机器学习从药物发现转向设计：一场临床价值投资的回归

机器学习在早期药物开发中的作用是什么？

目前，该工具已在药物设计而非发现领域找到了自己的定位。当然，这是技术的一个功能，但Vevo Therapeutics公司的机器学习研究专家Will Connell认为市场动态正在关键地塑造这一趋势。

机器学习工具的成熟，加上生命科学领域的大量数据，为早期药物开发行业注入了新的资源，并吸引了各种各样的利益相关者。

近期，Will Connell一直在回顾该领域运营的早期公司的情况，其目标是追踪机器学习在药物开发中的应用轨迹，以了解它的发展轨迹和未来发展方向，具体而言：

• 机器学习在药物流程中的应用转变？
• 市场动态如何，有哪些变量？
• 该领域投资重点是什么，资源给了谁？
• 谁首先从机器学习工具中受益最多？

从发现到设计的转变

与任何经历技术颠覆的行业一样，关于机器学习对药物开发影响的最初假设是广泛的和推测性的。这一开创性阶段是由一种潜在的希望推动的，即机器学习可以彻底改变药物发现——药物开发的一个独特子集。
在早期阶段，机器学习有望改变科学发现过程，加速我们对疾病生物学的理解，从而产生新的药物靶标。发现研究的成果是一流的治疗药物，生物技术和制药的主要资产。

但在过去的几年里，Will Connell相信已经从强调机器学习驱动的发现转向机器学习驱动的设计。

最初，机器学习被视为科学发现的潜在颠覆者，有望揭示疾病生物学的新机制和见解。然而，该领域已经经历了期望的重新调整，机器学习现在在面向设计的流程中找到了一个更狭窄但更适用的角色。

这代表着从“first-in-class”方法到“best-in-class”方法的转变，其中机器学习有助于加速针对既定目标和已知生物学的设计迭代。

当然，大多数公司都处于发现/设计领域，作者认为下方框架有助于简化特定企业的优势和风险状况。 
图：药物研发过程及每一环节的成功率

据不完全统计，在进入临床研究阶段后，90%的候选药物会在I、II、III期临床试验和药物上市审批阶段中失败。

不断变化的市场动态

在私募市场中，团队无法再依靠平台的潜力生存。

首先，每个人都有一个平台。

其次，资本现在正流向风险更低的机器学习应用，这些应用具有明显的优化和快速的反馈周期。这是该技术在工程问题上的应用，而不是科学问题。

这些变化反映了技术进步、投资者情绪和市场动态（包括围绕生成人工智能的炒作）的更广泛趋势。
另一个变量是，两个不同的投资者群体活跃在这个领域：传统生物技术投资者对新技术将如何改变当前流程感兴趣，而科技生物投资者则对通过计算释放不断增长的数据集的潜力感兴趣。
至关重要的是，这些投资者群体的不同观点可以显著影响早期团队的融资策略，进而影响其方向。

平台与管线

在对更切实成果和通向可销售治疗资产的明确路径的需求的推动下，随着前几年证据的积累，投资策略也不断发展，重点已从研究加速转向管线推进，资源也相应重新分配。

这种转变给许多早期企业带来了困境，因为他们必须在机器学习对平台潜力的最初愿景与优先考虑管线项目的必要性之间取得平衡，这是经典的“平台与管线”权衡。

因此，资源被分配给特定的项目，更注重临床价值，而不是平台的成熟度。
平台投资者倾向于关注给定平台技术的潜力，并可以根据可组合性和可扩展性对其进行评估。然而，他们分析临床前数据的能力可能有限，或者根本不认为它那么重要。
相比之下，管线投资者倾向于关注可用的化合物数据，并评估其作为开发候选药物进行优化并投入临床的潜力。
对于资源有限的团队（与大型制药公司或生物技术公司相比）来说，这种方法是一场高风险的赌博，因为为了追求不确定的结果而迅速消耗时间和金钱。

目前的应用

目前，投资趋势有利于机器学习驱动的企业，这些企业可以快速展示潜在的治疗资产。基于结构的生成模型特别符合这一要求。

然而，与传统方法（例如，进化抗体精制和合理药物化学）相比，迭代设计周期的持续时间和效率仍然存在问题。机器学习并不是曾经设想的包罗万象的解决方案，而是药物开发过程中几个特定阶段的强大工具。

目前，作者认为影响最大的步骤包括从候选物到先导化合物（hit to lead）和先导化合物的优化（lead optimization）。值得注意的是，这些阶段只是药物开发的几个方面，重要的是，它们并不是最大的资源瓶颈。

机器学习在发现方面的应用仍然具有巨大的潜力，但仍处于早期阶段。如果没有非常精确的生物利基或疾病焦点（即强大的先验），用机器学习引导发现工作是有风险的。 

展望未来

人们普遍关注基于结构的生成模型以加速治疗资产的开发，这源于可行的技术利基和外部融资需求。

一个关键问题是，在设计阶段，机器学习是否真的比传统方法具有显著的效率优势。

如果是这样，这种转变甚至可能为药物设计公司新领域的出现铺平道路。这些公司的特点是独特的合作战略和交易方法，摆脱了传统上对少数发展项目及其转化为资产的过度依赖。

展望未来，专注于特定生物学和补充见解/分析的企业很可能首先从机器学习工具中受益最多。
从长远来看，预计机器学习在发现研究中的作用将变得突出，尽管目前尚不清楚有多少私人资本愿意在短期内进行这一赌注。目前，学术界似乎已准备好带头冲锋。
—The End—
推荐阅读