近年来，随着基因组学、蛋白质组学和生物信息学等现代分子生物学科的迅速发展，高通量与高内涵筛选、大数据、人工智能（artificial intelligence，AI）等高新技术的涌现，以及产业政策、资本市场的强力支持，新药研发呈现出前所未有的繁荣局面，医药创新迎来“黄金时代”。然而，与快速发展并行而来的，是日趋残酷而激烈的竞争局面。当今社会，肿瘤、糖尿病、脂肪肝等慢性复杂性疾病流行，针对这些疾病的新药研发难度越来越高，制药企业需要投入更多的资金、人力、物力才能产出和以前相当的“first－in－class”药物，新药研发面临着成本高和收益率下降的“双重困境”。很显然，如何提高药物研发效率和降低研发成本是目前制药企业新药研发面临的主要挑战。而在大数据驱动下，人工智能已成为新药研发的核心技术。

《药学进展》2021年第7期“药咖论坛”专栏重磅推出“大数据与人工智能赋能新药研发”专题，邀请产业界与学术界多位专家，从不同层面和角度，系统阐述了大数据与AI在新药研发中的应用现状与未来发展趋势，在肯定大数据与AI用于新药研发是大势所趋、临床所需的同时，也为这些新兴技术在新药研发中更好地发挥其价值提供了具体而有前瞻性的建议，对于从事大数据、AI在医药领域落地工作的相关科研技术人员的工作开展具有重要参考和借鉴意义。

在本期专题中，药咖荟与您分享产业界与学术界7位专家在大数据与人工智能赋能新药研发领域的精彩观点；此外还有更多福利与惊喜等着您——药咖荟将特邀专家走进云上直播间，围绕各自专注的研究领域阐述大数据与AI在整个生物医药领域中的应用现状与未来发展趋势，为您带来更有深度、更多维度的知识盛宴！敬请期待！

内容速览

● 高价值数据挖掘与人工智能技术加速创新药物研发

………………………………………郑明月，蒋华良

● 人工智能算法在全新药物结构设计中的应用进展

……………胡建星，徐旻，陈红明，张佩宇，马健

● 人工智能在新药研发中的应用现状与挑战

………………………………刘晓凡，孙翔宇，朱迅

● 人工智能在新药发现中的应用进展

…………………………………黄芳，杨红飞，朱迅

● 真实世界研究在医药领域的应用及研究方法

………………………秦雪妮，陈维生，邵华，廖俊

2大专题，34位专家

直击大数据／AI＋新药研发热门话题

Vol．1

蒋华良

● 中国科学院院士，中国科学院上海药物研究所学术委员会主任、研究员（曾任所长）

● 长期致力药物科学基础研究和新药发现，通过生物学、化学、数理科学和计算信息科学等多学科的交叉，开展原创药物研究新策略与新方法、先导化合物发现和优化、药物靶标调控机制等研究

● 曾任J Med Chem副主编

● 《药学进展》名誉主编

● 国家自然科学基金委“生物大学分子动态修饰与化学干预”重大研究计划专家组组长

郑明月

● 中国科学院院士，中国科学院上海药物研究所学术委员会主任、研究员（曾任所长）

● 长期致力药物科学基础研究和新药发现，通过生物学、化学、数理科学和计算信息科学等多学科的交叉，开展原创药物研究新策略与新方法、先导化合物发现和优化、药物靶标调控机制等研究

● 曾任J Med Chem副主编

● 《药学进展》名誉主编

● 国家自然科学基金委“生物大学分子动态修饰与化学干预”重大研究计划专家组组长

专家观点

大数据与AI在新药研发的各个环节都有非常大的应用潜力，从新药研发的不同环节来看有以下几点。

1）在靶点的筛选与发现方面，AI通过深度学习技术快速发现隐藏的药物与疾病、疾病与基因之间的连接关系，可以缩短靶点发现周期。

2）在化合物合成方面，AI通过模拟小分子化合物的药物特性，在更短的时间内挑选出最佳模拟化合物进行合成试验，大幅提高化学合成路线设计速度，以降低操作成本。

3）临床试验阶段是目前AI应用的“卡脖子”环节，其背后原因主要是生物学复杂性带来的数据和AI建模两方面的挑战：数据方面，临床数据目前难以实现标准化、数字化，涉及患者隐私问题也限制了临床数据的灵活运用；AI建模方面，化合物与人体靶点反应过程非常复杂，数据稳定性和可重复性差，从而影响了AI建模。当前虽然有一些更具临床相关性的模型，但可用AI进行挖掘的数据依然相对较少。

4）在真实世界研究方面，我国尚未形成真正意义上的大数据中心，依然面临患者在用药各阶段数据收集不全、样本收集困难等问题，而AI技术是新药研发发展的一大突破口，将为整合、挖掘有价值的研究数据提供便利。

总体来看，大数据与AI技术在新药研发领域的前景是光明的，不过受限于生物学的复杂性和临床数据库的缺乏，这些技术的应用主要集中在药物发现阶段。谷歌和斯坦福大学学者共同发表的一项研究提到，深度学习技术在新药研发领域大有可为，而且与生物反应有关的数据量越大，发现新药的可能性就越大。未来，只有对有价值的临床数据进行不断挖掘、积累、完善，进一步开发AI模型，大数据和AI技术才能更多地在临床研究和真实世界研究中发挥价值，对新药研发提速起到更有力的推动作用。

Vol．2

马健

● 晶泰科技联合创始人兼CEO

● 浙江大学物理学博士，麻省理工学院博士后，日本理化学研究所访问学者

● 《药学进展》编委

● 在量子信息、量子计算、数值模拟方面有丰富的研究经验

● 被深圳市评选为海外高层次人才（孔雀计划）

● 2019年被《麻省理工科技评论》评为“35岁以下科技创新35人”之一

陈红明

● 中国科学院化工冶金研究所（现过程工程研究所）计算化学博士

● 曾在德国拜耳公司Wuppertal药物研发中心从事博士后研究工作

● 曾在阿斯利康制药公司瑞典哥德堡的研发中心从事计算化学和新药开发工作

● 曾在先导化合物发现部门担任主任研究员（Principal Scientist）职位

● 现在广州再生医学与健康广东省实验室（现更名生物岛实验室）担任PI并组建人工智能与药物设计研发团队

● 主要研究方向为计算化学、化学信息学与人工智能／机器学习等

● 担任Molecular Informatics杂志学术咨询委员会委员和Artificial Intelligence in the Life Sciences杂志编委

专家观点

基于深度学习的分子生成方法已成为近来AI＋新药研发最热门的研究领域之一。在选择目前主流的生成算法时，用户需要至少作两方面的选择：一方面需要选择是基于字符串还是图模型进行生成；另一方面则是需要决定使用相对应的神经网络架构，例如，自编码神经网络（VAE）、循环神经网络（RNN）、对抗生成神经网络（GAN）以及基于生长或基于流的分子图模型等都是常见的生成模型。

▲常用的生成模型类型

深度分子生成模型拥有从大量数据中学习的能力，以及超越化学直觉的从头药物设计的潜力。然而，为了让其在实际项目中发挥充分的作用，我们还有更多的工作要做。首先，从头生成算法的综合可及性是此类工作的基本挑战之一。目前绝大部分报道的模型都只在虚拟的药物设计任务中进行测试，但其生成的化合物只有在合成之后，其成药潜力才有可能被客观测试。另外，辅助分子生成的逆合成分析、活性预测、成药性预测等的AI方法也需要来自实验数据的精确反馈。这些数据的快速获取有赖于自动化实验技术等的发展，而这又是AI技术可以大展身手的又一战场。在不久的未来，我们或许就可以看到AI分子生成算法与自动化技术完全地结合，实现较少（甚至没有）专家干预的药物设计流程。

Vol．3

朱迅

● 医学博士，著名免疫学家，吉林大学教授，博士生导师

● 原国家新药咨询委员

● 国家自然科学基金专家组成员

● 《药学进展》副主编

● 曾任白求恩医科大学副校长

● 引荐、协助了20余名留学生回国创业或加盟国内制药公司，其中多家企业已经成为各自领域的行业龙头

杨红飞

● 产业大数据专家，火石创造创始人兼CEO

● 火石产业大脑总设计师，通过基于全球的产业数据自动化采集、机器学习、场景化模型构建和智能分析，将产业数据产品化、服务化，助推战略性新兴产业高质量发展

● 中国第一个生物医药产业发展指数CBIB设计者

● “杭州市领军型青年创业团队”核心成员

● 杭州市首批科技专家库入选者、杭州市滨江区青年科技英才

● 中国医学装备协会理事、浙江省数字经济学会成员，《药学进展》青年编委

专家观点

伴随AI技术的迅猛发展，新药研发工作者希望通过AI技术解决医药行业痛点，包括降低药物的研发成本、缩短其研发周期、控制新药研发风险，在此基础上，一批AI企业相继出现。国内外多家AI企业与药企开启了深度战略合作模式，利用其自主设计的人工智能技术平台助力制药企业进行新药研发。

▲人工智能企业与制药企业在新药研发领域的战略合作

AI＋新药研发目前已进入快速成长期，备受业界瞩目；但其作为新兴领域，也面临着一些挑战：

一、生物学的复杂性，给数据获取和AI算法设计带来巨大挑战；

二、当前的AI算法模型只纳入部分化学指标，生物学指标不完整；

三、高质量数据制约；

四、高端复合型人才缺失；

五、政策法规的制定滞后。

着眼当下，为了更好地发展AI＋新药研发，应对其面临的五大挑战，提升新药研发的效率从而加速我国医药创新升级，一是要突破新技术和新算法，引导技术创新以及AI技术在新药研发各个环节的深入应用；二是建立“AI＋新药研发领域复合人才跨学科培养输出机制，自主培养一批高学识、高能力的“AI＋新药研发”领域的科研人员、技术工作者和应用开拓者，加快形成满足行业发展需求的人才网络；三是集中大数据力量助力攻关重大疾病致病机制、药物靶点／表型／分子分型研究，完善医药研发数据库，为拓展AI在新药研发领域的应用构建高质量数据支撑体系；四是强化创制体制设计，建立支撑保障措施包括及时建立监管机制，明晰产权结构，注重保护新药研发中数据资产安全和知识产权。

Vol．4

廖俊

● 中国药科大学理学院副教授，硕士生导师

● 美国密西根大学药学院访问学者

● 现任中国药科大学高性能计算中心主任，主要从事药学信息学、人工智能在临床药学中的研究

● 目前致力于将深度学习运用于真实世界研究、药品不良反应、中药物质基础及作用机制、数字病理诊断研究，积累了较为丰富的人工智能应用于医药大数据的知识与经验。

专家观点

近年来，随着医学研究多样化证据的需求增加和大数据、人工智能技术的支持，真实世界研究（RWS）成为世界学术界和产业界关注的焦点。真实世界的概念广泛为临床研究者接受，RWS掀起了全球研究的热潮。医药领域的RWS与人类生命健康息息相关，以临床问题为导向的研究，涉及疾病的病因、诊断、治疗、预后以及临床预测模型等诊疗流程的各个阶段，这其中任何一个环节问题的解决和改善都将大大提高患者的生活质量和健康水平。在药品研究中，RWS同样发挥着的重要作用，尤其是药品上市后的监管问题。RWS可以为药品注册上市提供安全性和有效性证据，可以为上市后再评价提供补充材料，可以发现早期药物警戒的信号，还可以开展药品经济学研究，了解社会医药资源的配置和利用效率。在中医药领域，RWS多用于评价中西结合的处方以及经典名方、复方制剂的有效性和安全性，或分析“药－药”、“药－证”、“病－证”之间的关联性。研究方法上，RWS使用最广泛的观察性研究，统计分析方法与传统临床研究本质上是一样的，但重点需要关注偏倚和混杂因素的控制。从研究需求来看，RWS并不是一种新的研究方式，也不是随机对照临床试验（RCT）的替代品，RWS是一种循证的补充，是人们期望在非严格的RCT条件之外，在真实医疗环境下，寻找更多的证据和线索来解决实际问题。

▲真实世界研究在医药领域的应用及分析方法

总而言之，未来RWS的潜力巨大，可解决的问题和适用的领域也将更广，我们期待有更好的设计和分析方法能够被发现、调整和应用，RWS局限和问题能够得到更好的解决。

生物医药产业正进入创新跨越新阶段，大数据和AI技术已逐渐渗透到新药研发的各个环节，在提升新药研发效率、改善患者获益方面贡献了不可忽视的力量，成为我国医药加速创新转型的重要驱动力，推动我国临床医学及其研究步入“大数据时代”。总体来看，技术迭代升级、数据资源共享、学科交叉融合是未来AI＋新药研发领域发展的重要方向。道阻且长，行则将至，AI＋新药研发未来可期。