<mark id="oztn4"></mark>
0
“數據共享對藥企模型的提升有一些幫助，但并不像大家預測中的那么大，有很多算法的細節仍有待突破，比如不同藥企的數據存在不一致性等問題。”
近日，雷峰網《醫健AI掘金志》推出《AI制藥十人談》系列，探究AI制藥的前景與隱憂。
浙江大學藥學院教授謝昌諭在與《醫健AI掘金志》的對話中，提到了歐洲的藥企數據共享項目MELLODDY，指出數據共享這一模式發展中存在的局限性。
謝昌諭與AI制藥結緣要追溯到2018年。
謝昌諭是具有量子物理與人工智能雙重背景的學者，早年間曾在麻省理工學院、多倫多大學、新加坡-麻省理工科研中心從事理論化學、量子計算、人工智能技術在AIDD、有機材料、生物傳感器等方向的應用研究。
2018年回國后，謝昌諭加入騰訊量子實驗室，帶領團隊探索適合于量子計算技術的落地方向，從而進入AI制藥領域。
“（制藥領域）如果想要在近期內看到比較大的研究成果，其實更依賴于傳統計算和人工智能，而非量子計算。”
隨著研究的深入，謝昌諭的心態也從開始的“將藥物設計作為實現‘AI+量子’計算算法的跳板”，轉變為真正想要在藥物設計領域做出一些成果。
在浙江大學藥學院教授侯廷軍的介紹下，謝昌諭加入浙大藥學院。
對于更適用于AI制藥的傳統計算與人工智能兩種方法，謝昌諭也直言其各自的利弊：
傳統算法具備明確的理論，其泛化能力更強，適用范圍更廣，但計算速度卻不夠快；而AI模型目前還是難以真正學到底層的因果關系，模型的泛化能力較差。
“如果對黑盒算法進行更多可解釋性的分析，將其與AI模型相結合，或許會成為未來的主要發展趨勢之一。”
以下為《醫健AI掘金志》與謝昌諭的對話內容，《醫健AI掘金志》做了不改變原意的編輯與整理。
雷峰網：您早年間的學術方向偏向量子計算、人工智能等領域，是什么時候開始轉向AI制藥相關研究的？
謝昌諭：2018年加入騰訊之前，我的研究背景更偏向理論化學、量子計算、量子物理這方面，2019年開始涉獵AI的方向，那時是從團隊的角度考慮，要尋找一個量子計算的落地方向。
我認為從量子計算的硬件等各方面條件來看，短期落地其實比較困難，所以想嘗試一下“AI+量子”這兩種前沿的計算技術的結合，在一些特殊的領域中有哪些可能性，從而使量子計算技術盡快落地應用，讓社會受益于這些前沿技術。
在這個過程中，我們調研了不同的行業，綜合考量每個行業的特質，以及這些行業能夠為社會產生的價值，還有我們團隊成員的學術背景等因素，最后覺得制藥是一個不錯的選擇。
而且根據觀察，很多跨國藥企對人工智能、量子計算、自動化、計算化學等各種技術興趣非常濃厚，一些公司在這上面的投入也很可觀。從這個角度來看，制藥也是一個很好的方向。
我們對這項研究原本的期待是，既能進行“AI+量子”的技術研究，同時也能獲得藥企的認可，對藥物研發做出一些貢獻。
但是進行更加深入的研究之后，我們發現，如果想要在一定時間內看到比較大的研究成果，其實更依賴于傳統計算和人工智能，而非量子計算。
因此，從2019年開始，AI制藥就逐漸變成我花費精力最多的一個研究方向。
雷峰網：2022年，您離開騰訊量子實驗室，加入浙江大學藥學院擔任教授，當時有什么契機使您決定回歸學術界？
謝昌諭：騰訊量子實驗室提供的科研環境非常好，招聘了很優秀的研究員，進行了很多領域的交叉研究，從科研上講很有成就感。
但騰訊量子實驗室的核心目標是最大程度推動量子計算技術的發展，我一開始的想法也是想要將藥物研發作為一個出口，讓量子計算在其中發揮作用。
隨著我在AI制藥上投入的時間越來越多，對這個領域有了更深刻的領悟，再加上新冠疫情的影響，我的心態發生了一些改變，從最初的將藥物設計作為實現“AI+量子”計算算法的跳板，轉變為真正想要在藥物設計領域做出一些成果，反而不再介意使用的方法是傳統的計算物理還是AI、量子。
我的想法發生變化之后，就希望在研究上能夠以藥物研發為中心，獲得更多這方面的資源支持，恰好之前和浙江大學藥學院的侯廷軍教授有合作，通過他的介紹來到浙大藥學院工作。
雷峰網(公眾號：雷峰網)：不久前，碳硅智慧發布了AI新藥研發平臺DrugFlow1.0，作為碳硅智慧算法科學家，您在DrugFlow1.0的設計、研發、后續商業探索上主要參與了哪些工作？
謝昌諭：現階段在碳硅智慧的工作中，我希望技術層面取得一些突破，聚焦小分子藥物設計方面的前沿算法，或是在理論層面的更多嘗試。
比如在設計大模型的過程中如何更好地學習分子表征，如何更好地結合傳統計算物理和深度學習來實現一些更具理論支撐的藥物設計方案等，這些工作是更偏研究與探索性質為主。
這也是我選擇碳硅智慧的主要原因，在研究上，我能夠去嘗試一些對藥物設計可能更有價值的理論和想法，找到其中能夠走得更遠的可行方案；
在落地上，碳硅智慧有專業的團隊和豐富的經驗，能夠在算法和模型的技術細節上做更多的優化，工程化的實現也更加專業。
雷峰網：在AI制藥領域，傳統算法與人工智能算法分別有何利弊？如何相互結合？
謝昌諭：傳統算法中比較有代表性的如分子動力學模擬與結合自由能的計算，其優勢在于具有比較明確的理論，我們就可以從理論的角度來判斷這個算法在什么場景中是相對可靠的。
同時，這些算法的泛化能力較強，適用范圍會更廣一些。
傳統算法也存在一些問題，比如需要使用者具備更多的專業知識儲備與實際操作的經驗積累，才能對算法進行研究。即便是使用相關軟件，也需要較高的知識門檻。
另一個痛點則是，傳統算法雖然理論清晰，但計算速度不夠快，有時由于各種假設與近似的原因還是不夠精準，所以在藥物篩選的過程中實用價值比較有限。
相比之下，AI模型如果有合適的數據進行訓練，速度會快上很多。在一些測試場景中，AI模型的效果非常精準，但是往往到了真實的藥物研發場景中，大家就會發現它使用起來沒有很多科研論文里描述的效果那么好。
主要原因是AI模型沒有真正學到底層的因果關系，所以模型的泛化能力很差，如果沒有新的數據做支持，模型就很難適應新的場景，換而言之，模型會出現一些過擬合的表現，甚至學習到數據本身隱性偏差的問題。
所以使用AI模型時，你有時候并不知道什么時候能夠真正地信任它，如果對黑盒算法進行更多可解釋性的分析，將其與AI模型相結合，或許會成為未來的主要發展趨勢之一。
以小分子制藥為例，如果結合自由能的預測，或是基于靶點口袋的分子生成，或是對先導化合物進行優化改造，將微觀物理的信息融入到深度學習框架之中，這個模型就能夠更好地學習到真實的因果關系或物理規律，模型的魯棒性和可靠性也會得到大幅提升。
另一個方向則是直接用AI來加速傳統計算，在傳統計算的框架之下，用AI來解方程，有希望在不喪失計算精度的情況下大幅提升計算效率。
雷峰網：在算法層面，AI制藥平臺之間能否形成技術壁壘？
謝昌諭：如果單看一個小模型，我認為比較難形成技術壁壘。
不能形成技術壁壘其實也可能是一個好事情。
現在很多被廣泛使用的模型本身就是源于互聯網或其他行業，比如自然語言處理、圖像識別等領域的算法，研發者將其開源之后又被AI制藥的研發人員拿過來優化、使用。
在這樣的大環境之下，研發者們被鼓勵將自己的算法進行開源，促進整個領域的發展。
此外，如今深度學習領域有很多好的建模軟件和工具，可以幫助非專家級的使用者輕松地將不是特別復雜的模型調到穩定水平。
從算法的層面來說，很難形成技術壁壘，但對于大模型而言，就比較容易形成壁壘。
雖然模型的設計思路是透明的，但是如何收集、清理訓練模型所需的數據，以及訓練龐大模型的技巧等等，這些復雜且大規模的工作更容易產生技術壁壘。
雷峰網：數據問題一直是AI制藥領域的痛點，已經成為目前制約AI藥物研發的重要因素之一。
目前已經有企業嘗試建立數據共享平臺，在保證數據隱私的前提下，推動藥企之間的數據共享，在您看來這種合作形式是否符合AI制藥平臺當下的需求？
謝昌諭：如果能夠實現共享數據，肯定是利大于弊的，聯邦學習等技術一定程度上能夠保護數據的隱私，如果藥企都參與進來，就可以得到表現更好的模型。
在歐洲有一個項目叫做MELLODDY，即Machine Learning Ledger Orchestration for Drug Discovery(機器學習分類帳編排的藥物發現)。
強生的子公司Janssen Pharmaceutica NV（楊森制藥）是該項目的制藥行業負責人。
項目匯集了楊森制藥、安進、安斯泰來、阿斯利康、拜耳、勃林格殷格翰、葛蘭素史克、默克、諾華和施維雅等10家頂尖制藥企業，兩所高校，四家初創公司，以及IT企業英偉達。
該項目旨在創建一個建模平臺，在該平臺上可以利用多家制藥企業的數據，創建更準確的模型，以確定藥物開發最有效的化合物。
在不久前的DrugFlow1.0產品發布會的圓桌討論環節上， 也得知MELLODDY項目的一些進展。
比如，該項目對藥企模型的提升有一些幫助，但并不像大家初期預測的那么大，有很多算法的細節仍有待突破，比如不同藥企的數據存在不一致性等問題。
所以，并不是大家把數據拿出來共享就能馬上取得很大的突破，其中還有很多困難需要克服，從歐洲的案例中我們也可以看到在技術層面需要優化的很多細節。
不過，長遠來看這肯定是一件好事。
雷峰網：2022年，AlphaFold2與ESMFold分別宣布預測出數億種蛋白質，AI技術在蛋白質預測上的不斷突破，對制藥領域有哪些影響？
謝昌諭：AlphaFold2和ESMFold等產生的價值是清晰可見的，無形之中增加了大家對AI這個領域能夠的信心，從而持續進行資金或科研上的投入。
單就蛋白質折疊這個問題而言，目前已經取得了很大的進展。
最近特別熱門的ChatGPT等生成式AI也是下一波發展的契機，將會為科研人員的生產力、科學研究的生產效率帶來提升。
更具體地來看，AlphaFold2和ESMFold這一類算法，最早影響到的就是基于蛋白質結構的材料設計與藥物設計，從David Baker團隊的蛋白質結構設計工作中也可窺見一二。
結構預測模型使蛋白質設計獲得了非常迅猛的進展，對藥物遞送、藥物開發等工作產生了直接的沖擊。
就我所關注的小分子而言，很多靶點目前還沒有合適的結構，現在利用AlphaFold2的技術，大家也在探索是否可以預測一些適合進行藥物開發的靶點口袋。
AI制藥企業英矽智能此前就做了一些類似的工作，基于AlphaFold2進行藥物開發。
這些進展都是實實在在的證明，AlphaFold2和ESMFold這些工具經過未來的持續優化，也會在藥物設計領域逐漸占據重要的位置。
雷峰網：AI技術天然具有快速迭代的特征，制藥卻是一項戰線漫長的工作，兼具這兩種特征的AI制藥，應該怎樣融合兩種思維？
謝昌諭：現在的AI技術的確發展很快，但這并不完全是AI技術本身的特質。
節奏快更多是互聯網企業的特征，只是目前很多很好的AI工作都是由互聯網公司完成的，可能大家因此認為所有AI技術一定都是快速迭代的。
此外，目前AI制藥領域的初創公司，其實更多還是聚焦在早期藥物研發的階段，比如藥物發現等等。
在這些環節中，利用AI等技術已經能夠縮短研發時間，所以戰線也不算特別長了。
因此，就節奏快慢而言，AI技術與早期藥物研發似乎并沒有太大沖突。
比較關鍵的是，做計算的可以不斷地去試錯并調整，但做藥的人往往會更謹慎的去對待不同的實驗嘗試。
面向藥物研發這樣復雜的工程難題，一個團隊里也應該存在不同的價值觀或聲音，大家通過交流，協商出更好的解決方案。
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
