近日,一支国际团队在 Nature Biotechnology 发表了一篇论文,这篇论文的主角是 AI 药物 INS018_055。
(来源:Nature Biotechnology)
研究中,研究人员将课题重点瞄准在纤维化。原因在于,纤维化是很多衰老相关疾病所共有的生物过程(或曰症状)。
瞄准之后,他们使用 PandaOmics 靶点发现平台,对比了纤维化病人和健康人的组学数据,结合公开的文献、科研项目、临床试验等文本数据,列出了可能的候选靶点,并根据新颖性、成药性等特征对靶点进行排序。
最终,该团队确定了综合多个维度排名最靠前的靶点 TNIK,以此为起点进入分子生成和设计的阶段。
同时,他们在生成式 AI 平台 Chemistry42 的帮助之下,融合了药物研发科学家们的专业反馈,并进行了多轮的虚拟分子生成和优化筛选。
这样一来,就能让优秀的特征保留下来,包括更安全的代谢特性和更理想的溶解性特性等,最终获得了候选药物分子 INS018_055。
目前,该项目已经在中国和美国同步进入 2 期临床试验。那么,距离最终的药物上市还需要多长时间?
对此,研究人员表示人体临床试验是检验药物安全性、疗效等特性的“金标准”,需要大量严谨的测试和评估。
“另外,在实现 AI 制药的提速赋能上,目前主要聚焦于在早期研发阶段发力,因为至少在眼下监管部门并不会给 AI 药物特殊的‘优待’,比如减小样本量、缩短临床研究时间之类。”研究人员表示。
所以,目前很难给出准确的药物上市时间。但是,根据传统临床试验来看,一款药物从研发到上市一般需要 5-7 年。
由此可以猜测,AI 制药要想获得概念性的 2 期临床验证,至少还需要 3 年的时间,要想实现商业化还需要更长的时间。
对于研究过程,研究人员表示:“融入 AI 的药物研发很有意思,因为人工智能没有人类的思维定势,经常会给出一些让研发团队眼前一亮的分子结构,包括 TNIK 靶点和纤维化的关系也是学界之前没有关注到的,大多数人还是认为它是抗癌靶点。”
研发过程中,所有人的心情都被试验结果牵着走,符合预期就是欢呼雀跃,不如人意就会心情低落。
“站在 2 期临床的这个节点往回看,让人非常感慨,毕竟这个项目倾注了大家的热情和心血,在人工智能的帮助下齐心协力高效攻克的难题就是最难忘的经历。”研究人员表示。
总的来说,本次工作为全球第一个“AI 药物”的诞生做了注解。对于本次成果,2013 年诺贝尔化学奖得主迈克尔·莱维特(Michael Levitt)博士表示:“虽然很多公司都在研究利用 AI 改进药物发现的某些步骤,但研究团队正试图将其 AI 应用于早期药物发现和设计的全流程。
AI 可以采用特定技术很好地应对海量数据,同时结合巧妙的筛选技术,从不确定性中获得确定性和潜在选择。”
日前,相关论文以《用于治疗纤维化的 TNIK 小分子抑制剂在临床前和临床阶段的开发》(A small-molecule TNIK inhibitor targets fibrosis in preclinical and clinical models)为题发在 Nature Biotechnology[1]。
英矽智能联席 CEO 兼 CSO 任峰博士是第一,英矽智能 CEO 兼创始人 Alex Zhavoronkov 博士担任通讯。
图 | 相关论文(来源:Nature Biotechnology)
那么,相比于传统的药物开发,AI 制药能将时间缩短多少?据了解,传统药物研发面临高成本低产出的瓶颈,这也加重了部分患者“无药可医”甚至“无药可用”的困境。
仅仅特发性肺纤维化这一疾病,全球就有 500 万患者,而他们的平均中位生存期只有 3-5 年。一款药物“十年十亿美金”的研发投入,对于患者来说太过于缓慢而昂贵了。
而本次项目从确定 TNIK 为治疗特发性肺纤维化的靶点、到 INS018_055 被正式提名为临床前候选化合物,只用了 18 个月,这个时间大概是传统流程的三分之一左右。
此后,研发团队在一年时间里完成了 0 期微剂量人体试验,并开启了 1 期试验,现在两个 1 期试验也已经完成,该候选药物已经进入到关键的 2 期临床验证阶段。
从一定程度上来讲,药物研发流程的降本增效必然会传导到终端患者,然而除开研发成本,竞争态势、监管法规、供需关系都会影响到一线消费者实际感受到的价格。
不过有一点是肯定的:不管有没有 AI 驱动,药物研发从业者的最终目的都是做新药、做好药,真正帮助到全球各地的患者。
那么,利用 AI 进行制药,是否仍有需要克服的难题?
尽管计算机和人工智能辅助制药已经不是新鲜事物,但一项新技术的应用和落地必然面临挑战和质疑,尤其是在真正带来范式转变的初期。
人工智能以数据、算法和算力为底层支撑,其中数据是很多 AI 制药公司面临的难题:在越来越多公司意识到数据重要性、逐渐加强管控壁垒的现在,如何持续获取大量的公开数据?数据质量又如何保证?
在这一方面,2016 年之前较早入局 AI 制药的玩家有足够的时间整理和搭建自有数据库,会有一些优势。
另外,考虑到算法爆炸式发展对数据的 quantity 和 quality(质和量)的高需求,持续获取高质量、机器可学习数据的能力可能是未来行业竞争的关键。
尽管 AI 可以简化早期药物发现的进程,但是打造 AI 平台也需要成本。那么,对于药物开发来说,是不是只是成本的转移而已?
针对这一问题,研究人员表示在 AI 技术应用的早期,他们确实面对过类似的质疑,比如 AI 做出来的药是不是人类也能做,甚至人类要做得更好?AI 赋能的药物管线是不是难以复现的个案?
但其实,不管是 2016 年 AlphaGo 战胜李世石的轰动消息,还是 2023 年以来 ChatGPT 引爆的生成式 AI 浪潮,都说明 AI 平台在处理大量数据、快速迭代学习等方面的极大优势,而这是对人类来说比较难的地方。
只要找对了应用场景,可以说 AI 的能力是不断指数级增长的。另外,研究团队现在有 30 多条 AI 管线,其中 5 个领先项目已经进入临床阶段, AI 平台的能力也得到了反复验证。
未来,本次论文中崭露头角的药物研发平台也能针对不同的疾病开发药物。
该公司的 Pharma.AI 下属的 PandaOmics 平台,支持多种药物开发思路。
包括从疾病出发的靶点发现、从确定靶点出发的老药新用和适应症扩展等,用户都可以自行选择感兴趣的疾病领域和细分类进一步深入研究。
而在 2023 年 6 月,该团队已经完成了 2 期临床试验的首批患者给药,目前正在中美两地 40 个研究中心对这款抗纤维化 TNIK 抑制剂进行患者体内安全性、耐受性、初步疗效的一些检验,一共包括 4 个平行队列。
另据悉,大概半个月之前,PandaOmics 驱动老药新用研究、从靶点识别到临床开发,全程由 AI 赋能的福贝生物 FB1006 完成临床试验 64 位患者的招募,验证了 AI 赋能罕见病药物发现的潜力。
“期待这款药物能有好的表现,为行业带来更有力的验证,也为全球 500 万受纤维化影响的人带来新的选择。”研究人员最后表示。
参考资料:
1.Ren, F., Aliper, A., Chen, J.et al. A small-molecule TNIK inhibitor targets fibrosis in preclinical and clinical models. Nat Biotechnol (2024). https://doi.org/10.1038/s41587-024-02143-0
运营/排版:何晨龙
本文是一篇关于AI药物INS018_055的研究论文。该研究的目标是找到一个合适的靶点来对抗纤维化。研究者使用PandaOmics平台对比了纤维化病人的组学数据和公开的文献、科研项目、临床试验等文本数据,发现了一个可能的候选靶点TNIK。最终,他们确定了综合多个维度排名最靠前的TNIK作为起点,进入了分子生成和设计的阶段。
目前,该项目已经进入中国和美国同步进行的2期临床试验。尽管如此,距离最终的药物上市还有一段时间。至于何时能够上市,目前很难给出确切的时间。但是,AI技术在早期药物发现和设计中的重要性已经被证明,这使得研发人员有了信心。未来,这项研究可能会为全球第一个“AI药物”的诞生做出贡献。
总的来说,本次工作的意义重大,它标志着AI技术在药物研发中的一个重要应用。此外,该研究还展示了AI可以在早期药物发现和设计的全流程中发挥作用,这对于推动整个行业的进步具有重要的意义。虽然AI技术的发展仍然面临着一些挑战,但是其在药物研发中的巨大潜力使其值得我们继续探索和发展。