疯了！AI+器官芯片+数字孪生，开启无人制药时代？

为何药物发现和开发会失败？

在《临床试验设计和应用中的人工智能和机器学习》第 21 章中，Robert J. Beetel 和其他作者解释道：“对于药物发现为何遵循埃鲁姆定律，有很多解释，从谨慎的监管机构到增加总体研发成本。但阻碍进展的最大领域之一是药物发现阶段、药物发现过程的临床前动物测试和临床试验阶段的效率低下。”
在这些化合物中，含有可用于生产救命药物的类药物特性的百分比是多少？
百万？数十亿？数万亿？
答案是 10 60 11 十亿。
而银河系包含大约 1000 亿颗恒星，即10 11 颗恒星。

从第Ⅰ阶段到第Ⅲ阶段，典型的药物开发过程取决于偶然发现、实验、优化、动物模型和对新药的人体评价。各种技术都在争夺关键，试图改变这一进程。

本文将论证正在开发和测试的三种技术如何改变药物研发低效率的魔咒，即：用于药物发现的人工智能（AI）、用于无需动物模型进行测试的芯片器官（OOC） ，以及用于临床试验的数字孪生。

用于药物发现的人工智能

药物发现是一个复杂的试错过程，但人工智能的介入，将彻底改变这一格局。
DALL-E 2和Midtravel等平台展示的人工智能从生成超现实图像转变为重新定义药物开发。它渗透到从鉴定到化合物设计和预测过程的每一个阶段。
英伟达的BioNemo是一款综合工具，融合了3D蛋白质结构预测、蛋白质特性预测、小分子生成或蛋白质生成以及分子对接等多种人工智能驱动功能。
此外，许多公司还拥有专有平台和数据库，正在开发自己的产品线或与制药公司合作，例如 Insitro、Insilico Medicine、AtomWise、Healx、Verseon 和 Qubit（用于药物发现的量子技术）。

BCG和Wellcome的一份报告揭示了人工智能的潜力，该报告预计人工智能将显著节省约25-50%的时间和成本。

以Exscientia为例，在人工智能的帮助下为其临床试验生产了突破性的分子（用于实体瘤的A2A受体拮抗剂和用于强迫症的选择性血清素再摄取抑制剂）。

Insilico Medicine 紧随其后，推出了一项针对衰老相关疾病的人工智能设计的 senolytic 药物的Ⅰ期试验。

Relay Therapeutics 的 RLAY-4008 治疗胆管癌、Nimbus Therapeutics 的 NDI-034858 治疗中度至重度银屑病，以及 Evaxion 的 EVX-01 治疗黑色素瘤。在这三个案例中，使用人工智能缩短了发现到临床试验之间的时间。
人工智能模糊了人类智慧和机器精度之间的界限，它不仅仅涉及分子，还涉及人类和机器智能的融合，为药物发现开辟了新的路线。

临床前测试：器官芯片的使用

多年来，生命健康领域一直在药物开发的道路上艰难前行，投入巨额资金将化合物从实验室带到 FDA 的批准门槛。
然而，一个反复出现的难题困扰着他们：动物试验在预测人类对药物的反应方面的不足。
无数有前景的化合物通过在小动物或非人类灵长类动物中的研究引导了临床前的发展，但由于无效或引发危险的毒性（例如，结核病MV85a、HIV-1 DNA/rAd5、丙型肝炎疫苗），或诱导潜在的危及生命的毒性（如Hu5c8单克隆抗体），最终在人体试验中失败，从而导致人体试验停止。
器官芯片 (OOC) 是一个微型奇迹，旨在使用微流体装置模拟人体器官和组织结构。

这些芯片通过微通道互连的微小腔室中培育活细胞，模仿人体器官的复杂功能和反应。

例如，血液流动、炎症、感染——这些芯片复制了生理机制的自然协调，为动物模型的局限性提供了一种有前景的替代方案。

器官芯片影响深远，它不仅仅模仿了人类的生理机能，减少了对动物测试的依赖，更快的产生结果，还为通过共同培养不同细胞类型或器官进行更复杂的实验提供了途径。

大胆想象，肝脏芯片拥有 87% 的灵敏度和 100% 的特异性，远远超过动物模型的能力（接近 47%），这是药物检测准确性的巨大飞跃。
正如 FDA 2023 年现代化法案 2.0中所述，如果这些芯片能够系统地用于临床前筛查，则可以挽救因有毒药物反应而丧生的生命。
器官芯片不仅具有预测毒性的潜力，还可以针对个体差异定制药物测试。
肺、肝、肾、心脏、大脑——现在每一个都可以作为单独的器官在芯片上复制，或者在芯片上协同构建身体，这将有助于开发个性化的治疗方案，同时还有助于实现动物研究中的 3R（替换、减少和细化）。

临床试验：数字孪生的使用

多年来，药物开发的临床阶段一直是块“难啃的骨头”，新疗法的前景与不确定性、可变性和反复失败的严酷现实发生冲突。
数据显示，进入Ⅰ期试验的候选药物中，仅 13.8%最终获得监管机构的批准。且成本高昂，进行第Ⅲ阶段试验的平均成本高达 2.55 亿美元。
数字孪生，是充分利用物理模型、传感器更新、运行历史等数据，集成多学科、多物理量、多尺度、多概率的仿真过程，在虚拟空间中完成映射，从而反映相对应的实体装备的全生命周期过程。

其本质上交织着错综复杂的人工智能模型网络——机器学习、深度学习和强化学习——赋予它们从海量数据中学习、预测、模拟和优化各种条件下的行为和性能的能力。
在进行临床试验时，患者招募是一个长期存在的障碍，而数字孪生技术基于不同数据源模拟患者档案的能力，显著改进了识别和招募合适候选人的过程。
此外，这些数字化的双重体将有助于完善试验设计、简化执行并最终缩短持续时间和成本，同时提高试验的成功率和整体质量。
其影响不仅仅是经济层面，甚至远远超出了临床试验的人性伦理层面。
数字孪生具有虚拟复制患者档案的能力，能够避免侵入性手术等造成伤害事件的必要性，从而促进以患者为中心更加道德的试验。
今年 2 月，卡罗林斯卡学院的一个团队展示了一种使用数字孪生来预测类风湿关节炎患者对生物药物的反应的新流程，从临床和生物标志物数据中汲取见解。
其他例子，包括优化房颤患者的华法林等药物剂量，以及利用药物遗传学和临床数据的结合。
说在最后：

在人工智能、OOC 和数字孪生等创新技术的推动下，曾经需要数年才能做成的事情或将缩短至几周的时间，证明了药物发现和整个医疗保健领域惊人的进步潜力。
药物发现与开发的格局正在经历显著的演变，这些创新技术有望重新定义医学的发展轨迹。
参考链接：https://www.labiotech.eu/opinion/evolution-drug-discovery-through-innovation/
—The End—
推荐阅读