人工智能助力癌症药物研发的变革之路

文章回顾了AI如何将药物发现从缓慢且昂贵的传统流程转变为早期临床应用。以AI设计的TNIK抑制剂试验为例，证明了这一转变的可行性。文章指出，精准肿瘤学若能结合AI驱动的多组学分析、联邦学习和自适应试验设计，将获益良多，但前提是有效性、公平性、可解释性及监管一致性需得到加强。

AI已不再是药物开发的辅助角色。本文展示了其如何构建更快速、智能且个性化的癌症治疗方案，同时也指出了当前仍存在的科学与监管障碍。

近期发表在《BJC报告》上的一篇观点文章中，作者探讨了AI如何重塑药物发现，并将其应用于精准肿瘤学领域。

背景

想象一下，如果救命抗癌药物能在数月而非数十年内问世。传统药物开发耗时往往超过10年且成本高昂，导致患者难以及时用药。然而，AI的最新进展能加速筛选有潜力的候选药物，优化患者分层，并预测治疗反应。尽管如此，数据偏差、监管不确定性和临床验证不足限制了AI的应用。为最大化潜力，需加强研究以确保AI疗法的安全、公平及临床意义。

转向AI驱动的药物开发

药物发现传统上依赖漫长的实验，失败率高且成本攀升。在肿瘤学中，肿瘤异质性、耐药性及复杂的疾病生物学带来了挑战。AI通过计算建模、预测分析和自动化设计，为研究人员提供了新的解决思路。

这一转变的重要里程碑是AI生成的小分子药物进入临床试验。例如，AI设计的TNIK抑制剂在人体试验中显示出良好的安全性、耐受性和药效。尽管试验是在特发性肺纤维化而非癌症中进行的，但它为肿瘤学方法提供了有价值的早期转化参考。

AI疗法的案例

AI已成为早期临床治疗的一部分。例如，AI衍生的化合物INS018_055正进行II期临床试验，用于治疗纤维化疾病。免疫肿瘤药物EXS21546经AI增强，旨在克服肿瘤微环境的免疫抑制。此外，通过算法分析，原本治疗类风湿性关节炎的巴西替尼被重新用于治疗COVID-19。

这些案例展示了AI的主要优势：通过自动化靶标识别和优化加速药物发现；在实验室测试前预测毒性和脱靶效应以降低失败率；以及通过精准患者筛选和生物标志物提高临床试验成功率。

AI成功背后的技术驱动力

AI在药物发现中的应用得益于多项技术进步。例如，预测蛋白质结构的技术（包括模拟复杂分子相互作用）提供了更深入的靶标相互作用了解，帮助科学家制造出更有效、更精确的药物。

利用自我监督学习（SSL），AI能从大量未标记数据中发现模式。这对肿瘤学很有价值，因为海量基因组数据往往缺乏注释，SSL能帮助识别新的药物靶点和疾病机制。

联邦学习允许机构在保护敏感患者数据隐私的前提下进行协作。这有助于提高模型的通用性，对开发在不同人群中有效的治疗方法至关重要。

减少实验负担与伦理问题

AI有望减少对传统实验室和动物实验的依赖。计算工具能模拟候选药物的关键特性，并通过ADMET模型预测其代谢和毒性。

使用“数字双胞胎”在虚拟患者身上测试药物，可以模拟个体对治疗方法的反应。这有助于完善个性化策略并减少不必要的早期实验，尽管这些方法仍需经验验证。

临床转化面临的挑战

AI驱动的药物发现面临的主要问题是通用性，因为AI在特定数据上训练，可能在不同患者身上表现不佳。AI疗法要获得批准和接受，其决策必须明确且生物学合理。临床医生和监管机构需要理解系统的决策过程。

另一个挑战是，有偏见的训练数据可能导致不公平的医疗结果，加剧患者差异。确保数据多样性和纳入反偏见策略是实现公平护理的关键。

监管分散也是巨大挑战，各国对AI模型验证标准不一。需要制定统一的验证、再现性、数据互操作性和监测标准，以加快审批流程。

AI与精准肿瘤学的未来

通过整合基因组学、转录组学等多组学数据，AI在精准肿瘤学中具有独特优势。这种整合支持更准确的疾病分类和个性化治疗策略。

AI还能分析实时临床数据（如ctDNA），跟踪进展和早期发现耐药性，从而根据最新数据调整治疗方案，支持适应性治疗策略。

AI的发展得益于联合验证和自适应临床试验设计，通过持续学习改进策略以适应患者需求，实现了可扩展的AI方法。

结论

《展望》显示，AI驱动的药物发现已从理论潜力转向早期临床现实，具备安全性、靶向性和初步疗效证据。然而，这些进展仅为初步可行性，非最终验证。持续的临床影响需依赖计算模型与实验临床验证相结合的混合框架。

若要帮助加速、改进和个性化癌症治疗以改善患者护理，解决AI的可靠性、公平性和监管治理限制至关重要。

参考文献

AI时代的精准肿瘤学：来自AI驱动药物发现与临床转化的经验