目前，全球有近100家初创企业已在探索用于研发新药的人工智能方法。“人工智能在材料合成的自动建模、高速匹配和假设检验等环节可以发挥重要作用，其性能比人类高出多个数量级。”新一代人工智能产业技术创新战略联盟秘书长、北京大学计算科学技术系主任黄铁军说，一旦材料和药物的模型库比较完备，人工智能就会极大加速新型材料和药物的研发进程。
助力化合物合成 简单直接有效
无论是设计新型太阳能材料、抗癌药物还是用于农作物的抗病毒化合物，有两个难题待解：找到所需的正确化学结构，并确定哪些化学反应能让正确的原子与所需的分子连接。如果使用传统方法，上述问题的答案往往来自于复杂的猜测和意外的发现。
常规的新药研发模式是，随着一个潜在的药靶被发现，新药研发工作者通常利用高通量筛选的方式来发现苗头化合物。对数以百万计的化合物进行筛选，过程十分缓慢且产生的有效结果较少，并且要经历许多次失败、痛苦的尝试。
显然，人类做这样的工作力不从心。“人工智能的助力，正在提高设计和合成化学分子的效率。”北京大学前沿交叉学科研究院特聘研究员裴剑锋说，机器学习算法通过分析已知的所有实验，设计新分子的合成步骤，可极大提高分子合成的成功率。
值得注意的是，有机合成的概念在19世纪就已产生，但人类在近100年后才真正开始对合成路径设计的模式进行探究总结。
“20世纪中期，化学家开始用计算机进行化合物合成路径辅助预测。近年来，人工智能算法被广泛地应用到合成设计领域。”裴剑锋告诉科技日报记者，化学家们也在创造和发展一种叫做自动合成机器人的设备，用于自动合成特定的目标化合物或者多个不同类型的化合物分子。机器学习和人工智能算法的引入，让合成机器人得以更加自动高效的工作，并能发现新的化学反应。
今年4月，一则“化学界‘Alphago’问世”的消息让人印象深刻，科学家们在《Nature》上发文证明，AI能以前所未有的速率进行逆向合成反应。上海大学教授马克·沃勒等人使用类似Alphago算法的三种神经网络+蒙特卡洛树搜索的方法，实现了逆合成分析和路径预测。该方法在双盲测试中表现优异，有机化学领域的专家们认为AI的合成预测结果并不逊于人类专家。评论称，这将加速合成人类所需的化合物。
提速药物研发 更快更经济
最近，大名鼎鼎的英国Benevolent AI公司筹集了1.15亿美元，准备将其人工智能技术应用于运动神经元疾病、帕金森病和其他难治疾病的药物研发。
业界专家表示，人工智能可应用在药物开发的不同环节，包括虚拟筛选苗头化合物、新药合成路线设计、药物有效性及安全性预测、药物分子设计等。通过有效运用人工智能技术，基于已有的化学、生物学数据和知识建立有效的数据模型，来预测药品研发过程中的安全性、有效性、副作用等，从而有望实现减少人力、时间、物力等投入，降低药品研发成本。
人工智能技术在药物研发中已然崭露头角，显示出光明前景。比如，Benevolent AI公司使用人工智能助力新药开发，自2013年以来，Benevolent AI共开发出24个候选药物，且已有药物进入临床二期试验阶段。
“北京大学化学与分子工程学院/前沿交叉学科研究院分子设计实验室已初步完成1个人工智能化合物酶促合成路径辅助分析系统，用于节省合成生物学家大量的人工设计工作。”在裴剑锋看来，药物设计已成为创新药物研发的核心技术之一。目前，各发达国家都有一批著名科学家领导的研究组从事药物设计方法和应用研究，各大跨国制药企业的研发中心都设有与化学合成和生物测试部门并列的药物设计部门，其中，不乏通过计算机辅助药物设计而成功上市的药物。
而裴剑锋所在的北京大学分子设计实验室，在国际上较早、国内率先开展人工智能药物设计的研究，所发展的药物设计方法在国际上有较大影响，相关软件在国内外拥有上万用户，包括辉瑞、诺华、默克和强生等国际大型医药公司等商业用户。
市场表现可期 时间将给出答案
业界评价，人工智能技术的加持，让新药研发开始提速换挡。能否解决新药研发投入越来越大、时间越来越长的痛点，人工智能的介入才只是开始。
据《Nature》报道，新药研发的平均成本约为26亿美元，大约耗费10年时间。它包括了漫长的小分子化合物研发阶段、三期临床试验、以及注册审批的过程。然而，能够通过这重重考验并成功上市的药物，仅有不到1/10。
“药物信息研究中常面临大量的非结构数据、数据集数据较少、负样本数据不足、数据不平衡等问题，人工智能技术也有助于解决这类药物设计中的难题。”在裴剑锋看来，人工智能技术不仅有望破解药物信息杂乱和难以利用的问题，实现针对特定疾病、靶标和化合物分子自动进行药物研发评估和自动新药发现的系统。同时，还能显著提高药物研发流程中各种计算预测模型的准确性，促进新型药物设计技术的产生，使得基于文献信息数据的新药研发等新方向变得真正可行。
“可以预计，人工智能技术对传统技术的改进以及由其引发产生的新型药物研发技术，将极大缩短新药研发周期、降低研发成本，显著提高药物研发的成功率。”裴剑锋坦言，新药研发是个长周期的过程(10年—15年)，人工智能药物研发技术还处于起始和发展期，其影响还需要用一段时间的积累来证明。
与药物设计类似的是，材料设计中的典型应用如新能源、电池和高性能合金材料等，也将会通过新一代分子模拟的方法被大力推动。裴剑锋说，基于机器学习和大数据的材料设计所面临的挑战是，实现高效精准的高通量计算，这势必需要在分子模拟层面有质的突破。
对此，黄铁军表示认同，“人工智能提高了合成的效率，基础有赖于高精度的材料和药物模型，这方面需要长期的试验积累。”
