這或許是醫療保健行業最引人注目的變革：數字生物學和生成式人工智能（AI）正在幫助重塑藥物發現進程。
利用AI開發新藥尚處于起步階段，但AI設計的藥物在過去幾年已經進入臨床試驗的早期階段，一些AI制藥先驅公司已經在該領域取得一定成果。不過，英國《自然》網站刊文稱，AI加速藥物發現的潛力還需要實踐檢驗。
開發噬菌體形式的抗生素
人體被大量的微生物所占據，其中就包括病毒，這些病毒群體統稱為人體病毒組。美國AI制藥公司Salve Therapeutics首席執行官斯特凡·N·盧卡諾夫指出，人體組織中自然存在的病毒是攜帶基因療法有效載荷治療疾病的理想途徑。
Salve正在將機器學習與計算機輔助設計結合起來，開發噬菌體形式的抗生素。該方法可以通過對各種模型進行廣泛的迭代分析，對一項藥物發明的屬性、結果和風險進行虛擬評估。
盧卡諾夫表示，他們正在致力于通過基因工程改造噬菌體，以獲得更大的效力和宿主范圍。他預計噬菌體抗生素能夠改善移植、燒傷和免疫受損患者的生活。
盧卡諾夫強調，由于噬菌體只針對細菌，因此，除了異物顆粒的存在而導致人體產生的輕微免疫反應之外，這種抗生素不會給患者帶來重大風險。
研制口服小分子藥物
美國AI藥物研發公司Biolexis Therapeutics專門開發針對癌癥和各種代謝、炎癥和神經退行性疾病的口服小分子藥物。
該公司通過其專有的MolecuLern工藝來發現和開發新的臨床候選藥物。該工藝可以針對任何種類的蛋白質，識別具有藥物樣特征的新的化學實體，并通過實驗室數據驗證，將發現和開發新藥物時間從幾年縮短到幾個月。他們開發的一款藥物SLX-0528，目前正處于胰腺癌的IB期試驗階段。該藥物旨在控制輔助性T細胞17的細胞分化、功能和白細胞介素釋放。
推出生成式AI藥物發現平臺
安東尼·科斯塔是英偉達公司生命科學開發者關系全球負責人。他指出，許多生成式AI都構建在大型語言模型的底層模型上。這些模型正在提高其預測藥物性質和相互作用的能力。
為了幫助實現這一潛力，英偉達開發了BioNeMo，這是一種用于生物學中的生成式AI的云服務，為小分子和蛋白質提供了各種AI模型。科斯塔斷言，有了BioNeMo，研發人員可以利用具有專有數據的AI模型來快速預測蛋白質和生物分子的3D結構和功能，將加速新的候選藥物的產生。
總部位于美國芝加哥的初創公司Evozyne最近使用BioNeMo設計了新的蛋白質來治療苯丙酮尿癥。苯丙酮尿癥是一種罕見的疾病，其特征是氨基酸苯丙氨酸水平升高。實驗室測試最終證明，一些AI開發的蛋白質變體比自然形式更有效。
AI藥物發現需要臨床驗證
藥物開發涉及若干具體步驟。它通常從識別導致某種疾病的生物靶點開始（可能包括DNA、RNA、蛋白質受體或酶），然后篩選可能與其相互作用的分子。這就是所謂的“發現”階段。
新藥必須具備嚴謹性、安全性、有效性和信任度，各公司必須要找到一條通向該目標的正確道路。即使AI確實減少了化合物進入臨床前測試所需的時間和成本，大多數候選藥物仍會在后期階段失敗。但只要能加快這一過程，就是勝利。產業界和學術界必須利用彼此的優勢，確定如何才能最有效地利用AI。
盧卡諾夫表示，AI和機器學習代表著一種令人興奮的新方法，可提高療效和安全性，并將更多藥物推向市場。他指出，在藥物發現中使用AI和機器學習仍處于早期階段，應進行實驗室驗證，確保只有最好的候選藥物才會進入臨床試驗。
此外，各種安全功能正在融入基于AI的藥物開發中。例如，Biolexis使用多種方法來優先考慮安全性高的分子。該公司首席執行官大衛·J·比爾斯表示，機器學習開發的分子的安全性和潛在的意外后果是需要解決的重要問題。
這或許是醫療保健行業最引人注目的變革：數字生物學和生成式人工智能（AI）正在幫助重塑藥物發現進程。
利用AI開發新藥尚處于起步階段，但AI設計的藥物在過去幾年已經進入臨床試驗的早期階段，一些AI制藥先驅公司已經在該領域取得一定成果。不過，英國《自然》網站刊文稱，AI加速藥物發現的潛力還需要實踐檢驗。
開發噬菌體形式的抗生素
人體被大量的微生物所占據，其中就包括病毒，這些病毒群體統稱為人體病毒組。美國AI制藥公司Salve Therapeutics首席執行官斯特凡·N·盧卡諾夫指出，人體組織中自然存在的病毒是攜帶基因療法有效載荷治療疾病的理想途徑。
Salve正在將機器學習與計算機輔助設計結合起來，開發噬菌體形式的抗生素。該方法可以通過對各種模型進行廣泛的迭代分析，對一項藥物發明的屬性、結果和風險進行虛擬評估。
盧卡諾夫表示，他們正在致力于通過基因工程改造噬菌體，以獲得更大的效力和宿主范圍。他預計噬菌體抗生素能夠改善移植、燒傷和免疫受損患者的生活。
盧卡諾夫強調，由于噬菌體只針對細菌，因此，除了異物顆粒的存在而導致人體產生的輕微免疫反應之外，這種抗生素不會給患者帶來重大風險。
研制口服小分子藥物
美國AI藥物研發公司Biolexis Therapeutics專門開發針對癌癥和各種代謝、炎癥和神經退行性疾病的口服小分子藥物。
該公司通過其專有的MolecuLern工藝來發現和開發新的臨床候選藥物。該工藝可以針對任何種類的蛋白質，識別具有藥物樣特征的新的化學實體，并通過實驗室數據驗證，將發現和開發新藥物時間從幾年縮短到幾個月。他們開發的一款藥物SLX-0528，目前正處于胰腺癌的IB期試驗階段。該藥物旨在控制輔助性T細胞17的細胞分化、功能和白細胞介素釋放。
推出生成式AI藥物發現平臺
安東尼·科斯塔是英偉達公司生命科學開發者關系全球負責人。他指出，許多生成式AI都構建在大型語言模型的底層模型上。這些模型正在提高其預測藥物性質和相互作用的能力。
為了幫助實現這一潛力，英偉達開發了BioNeMo，這是一種用于生物學中的生成式AI的云服務，為小分子和蛋白質提供了各種AI模型。科斯塔斷言，有了BioNeMo，研發人員可以利用具有專有數據的AI模型來快速預測蛋白質和生物分子的3D結構和功能，將加速新的候選藥物的產生。
總部位于美國芝加哥的初創公司Evozyne最近使用BioNeMo設計了新的蛋白質來治療苯丙酮尿癥。苯丙酮尿癥是一種罕見的疾病，其特征是氨基酸苯丙氨酸水平升高。實驗室測試最終證明，一些AI開發的蛋白質變體比自然形式更有效。
AI藥物發現需要臨床驗證
藥物開發涉及若干具體步驟。它通常從識別導致某種疾病的生物靶點開始（可能包括DNA、RNA、蛋白質受體或酶），然后篩選可能與其相互作用的分子。這就是所謂的“發現”階段。
新藥必須具備嚴謹性、安全性、有效性和信任度，各公司必須要找到一條通向該目標的正確道路。即使AI確實減少了化合物進入臨床前測試所需的時間和成本，大多數候選藥物仍會在后期階段失敗。但只要能加快這一過程，就是勝利。產業界和學術界必須利用彼此的優勢，確定如何才能最有效地利用AI。
盧卡諾夫表示，AI和機器學習代表著一種令人興奮的新方法，可提高療效和安全性，并將更多藥物推向市場。他指出，在藥物發現中使用AI和機器學習仍處于早期階段，應進行實驗室驗證，確保只有最好的候選藥物才會進入臨床試驗。
此外，各種安全功能正在融入基于AI的藥物開發中。例如，Biolexis使用多種方法來優先考慮安全性高的分子。該公司首席執行官大衛·J·比爾斯表示，機器學習開發的分子的安全性和潛在的意外后果是需要解決的重要問題。
本文鏈接：AI加速藥物發現，前景尚需實踐檢驗http://m.lensthegame.com/show-2-2756-0.html
聲明：本網站為非營利性網站，本網頁內容由互聯網博主自發貢獻，不代表本站觀點，本站不承擔任何法律責任。天上不會到餡餅，請大家謹防詐騙！若有侵權等問題請及時與本網聯系，我們將在第一時間刪除處理。
上一篇： 基因編輯精準修復免疫細胞
下一篇： 內置糾錯功能的物理量子比特問世