AI+药物挖掘是指将深度学习技术应用于药物临床前研究,达到快速、准确地挖掘和筛选合适的化合物或生物,达到缩短新药研发周期、降低新药研发成本、提高新药研发成功率的目的。
新药研发存在三大痛点:一是研发周期长,二是研发成本高,三是失败率高。
新药研发周期长
新药从研发到上市的过程需要进行的工作包括:药物临床前研究;申请获得临床试验批件;进行临床试验(包括生物等效性试验)研究;新药申请;获得新药证书和药品批准文号;进行药品生产;上市后检测。其中药物临床前研究就需要完成大量的工作,包括药物的合成工艺、提取方法、理化性质、纯度、剂型、处方筛选、制备工艺、检验方法、质量指标、稳定性、药理、毒理、动物药代动力学研究等等。临床前研究(含化合物研究)耗时一般长达 3-6 年。
参考观研天下发布《2018-2023年中国智能医疗行业市场产销态势分析及未来发展前景预测报告》
新药研发成本高
美国塔弗茨药物开发研究中心 2014 年的报告显示,一款成功上市的新药,平均花费约 25.8 美元,其中包括约 13.9 万美元的直接资金投入和研发失败导致的约 11.6 万美元的间接投入。据悉,此次报告的数据和 2003 年相比增长约 145%。
新药研发失败率高
药物发现始于最初的目标确定。一旦确定目标后,人们通常利用高通量筛选(HTS)来“命中发现”。
“命中”的结果经过优化成为导引化合物,然后再进一步深入优化,为进入临床前药物开发过程做好准备。当一款药物在进入第一阶段之前,这整个过程下来通常就需要 1-3 年,而它的 POS 却仅仅为 20%。
第一阶段:重点为安全性;健康的志愿者(POS 20%)。
第二阶段:重点为有效性;有某种疾病或健康状况的志愿者(POS 40%)。
第三阶段:进一步收集不同人群有关安全性和有效性、剂量和药物联用等的信息。志愿者数量为几百到数千名(POS 60%)。
从实践的情况来看,CFDA 批准临床试验的数量存在显著大幅下降的趋势。从 2011 年 1426 个到 2013 年仅有 374 个。批准临床实验的数量大幅下降,意味着临床前研究命中的概率下降,换言之,临床前研究的失败概率在上升。
AI 能够有效缩短新药研发周期、降低失败风险。通过计算机模拟,可以对药物活性、安全性和副作用进行预测。借助深度学习,在心血管药、抗肿瘤药、孤儿药和常见传染病治疗药等多领域取得了新突破。目前,已经涌现出多家 AI 技术主导的药物研发企业。例如,硅谷的 Atomwise 公司通过 IBM 超级计算机,在分子结构数据库中筛选治疗方法。利用强大的计算能力,评估出 820 万种候选化合物,而研发成本仅为数千美元,研究周期仅需要几天时间。
2015 年,Atomwise基于现有的候选药物,应用 AI 算法,不到一天时间就成功地寻找出能控制埃博拉病毒的两种候选药物,以往类似研究需要耗时数月甚至数年时间。
2012 年,默克公司主持了一项由数据科学公司 Kaggle 发起的旨在确定虚拟筛选统计技术的挑战。现在,Kaggle 已经开始测试深度学习和 AI 的应用,并与 AI 药物发现初创公司 Atomwise 开展合作。
Atomwise 最近利用 AI 技术,在不到一天的时间内对现有的 7000多种药物进行了分析测试,为寻找埃博拉病毒治疗方案做出了贡献。
根据该公司的统计,如果利用传统方法,这项分析需要花费数月甚至数年才能完成。
AI+药物挖掘主要服务与具有新药研发需求的药企,市场空间至少千亿级。据米内网统计,《制药经理人》杂志选出的全球 TOP50 制药企业 2013 年研发投入达到 1077 亿美元,占处方药销售总额 18%。
【版权提示】观研报告网倡导尊重与保护知识产权。未经许可,任何人不得复制、转载、或以其他方式使用本网站的内容。如发现本站文章存在版权问题,烦请提供版权疑问、身份证明、版权证明、联系方式等发邮件至kf@chinabaogao.com,我们将及时沟通与处理。