作為ChatGPT和谷歌Gemini等熱門工具背后的技術，基于大語言模型（LLM）的生成式AI正在徹底改變各個行業，藥物發現領域當然也不例外。通過運用AI之力以解碼并操縱生物及化學語言，制藥企業如今可以更快、更加經濟高效地開發新藥。在本文中，我們將一同了解生成式AI如何改變藥物發現、加速開發過程并降低研發成本。

生成式AI在藥物發現中的作用

從傳統角度講，生成式AI的主要作用在于生成人類語言。但除此之外，其潛力早已跨過這條連坐，涵蓋了復雜的生物和化學語言。舉例來說，人類DNA可以看作是一條由30億個字母組成的序列，這就形成了一種獨特的語言。同樣的，作為生命基石的蛋白質也擁有自己的字母表，也就是20種氨基酸。這些化學物質均可使用簡化分子線性輸入規范（SMILES）來定義其結構。

生成式AI技術能夠解釋這些語言，幫助發現并開發出新的藥物療法。通過將大模型類型的方法應用于這些生物和化學語言，AI模型能夠發現以往無法觀察到的見解，加快藥物發現過程并顯著降低成本。鑒于新藥療法的失敗率很高——一般只有10%的藥物能夠順利通過臨床試驗——任何有助于提高效率和降低時間和成本的技術，都將為整個產業貢獻巨大價值。

為流程的各個階段增加價值

生成式AI可以應用于藥物發現的各個階段：

1. 目標識別：第一階段是識別待治療的疾病或癥狀。生成式AI可以分析基因組數據，從而了解導致疾病或其他潛在生物過程的基因。這將有助于確定新藥開發的確切目標。

2. 線索生成：第二階段是生成潛在線索，也就是針對已識別疾病的化學物質或蛋白質。但由于可能的化學物質（超過10^60種）與蛋白質（超過10^160種）數量極多，因此導致這項任務頗為艱難。生成式AI技術能夠篩選其中的可能性，并生成具有所需特性的新型化合物，從而產生大量可供探索的線索。

3. 優化：在第三階段，需要對潛在候選藥物進行功效測試。生成式AI可以協助這一大規模篩選過程。例如，英偉達與Recursion Pharmaceuticals的合作就表現出在一周之內，對超過2.8千萬億種小分子靶標對進行篩選的能力。如果用傳統方法處理，這項任務需要10萬年才能完成。

生成式AI將使制藥公司以前所未有的規模、速度和準確性探索潛在新藥，大大加快臨床試驗的進展。

藥物開發中的AI案例研究

目前有多家公司在運用生成式AI進行藥物發現方面處于領先地位。一個著名案例就是Insilico Medicine，他們利用AI開發出一種治療特發性肺纖維化的藥物，這是一種會導致肺功能逐漸衰退的罕見疾病。傳統上，整個研發過程需要六年時間，耗資超過4億美元。但借助生成式AI，Insilico將成本降低至十分之一，并把研發周期縮短到了兩年半。

Insilico將AI方案應用在臨床前藥物發現流程中的各個階段，包括識別目標分子、生成新型候選藥物以及預測臨床試驗結果。他們還成功開發出一種對所有變體均有療效的AI生成COVID-19藥物，并啟動了30多個針對各類疾病（包括癌癥）的其他項目。

藥物開發的未來

生成式AI對藥物發現具有變革性的影響，有望以極低的成本快速治愈多種疾病。憑借AI解碼復雜生物與化學語言的能力，我們也許可以期待未來新藥的開發流程將更快、更高效也更成功。生成式AI代表的不只是一項技術進步，更將顛覆整個醫療保健行業，在為全球患者帶來更佳診療效果的同時，為未來藥物的開發探明前所未有的道路。