6月15日，一篇标题为“ The upside of being a digital pharma player” 的文章在一家受到同行好评的行业期刊《Drug Discovery Today》上被接受并悄悄上线了。一项全面的研究，对制药公司在研发方面的AI努力进行了正面对比。
制药业也许是地球上唯一的行业，从创意到产品的市场推广，公司需要花费大约十年的时间和数十亿美元，且有90％的失败机会。它与IT行业截然不同，前者只有偏执狂才能生存但是企业高管需要提前计划数十年并执行。因此，当深度学习取得可靠进展而推动的人工智能革命在2013年至2014年爆发时，制药业高管对此产生了兴趣，但并没有立即加入潮流。许多制药公司开始在内部数据科学研发上投入大量资金，但如果没有协调的战略，它看起来更像是在一个组织中（通常是在一个部门中）由数据科学，数字化和AI的许多负责人进行的品牌重塑活动。尽管一些制药公司投资了AI初创公司，但迄今为止并未进行任何大规模的收购。
一些制药公司设法在药物发现和开发的各个环节中展示出令人印象深刻的结果。例如，阿斯利康（AstraZeneca）在2018年左右开始发表生成化学的文章，到2019年发表了几篇令人印象深刻的论文，受到了社区的关注。其他几家制药公司展示了令人印象深刻的内部模块，礼来公司与一家初创公司合作，建立了令人印象深刻的以人工智能为动力的机器人实验室。
但是，到目前为止，尚无法对声称进行AI研究并在临床前和临床开发中利用大数据的主要制药公司进行全面的概述和比较。6月15日，一篇标题为“ The upside of being a digital pharma player” 的文章在一家受到同行好评的行业期刊《Drug Discovery Today》上被接受并悄悄上线了。一项全面的研究，对制药公司在研发方面的AI努力进行了正面对比。
该研究通过内部AI研发项目、与AI初创公司的合作伙伴关系、对AI初创公司的投资以及研发联盟和财团之间的比较，比较了制药公司。此外，还按照2014年和2019年细分为以下领域的科学出版物的数量比较了制药公司。
这项研究发表之前，对于业内人士进行定期文献回顾，确实感觉阿斯利康的出版量超过任何其他制药公司。仅在2019年，阿斯利康的科学家就发表了约1300篇科学论文。拜耳也有几篇不错的论文。所有细分市场中，出版物数量最多的是65种。作为参考，Insilico Medicine等初创公司在同一时期发表了约100篇论文和约30项专利，其中不包括AI会议论文。其他几家初创公司在该领域也做得很好，很高兴看到类似的分析。
该研究表明，成为数字制药企业有很多好处，但我们仍处于起步阶段。该研究的作者当然值得被称为制药AI研究与开发的行业专家，因为他们做了大量工作来汇编研究中的三个相对简单的数据，目前还没有其他类似的研究。要了解有关该研究的更多信息，Alex Zhavoronkov写信给作者，并向他们询问了有关该研究及其对制药行业未来前景的一些问题。
Alex
仔细研究排名前21位的大型制药公司，分析其在数字和AI中的活动是一项巨大的工作。许多分析师试图做同样的事情却收效甚微。您花了多长时间？您是如何做到的？
Gassmann：
确实，这是一项艰巨的工作。有很多公开可用的内容，例如专利和科学出版物。一般而言，最有价值的是对制药业高管的采访。
Gatto：
此外，关键的成功因素是作者的跨学科背景，包括药学策略，研发和AI能力。
Alex
您的发现是否使您感到惊讶？
Kuss：
这样的发现不足为奇。但是，在制药研发中使用AI的早期成熟状态似乎是该行业的一大挑战。
Schuhmacher：
低价AI应用程序的未来可用性以及更快，更便宜的硬件的结合将推动制药研发数字化的趋势，提高研发效率的巨大需求将为制药业AI的成功做出贡献。
Alex
您是否看到过任何结论性的案例研究，其中AI大大胜过人类，或者您发表的任何论文中AI代替了实验的需要？
Gatto：
可以确定几种情况，其中我们看到了AI可能取代对实验的需求或超越人类的潜力。最近在《自然生物技术》上有关从头小分子设计的最新出版物突出了AI在药物发现中的巨大潜力。
Alex
我敢肯定，到目前为止，有些制药公司的首席执行官，首席财务官和其他高管都看过你的论文。您有何评论吗？他们最初的反应是什么？
Schuhmacher：
尚未收到直接反馈，因为该出版物是全新的。总体而言，制药研发主管对最近在虚拟化制药研发方面的工作表现出了兴趣。
Gassmann：
此外，可以看到制药业朝着医疗保健的数字化方向缓慢发展。尽管10年前许多制药公司的经理不敢相信基于数据的公司可以真正占据医疗保健价值链的更大一部分，但如今，软件吞噬了世界，数据改变了制药行业，如今已被越来越广泛的接受。
Alex
您对2014年至2019年的科学出版物进行了比较。在此期间，我的公司发表了100多篇论文，而大型制药公司的论文数量最多只有65篇，有些则为零。对我来说，它似乎极低。您为什么认为是这种情况？
Schuhmacher：
人工智能仍然不是某些领先公司的核心战略的一部分。而且，他们仍然过于依赖封闭式创新范式：出版不属于其收入和研发模型的一部分。但这可能会改变：制药公司需要对数据科学家和其他专家具有吸引力，并需要表现出卓越的表现和竞争力。
Alex
人工智能在药物研发中的主要挑战之一是知识产权，许多方法都阻碍了知识产权的发展。我认为，DeepMind早被Google收购的原因之一就是其强大的IP产品组合。您是否看过这些大型制药公司提交的与AI相关的专利？
Gatto：
从AI相关专利的纯粹数字来看，制药公司与Google等IT巨头之间存在巨大差异。但是，当制药公司改变其研发模型以及如何利用与AI相关的IP的方式时，这种模式可能会随着时间而改变。
Alex
您认为该领域的未来1-2年将发生什么？
Gatto：
对于制药业来说，1-2年是很短的时间，但人工智能将进一步发展。苹果等消费电子产品公司和Google等数据领域的公司已经在FDA注册了可穿戴设备。今天，这些设备仍然非常不可靠，但是性能会快速提高。诸如阿尔茨海默氏病，糖尿病或癌症之类的慢性疾病将成为数字健康干预措施的切入点，在这种干预措施中，纵向数据可以创造很多价值。制药公司必须重新考虑其创新方式，并开始在生态系统中进行思考。
Kuss：
将研发重新构想为众包的生态系统是制药业未来成功的关键：制药研发将不再局限于主要的内部价值创造，而是将利用内部和外部的思想，技术（包括AI）网络和资源。
Alex
您打算明年更新此报告吗？您是否打算将更多制药公司添加到列表中？
Gassmann：
这项研究应该只是开始。在未来的几年中，我们计划建立一个有关药物创新研究的合作中心，以在人工智能和其他新兴技术的背景下，推动对药物和生物技术研发管理的见解。
Alex
您能告诉我您研究的未来方向吗？
Schuhmacher：
人工智能将对未来的研发模型以及制药研发生态系统产生巨大影响。这些以及其他战略和技术变革将推动未来几个月的研究议程。
Kuss：
基于分布式分类帐技术的智能合约将在此变更过程中发挥关键作用。
本文转自：DrugAI
原文作者：王建民
本文转自DrugAI ，不代表AI新视界立场，如若转载，请注明出处：https://mp.weixin.qq.com/s?__biz=MzU2ODU3Mzc4Nw==&mid=2247486318&idx=1&sn=6c0075b86555784db18cb0e455d75865
微信扫一扫 
支付宝扫一扫 相关推荐
-
Nat. Mach. Intell. | 可解释性人工智能(xAI)遇上药物发现
编·译作者 | 王建民 过去的几年里人工智能(AI)的各种概念已被成功地应用到计算辅助药物发现中。这种进步主要归功于深度学习算法，即具有多个处理层的人工神经网络，能够对复杂的非线性…
-
药物开发中基于深度学习的不平衡数据分类
利用机器学习开发药物设计相关的预测模型，经常会遇到数据不平衡的现象。数据的不平衡会导致模型过偏而失去较好的预测性能。为了解决这个问题，很多学者做出了努力。下面介绍Selçuk Korkmaz等人的一项新工作，尝试利用不同的策略处理PubChem数据集，为不平衡数据提供方法参考。
-
ChemDes: 一个整合的基于网络的分子描述符与指纹计算平台
分子描述符的计算是基于分子结构进行建模预测的基础，多年来发展了一系列的工具和软件。今天介绍中南大学曹东升课题组董界等人开发的描述符计算平台。该平台提供目前最大最全面的描述符在线计算资源，赢得了世界各地8万多次的使用或引用。平台地址：http://www.scbdd.com/chemdes
-
ADMETlab: 一个全面优秀的药物ADMET性质预测平台
药物ADMET虚拟预测评价是药物开发中的一个重要环节，近些年除了一些人工智能的模型之外，还发展了一系列的工具和软件。今天介绍中南大学曹东升课题组董界等人开发的ADMET预测平台。该平台提供目前最大最全面药物ADMET数据库和多达31种ADMET终点性质的系统评估，在国内外相关领域迅速获得广泛应用，成果短期被引用上百次。平台地址：http://admet.scbdd.com
-
Nat. Mach. Intell. | 集成深度学习在生物信息学中的发展与展望
该文章综述了集成深度学习最近的关键发展，以及如何将其应用到生物信息学领域中。同时，作者还详细介绍了集成深度学习从基本序列分析到系统生物学的研究、发展和挑战。
-
Science | 化学合成文献数字化自动执行通用系统
编·译作者 | 王建民 今天给大家介绍格拉斯哥大学化学系S. Hessam M. Mehr等人在Science上发表的文章“A universal system for digit…
-
PyBioMed：Python环境下计算小分子、蛋白质、DNA以及其相互作用描述符的最佳软件
为了开发用于预测任务的强大模型，需要考虑的最重要的事情之一是如何通过描述符有效地表示正在研究的分子，例如小分子、蛋白质、DNA 甚至复杂的相互作用。使用 PyBioMed，您可以分析和表示正在研究的各种复杂分子数据。PyBioMed是Python环境下进行分子描述符计算的最佳工具之一。
-
ADMETlab 2.0：全面的药代动力学和毒性在线预测平台
今天给大家介绍的是中南大学曹东升教授和浙江大学侯廷军教授近日联合发表在Nucleic Acids Research上的一篇文章“ADMETlab 2.0: an integrated online platform for accurate and comprehensive predictions of ADMET properties”。
