诺奖史上，AI+生命科学浓度极高的一年

健康 2024-10-17 06:30 上海

2007年7月，时任普林斯顿大学终身讲席教授的施一公，正站在清华大学礼堂讲台上，面向300多位世界知名的华人生物学家发言：我相信，21世纪是生命科学的世纪。

这话常被调侃为刻意的鼓舞人心。这与中国生命科学领域“朴素”的外身有关：比起互联网、半导体、新能源，热钱似乎并不同等青睐生物制药，更难普遍地流向身处生命科学领域的每一个小人物。

但科技革命的车辙不会说谎。今年，诺贝尔奖多个奖项暗示了人工智能技术和生命科学学科的潜力价值。

物理学奖奖项，授予了John Hopfield和Geoffrey Hinton，以表彰他们 “为推动利用人工神经网络进行机器学习作出的基础性发现和发明”。该研究溯源人工智能：科学家们设想模仿大脑的神经元通过计算节点的方式进行重现，这些节点通过类似神经突触的连接传递信息。以此建立处理复杂数据时具备学习与记忆能力。

化学奖授予美国华盛顿大学西雅图分校的David Baker，以及谷歌旗下DeepMind的Demis Hassabis和John Jumper。他们实现了科研界的共同梦想：通过人工智能预测蛋白质三维结构，设计全新蛋白质为人类所用。

突破了传统物理、化学理论区域之后，科学该如何纵向延伸？回问从何处来，向前到何处去，这正是AI+生命科学独特的时代意义。

在下文中，我们将先介绍今年诺贝尔化学奖背后的故事。然后，继续探讨生命科学公司要如何驾驭AI浪潮，以及关于最热门的生成式AI，需要了解哪些真相？

计算和AI揭示蛋白质奥秘

今年诺贝尔化学奖得主有三位。一半奖项授予Demis Hassabis和John Jumper，另一半奖项授予David Baker。

三位研究者实现了一个长达70多年的科学理想。20世纪50年代，研究人员才开始依靠相对精确的化学工具详细探索蛋白质——剑桥大学的研究人员John Kendrew和Max Perutz成功使用X射线晶体学的方法，展示了蛋白质的第一个三维模型。

这一发现获得了1962年的诺贝尔奖，一场科学接力就此展开。

基于上述“开山”研究，研究者门使用X射线晶体学陆续成功制作了约20万种不同蛋白质的图像，这成为2024年诺贝尔化学奖研究的必要基础。

十年后，1972年诺贝尔化学奖颁给美国科学家Christian Anfinsen。他将现有蛋白质展开再折叠发现，蛋白质的三维结构完全由氨基酸序列决定。另一位研究者Cyrus Levinthal补充研究推导，折叠是一个预先确定的过程，关于折叠的信息必须都存在于氨基酸序列中。

一切开始指向预测问题。1994年研究人员启动了一个名为“蛋白质结构预测关键评估”（CASP）的竞赛项目，每两年中，参赛者需要根据已知的氨基酸序列预测蛋白质结构。项目启动多年来，预测准确率最高达到40%，并未取得突破性成果。

转折在2018年发生，一位棋坛大师、神经科学专家和人工智能先驱加入了该竞赛。他就是今年的诺贝尔化学奖获得者之一——Demis Hassabis。

他是DeepMind的创始人之一，其团队通过AI模型AlphaFold意外取得了CASP竞赛的胜利，此时预测准确率达到了60%。但还不够，John Jumper的出现使第二代AlphaFold的表现极其出色，几乎与X射线晶体学结果一样。

另一边，早在1998年就使用Rosetta计算工具在CASP竞赛中亮相的David Baker，在“定制蛋白质”的研究上也迎来了关键胜利。

研究小组绘制一种具有全新结构的蛋白质，然后让Rosetta计算哪种氨基酸序列可以生成所需的蛋白质。Rosetta搜索所有已知蛋白质结构的数据库，寻找与所需结构相似的蛋白质短片段。利用蛋白质能量分布的基础知识对这些片段进行了优化，提出氨基酸序列。

Baker的研究小组将建议的氨基酸序列的基因引入细菌中进行试验，最终得到了所需蛋白质，并确定了其结构。

竞赛之后，DeepMind公开了AlphaFold2的代码，任何人都可以访问。直到2024年10月，AlphaFold2已被来自190个国家的200多万人使用。David Baker也意识到了AI模型的潜力，其实验室已将AI工具用于设计制造蛋白质。

速度与流程

蛋白质的关键科研进展，为制药行业提供了更广阔的药物可能。视线放回到制药产业界，生成式人工智能的潜在用例多得令人眼花缭乱，但行业对它最原始的期待往往是：缩短药物发现和开发周期，拓展已上市药物的适应症。

新药的成功与否，取决于速度快慢和流程的畅通程度。海外制药公司通常需要5～8年的时间来收回将新药推向市场的发现和开发成本，并为下一个新药提供资金。对于生成式人工智能，推动上述的“速度和流程”是取得竞争优势的关键。

有报告称，AI可以药物发现和临床前阶段用时缩短到2～3年（此前需4～7年），临床开发可能只需3～5年（此前需7～9年）。

已有一些相关的合作案例。比如，安进与英伟达的合作，通过应用先进的模型快速评估分子或促进硅学临床试验，从而简化发现和开发阶段。今年，双方还宣布合作建立一个名为Freyja的AI模型平台，帮助安进将训练AI药物发现模型的时间从几个月缩短到几天，继续提升流程效率。

在商业拓展方面，生成式人工智能也是一种宝贵的工具，可帮助医疗保健专业人员、医院、支付方、保险公司甚至患者了解治疗的价值，从而帮助公司利用有限的市场增长阶段。在全球领域推动商业增长，可以采取推出微品牌、精准定位医疗保健专业人员、优化合同和定价策略、更个性化的客户和患者参与和/或提高现场团队效率等方式。

归根结底，核心的商业目标是“让所有符合条件的患者更快地获得治疗和护理”。

图1 海外市场生物制药开发投入与商业产出（图源：Cognizant）

数据“公”与“私”

武田制药从美国初创公司Nimbus Therapeutics收购的实验性牛皮癣药物，就是基于人工智能算法发现的一种化合物。该模型仅用6个月就确定了该化合物，比通常长达2年的发现期快了近3倍。

生成式AI背后，真正的无名英雄是模型所使用的数据。但产业界与科研界面临的问题并不完全相通。

与任何系统一样，“入之不精，出之不粹”也适用于生成式AI工具。生命科学公司正培育人工智能工具时，必须对自己的数据资产进行长期、谨慎的审视：是否已经拥有支持和扩展用例所需的准确、完整、及时和相关的数据？还是应该花费更多时间和资源建立至关重要的坚实数据基础？

无论如何，时间都是关键。只有建立了强大的数据通路，公司才能开始获得竞争优势。有海外学者建议，在整个生命科学生态系统中（或某区域内）实现数据访问的民主化，实现数据基础设施的自动化并建立稳固的管理框架。

从头开始建立一个公共的大语言模型（LLM）显然不够快。

另一种方法是使用许多现有的公共模型，但这些模型都有其局限性。虽然开箱即用的解决方案可能是启动生成式AI的最快方法，尤其是对于商业应用而言，但这可能会增加利用专有数据的难度，而专有数据是许多高级用例的关键壁垒。

不仅如此，关于商业人工智能模型在训练过程中，是否以及在多大程度上可以使用受版权保护的信息，目前还存在着激烈的争论。虽然这一法律问题的解决仍悬而未决，但企业在制定基因人工智能战略时，尤其是在依赖公共模型时，应将其视为所谓“公共”LLM的潜在弊端。

对于许多组织而言，最佳解决方案介于两者之间：所谓的检索增强生成（RAG）是一种利用来自私人权威知识库的数据优化商业LLM的方法。无论如何，如果这种组合成功，那么输出结果就应该具有很高的透明度，并需说明生成特定响应所使用的信息资源。

因此，企业可以通过“建立合作伙伴关系”来展开试验和探索。合作伙伴可以帮助企业对现有模式进行微调，以满足其特定需求，使其能够快速构建功能强大的定制应用程序，同时确保安全使用专有数据。

— 结语 —

近半年来，“AI+生物制药”话题热度虽有所降低，这并不意味者不重要或不关心。而是行业更感兴趣的是可量化的结果，以次证明后续投资的合理性。

值得注意的是，规模化的生成式AI的使用，正在重新定义所有的岗位工作。但至少在目前和可预见的未来，AI的应用还需要人类的监督——尤其是在高风险的医疗保健和制药领域。

所有人都在关注人工通用智能（AGI）的发展——人工智能系统能够以类似人类的方式跨领域学习、推理和适应。但是，在AGI出现之前，并不能完全信任或依靠生成式人工智能驾驭复杂的医疗生态系统，尤其是在市场环境更为复杂的区域（比如中国）。即便有了AGI，也不可能改变对患者治疗结果的最终责任。此外，还有更多重要而复杂的问题需要回答，如伦理界限、法规和其他管控等等。

参考文献：

1.As AI transforms drug development, biotechs might not need as much Big Pharma support；PharmaVoice

2.The Nobel Prize in Chemistry 2024；The Nobel Prize

3.Gen AI for biopharma: 5 less obvious truths；Cognizant

4.New work，new world；Cognizant

公众号内回复“肿瘤免疫”或扫描下方图片中的二维码免费下载《小药说药肿瘤免疫全集》的PDF格式电子书！

公众号已建立“小药说药专业交流群”微信行业交流群以及读者交流群，扫描下方小编二维码加入，入行业群请主动告知姓名、工作单位和职务。

http://mp.weixin.qq.com/s?__biz=MzAxMDMyMTQwMA==&mid=2247509561&idx=2&sn=71c9db8cc19ce5596edcb046cb92ddc4

小药说药

姓药的来说药，带你进入最深层次的医药领域，把握医药动态，了解最新前沿！

最新文章

靶向STING的癌症免疫治疗

JAK抑制剂治疗自免的新机遇

异基因CAR-T细胞治疗的发展现状

盘点｜自免重磅靶点及研发进展

T细胞恶性肿瘤的CAR-T治疗

2024医保谈判下，有望迎来快速放量的国产重磅创新药

免疫检查点抑制剂的慢性免疫毒性

漫画之溶瘤病毒：超全超酷

PROTAC：飞速发展的20年

肿瘤电场治疗法Optune Lua再获FDA批准治疗铂类进展转移性非小细胞肺癌，联用优于PDL1抑制剂单药

影响CAR-T细胞持久性的因素

诺奖史上，AI+生命科学浓度极高的一年

与疫苗反应地域差异相关的免疫因素

疫苗的百年发展

肿瘤免疫调节抗体及抗体亚型选择

课程预告丨探索全人源抗体的“进击之路”

阿尔茨海默症的预防治疗

疫苗降价大潮已来，好事还是坏事？

STAT蛋白与癌症代谢调节

生物分子如何穿过细胞膜？

肿瘤相关成纤维细胞与抗肿瘤治疗的耐药性

2024年FDA批准新药汇总

RNA疗法的研究和临床进展

【议程发布】GLP-1/多肽PDC/小核酸/mRNA热议话题，"2024多肽与核酸药物创新开发论坛"免费门票领取

全球基因治疗的临床概况

10.15亿，正大天晴引进友芝友生物EPCAM/CD3双抗，如何看待EpCAM这一靶点？

基于T细胞和NK细胞的癌症协同免疫疗法

诺奖加持miRNA，核酸药物国内外进展如何？

重温经典：TH1和TH2细胞

曙光初现，提前布局下一个“重磅药物摇篮”？

CD39-CD73-腺苷: 针对免疫微环境的肿瘤靶向治疗

环磷酰胺的抗血液肿瘤之路：机制与临床应用

ADC连接子的集成设计

JACS|靶向癌症治疗新策略：ClickRNA-PROTAC技术

肿瘤免疫治疗中的CD112R/CD112轴

国庆福利 | 第七届金秋十月抗体药产业发展大会 | 免费名额开放

细胞因子在CAR-T细胞治疗中的应用

人人学懂病理学（十七）

HPV相关性口咽癌及免疫治疗研究进展

那些年，CXO曾捅出的娄子

mRNA疫苗：癌症免疫治疗新时代的曙光

30.8亿！石药拿下双抗ADC

适配体的临床应用前景

历史洪流中，小分子在各类药物发现中的应用

大数据在癌症研究中的应用现状和未来挑战

Drug discovery药物研发过程

肿瘤免疫治疗中检查点反应的原型

CpG ODN 佐剂的研究进展及其药学研究的思考

带你了解多肽偶联药物（PDC）

小分子药物的理化性质

分类

时事

民生

政务

教育

文化

科技

财富

体娱

健康

情感

旅行

百科

职场

楼市

企业

乐活

学术

汽车

时尚

创业

美食

幽默

美体

文摘

原创标签

时事社会财经军事教育体育科技汽车科学房产搞笑综艺明星音乐动漫游戏时尚健康旅游美食生活摄影宠物职场育儿情感小说曲艺文化历史三农文学娱乐电影视频图片新闻宗教电视剧纪录片广告创意壁纸头像心灵鸡汤星座命理教育培训艺术文化金融财经健康医疗美妆时尚餐饮美食母婴育儿社会新闻工业农业时事政治星座占卜幽默笑话独立短篇连载作品文化历史科技互联网

发布位置

广东北京山东江苏河南浙江山西福建河北上海四川陕西湖南安徽湖北内蒙古江西云南广西甘肃辽宁黑龙江贵州新疆重庆吉林天津海南青海宁夏西藏香港澳门台湾美国加拿大澳大利亚日本新加坡英国西班牙新西兰韩国泰国法国德国意大利缅甸菲律宾马来西亚越南荷兰柬埔寨俄罗斯巴西智利卢森堡芬兰瑞典比利时瑞士土耳其斐济挪威朝鲜尼日利亚阿根廷匈牙利爱尔兰印度老挝葡萄牙乌克兰印度尼西亚哈萨克斯坦塔吉克斯坦希腊南非蒙古奥地利肯尼亚加纳丹麦津巴布韦埃及坦桑尼亚捷克阿联酋安哥拉