(wèn)題之一。而人類(lèi)已知的蛋白質(zhì)序列何其繁多，能夠還原出來(lái)的確只是其中少數，在加上實(shí)驗方法成本高，時(shí)間久，限制了生物醫藥行業(yè)的發(fā)展。而這樣復雜且繁瑣的工作，正好是AI的用武之地。

（圖源：維基百科）

而采用AI技術(shù)的AlphaFold僅基于蛋白質(zhì)的基因序列，就能預測蛋白質(zhì)的3D結構，而且結果比以前的任何模型都要精確。

Demis Hassabis博士在接受媒體采訪(fǎng)時(shí)提到，希望藥物發(fā)現過(guò)程能夠在計算機中完成大部分研究，再以實(shí)驗室用作驗證，而不是通過(guò)實(shí)驗來(lái)尋找化合物，因為這樣的速度要慢得多。

臨床前實(shí)驗需要低成本

完成了初步的藥物發(fā)現之后，就進(jìn)入到臨床前研究環(huán)節。其中涉及藥代動(dòng)力、藥物安全、毒理的研究常常會(huì )用到動(dòng)物實(shí)驗，最為常見(jiàn)的便是小鼠。

然而，這樣的實(shí)驗有諸多問(wèn)題。江蘇運動(dòng)健康研究院人工智能研發(fā)總監丁彥先生說(shuō)：“一是基于動(dòng)物模型的實(shí)驗通量（一定時(shí)間內的實(shí)驗樣本量；筆者釋?zhuān)┖艿?/strong>——小鼠的飼養需要時(shí)間。二是動(dòng)物跟人本就有種屬差異，很多人類(lèi)的病癥是動(dòng)物沒(méi)有的。”

“不是這樣的”丁彥解釋?zhuān)?strong>“器官芯片的基礎技術(shù)最早來(lái)自干細胞再生研究。”

2013年，北京大學(xué)鄧宏魁教授帶領(lǐng)的干細胞再生醫學(xué)研究團隊用4個(gè)小分子化合物的組合把成年鼠身上已經(jīng)長(cháng)成的表皮細胞成功逆轉為具有無(wú)限分化潛能，被譽(yù)為“生命起點(diǎn)”的全能干細胞。

這項研究的意義堪稱(chēng)非凡，意味著(zhù)人類(lèi)可以將成體細胞逆轉成干細胞后，再通過(guò)基因編輯等技術(shù)培養出不同的組織細胞。這樣通過(guò)干細胞培養分化的2D細胞模型、類(lèi)器官是純粹的人類(lèi)模型，幾乎沒(méi)有種屬差異。

只是這類(lèi)模型依舊不完美。“不管是人體還是動(dòng)物的機體，內部都是有微環(huán)境的，像空氣、重力、血液流動(dòng)等等，類(lèi)器官的培養是不考慮這些的。”

（圖源：哈佛大學(xué)Wyss研究所）

而器官芯片技術(shù)則是利用“微流控”技術(shù)在一塊芯片大小的基板上呈現出微環(huán)境，比如在器官細胞的周?chē)由狭魍ǖ?ldquo;血管”，模擬出器官真實(shí)的周邊環(huán)境。在此基礎上實(shí)驗得來(lái)的數據往往更具實(shí)際參考價(jià)值。

同時(shí)，能夠快速實(shí)現培養的器官芯片，也比動(dòng)物實(shí)驗來(lái)得更快更便宜。

AI與器官芯片的結合應用則集中在數據處理端。

“人工智能可以參與到器官芯片研究的前后”丁磊表示，“人工智能既可以幫助器官芯片的設計和基底材料篩選，實(shí)驗數據產(chǎn)生后會(huì )由人工智能進(jìn)行分析和處理，得出的結論再反哺給器官芯片的設計做出指導。”

一方面，器官芯片實(shí)驗產(chǎn)生的數據依賴(lài)人工智能的篩選和分析能力，另一方面，人工智能也能憑借器官芯片快速產(chǎn)生的大量數據得到更好地訓練，兩者相輔相成。

數據是“彎道超車(chē)”的機會(huì )

與互聯(lián)網(wǎng)行業(yè)類(lèi)似，限制器官芯片或者說(shuō)AI輔助藥物研究進(jìn)一步發(fā)展的，同樣是數據，但又有些許不同。

雖然一定程度上，器官芯片解決了動(dòng)物模型的差異問(wèn)題，但基于個(gè)體的差異還是存在的，比如人種、生存環(huán)境等等。“公開(kāi)的醫療數據比較有限，而且同樣有限制，比如說(shuō)美國的數據，美國人跟中國人基因組也是有差異的，還會(huì )涉及到生物安全的問(wèn)題等等。”

但好處是，在相關(guān)領(lǐng)域，各國的發(fā)展都處在起步摸索的階段。

丁彥以現在國內發(fā)展迅猛的新能源車(chē)舉例：“同樣都是車(chē)，歐美燃油發(fā)動(dòng)機經(jīng)營(yíng)了上百年，像動(dòng)物實(shí)驗、細胞實(shí)驗也是一樣，形成的數據壁壘非常高。但器官芯片不一樣，國內相比國外的差距并不大，大家都是在做底層數據的積累，恰好它又提供了一種新型的數據工廠(chǎng)。”

丁彥表示“某種意義上，這是我們‘彎道超車(chē)’的機會(huì )”。

算力吃緊，小公司亦有機會(huì )

隨著(zhù)AI在生物醫藥領(lǐng)域持續滲透，依托資金支持的算力基礎也在逐漸“吃緊”。

NVIDIA在去年提到過(guò)，生物醫藥行業(yè)的AI平臺搭建，欠缺數據和算力。尤其是面對數十億級別的測序數據，虛擬篩選等的訓練，算力遠遠不夠。

Demis Hassabis表示：“我的夢(mèng)想是，如果我們是正確的并且能夠實(shí)現另外六個(gè)AlphaFold級別的突破，我們可以將藥物研發(fā)所需的時(shí)間減少一個(gè)數量級，也許是成本和時(shí)間，并且在下一階段獲得更高的成功率。”而要擁有充足的算力支撐，就不得不考慮到資本問(wèn)題。

乍一看，大規模的醫藥公司似乎更有機會(huì )。

但另一方面，人工智能的加入卻在沖擊傳統制藥行業(yè)的工作模式。

Demis Hassabis和他的團隊曾思考過(guò)這樣一個(gè)問(wèn)題——如果從人工智能優(yōu)先的角度進(jìn)行藥物發(fā)現，將會(huì )是什么樣子的？而不是作為附加組件（輔助手段；筆者釋?zhuān)?/p>

“在我的印象中，在傳統制藥里人工智能都是可有可無(wú)的（nice-to-haves）?；瘜W(xué)家完成實(shí)際的試驗工作后，計算科學(xué)家才在模型中再次確認計算結果。我們想從頭開(kāi)始重新思考這一點(diǎn)。這對大型制藥公司來(lái)說(shuō)很難做到，因為他們幾十年來(lái)的工作方式根深蒂固。”

一些善用工具的小公司，如果能夠丟掉包袱，未嘗不能走上技術(shù)的風(fēng)口。

丁彥同樣認為“單從資本的角度講，大家都會(huì )覺(jué)得應該是老牌的企業(yè)先走出來(lái)，但是從實(shí)際的效果講，還真不一定?，F在很多小公司就是做出一款產(chǎn)品后，讓大公司來(lái)收購，這是他們的盈利模式。”

寫(xiě)在最后

而AI在生物醫藥領(lǐng)域同樣具備廣闊的應用前景，無(wú)論是通過(guò)數據分析進(jìn)行化合物的快速篩選測算，還是以計算機視覺(jué)為代表的圖像檢測分析，都是極具前瞻性的應用。而AI發(fā)展最為需要的數據資源也因器官芯片的出現而被補足。

丁彥認為：“隨著(zhù)器官芯片技術(shù)的成熟，我個(gè)人覺(jué)得會(huì )是一個(gè)打通化學(xué)式結構與人體中的真正效果關(guān)系的一個(gè)數據載體，未來(lái)可能會(huì )通過(guò)這個(gè)載體產(chǎn)生大量的高通量快速、低成本的人源性數據，這些數據能夠指導化合物結構跟藥跟藥效之間的這種關(guān)系。”

恰如李開(kāi)復所說(shuō)“AI賦能醫藥產(chǎn)業(yè)，未來(lái)潛力巨大”。

最后，非常感謝丁彥先生的幫助，作為生物醫藥與人工智能跨領(lǐng)域的研究者，他的諸多觀(guān)點(diǎn)為本篇內容的創(chuàng )作提供了支撐。

本文作者Visssom，觀(guān)點(diǎn)僅代表個(gè)人，題圖源：pixabay

最后，記得關(guān)注微信公眾號：鎂客網(wǎng)（im2maker），更多干貨在等你！