像阿茲海默症、癌症、帕金森等困扰人类已久的疾病有上百种，为了减少这些疾病带来的危害，甚至是治愈它们，医药工作者和科学家们不断在努力研究有效的新药，哪怕是药品研发的资金投入和时间投入都在急剧增长。
最近，AI逐渐显示出了在新药开发方面的潜力。越来越多的公司和大学研究机构正在通过使用AI计算来预测，哪些药物分子能最有效地应对棘手的病症。
“这是制药行业的一场革命，”Insilico Medicine公司的CEO Alex Zhavoronkov说道，他们公司正在使用GPU加速的深度学习，来针对性地研究癌症以及一些与年龄相关病症的药物开发。
医药研发现状：并不乐观
然而，这场革命来的也许不会太快。根据塔夫茨大学（Tufts University）和美国食品和药物管理局的研究数据，开发新药的平均费用接近26亿美元，并需要花费长达14年的时间。
伦敦BenevolentAI生命科学分支BenevolentBio的CEO Jackie Hunter透露，即便如此，却只有10%左右的研究药物能够成功推向市场。
AI医药研发
BenevolentBio的目标是，通过使用深度学习和自然语言处理来了解和分析大量的生物科学信息，来重塑药物研发过程。这些生物科学信息包括专利、基因组数据和在所有生物医学期刊和数据库上上传的10,000多份论文及报告。
“人类无法独自完成所有这些信息的处理，来推动研究的进一步发展。” Hunter认为。
BenevolentBio的深度学习软件，由NVIDIA DGX-1 AI超级计算机支持，能用来采集和分析信息，以找到其中的关联并列出可选用的药物。
Hunter的团队还使用深度学习来合成针对特定疾病能起到作用的特殊分子，例如，用于神经退行性疾病的新分子，并且没有不利于心脏或肝脏副作用。
Hunter表示，到目前为止，BenvolentBio已经确定了两种治疗肌萎缩性侧索硬化（amyotrophic lateral sclerosis，简称为ALS）的药物。在测试中，这两种新药的效果比目前市场上的药都要好。在获得专利后，BenevolentBio将联系一些制药公司寻求生产合作。
“假想”的分子
如今，制药公司需要从大量的分子中筛选出可用来研发药物的部分，并经过不停的测试来找出最适合的几样。整个过程在资金和时间上的消耗都非常大。
巴尔的摩的Insilico Medicine正在努力通过“假想”具有特定性质的新型癌症样分子来改变这种现状。他们使用了被称为生成式对抗网络（GAN）来完成这项工作，这是一项相对较新的深度学习技术。
GAN可以通过使用两个竞争的神经网络模型，来创建与实际数据难以区分的全新数据。它的生成模型能生成“看起来像”实际数据的输出，区分模型则从生成模型和实际数据两者处获取输入，并尝试区分它们。
Insilico官方表示，生成模型通常用于创建图像、语音或文本，但这是第一次GAN被用于癌症药物的开发。
在最新发表的论文中，Insilico Pharma AI部门的研究人员描述了他们的神经网络，如何使用历史生物和化学数据，来分析69种新分子是否具有抗癌的潜力。
Insilico的Zhavoronkov表示：“在寻找分子导联时，应该避免进行反复试验，而是应该命令网络生成这些导联，它会按要求进行操作。”Insilico现在正在将这项技术扩展到假想抗菌药物的导联。
Insilico使用CUDA并行计算平台，Tesla K80加速器和TITAN X GPU，并在Theano和TensorFlow深度学习框架上使用cuDNN，来训练其算法。
反向设计分子
哈佛大学化学和化学生物学教授Alán Aspuru-Guzik也在寻求使用深度学习的神经网络，从根本上建立治疗方案的方法，也就是他所谓的“反向分子设计”。
为了寻找药物开发的合适成分，深度学习软件能帮助创造具有某些特性的新分子，Aspuru-Guzik说。该软件还能通过组合现有药物的特性，产生新的分子结构。
这些方法可能加速药物研发的过程，Aspuru-Guzik认为。他在最近发表在ArXiv的研究论文中，描述了他的研究项目如何使用生成模型，来进行自动化学分子设计。
Aspuru-Guzik使用CUDA并行计算平台，NVIDIA Tesla K80 GPU加速器，以及cuDNN与Theano深度学习框架，通过25万个药物样分子，训练了他的深度学习软件。
人们并没有期望AI能在医药研发领域代替科学家和医药工作者，大部分人偏向于相信AI能协助增强科学家们的研发能力，而所有的研发都需要得到人类的验证。“这是一个令人兴奋的时刻，我们正站在在AI和医药业的交叉点上，”BenevolentBio的Hunter说道，“我希望，这样的方式能更快速地给病人送去更有效的药物。”