什么是 AI 药物发现？

什么是人工智能药物发现？

2025/02/12

人工智能技术每天都在不断发展。利用人工智能的努力也在药物发现过程（药物开发过程）中不断扩大。人工智能现在能够处理大量数据来搜索疾病治疗的靶标（例如蛋白质），并发现和设计可作为候选药物的分子。2024 年诺贝尔化学奖相关技术也获奖。我们采访了细胞与分子工程研究部生物数据科学研究组组长今井健一郎，探讨了人工智能药物发现受到关注的原因、人工智能的使用情况以及面临的挑战。

人工智能药物发现为何受到关注

什么是人工智能药物发现

　人工智能药物发现是人工智能在药物发现中的应用，即开发新药的过程。

　通过利用人工智能分析大量的体内分子数据（例如综合组学数据），可以更精确地识别与疾病相关的代谢途径，并阐明与疾病相关的体内分子（候选目标）。此外，还可以预测和分析目标蛋白质或核酸的结构，设计计算机来优化发挥作用的化合物、肽或蛋白质，然后进行实验来鉴定候选药物。

　通过这种精确寻找靶点，提前选择和设计可能成为新药的化合物并进行实验，人们认为药物发现过程将变得更加高效，减少药物发现所花费的时间和成本，增加成功的概率。采用常规方法，治疗药物从开始开发到批准生产和销售需要10多年的时间，总开发成本预计超过1000亿日元。而且，成功的概率极低；例如，据说一种名为“先导化合物”的候选药物最终获得生产和销售批准的概率仅为0004%左右。

　如果通过缩短开发周期、提高成功概率来降低药物发现成本，制药公司将更容易应对开发罕见疾病治疗药物、患者数量较少、被认为难以产生利润的挑战。此外，如果药品价格下降，即使在发展中国家等低收入地区也将更容易销售，预计将挽救更多生命。

每个流程中人工智能的利用示例

蛋白质结构预测

许多药物试图通过作用于体内的蛋白质来恢复细胞和组织的正常功能。大约 3% 的人类蛋白质清楚地了解批准药物发挥作用的机制和过程（作用机制），大约 7% 的蛋白质与化合物相互作用，尽管详细的作用机制尚不清楚。这意味着大约 90%（其中 55% 具有疾病相关突变）可以成为新的药物靶点。

　新药开发中重要的是目标蛋白的三维结构（Three Dimensional Structure）。蛋白质具有独特的三维结构和取决于该结构的功能。然而，如果原有的三维结构因氨基酸的变化而发生改变，蛋白质就可能无法正常发挥作用，并可能引发疾病。此外，药物要发挥其药效，必须与蛋白质的特定结构结合并调节其功能。

　然而，只有不到 30% 的人类蛋白质的三维结构是已知的。如果我们不知道作为新药开发目标的蛋白质的结构，寻找候选药物将变得更加困难。

　DeepMind 开发的名为 AlphaFold 的 AI 技术为这个问题打开了一个漏洞（AIST 杂志 2024 年诺贝尔化学奖》什么是蛋白质设计和 3D 结构预测？'')。 AlphaFold 是一种人工智能，可以根据氨基酸序列高精度预测蛋白质的 3D 结构。 2020 年发布的 AlphaFold 2 成为热门话题，因为它表现出的性能远远超过了之前的 3D 结构预测方法。 2024年诺贝尔化学奖的获得证实了这项技术的高水平。

　2023 年 5 月，发布了新型号 AlphaFold 3。 AlphaFold 2 可以预测单个蛋白质或蛋白质复合物的结构，而 AlphaFold 3 现在可以预测与化合物结合的蛋白质的状态。与RNA结合，作为下一代药物和药物发现靶点而受到关注（AIST杂志2023年诺贝尔生理学或医学奖“使 mRNA 疫苗成为可能的修饰碱基研究是什么？”）也被预测。因此，我们认为 AlphaFold 3 的开发重点是在药物发现方面的应用。

在计算机上预测化合物结合的虚拟筛选

　筛选是从各种化合物中选择作为候选药物的化合物的过程。当目标已知时，使用“基于目标的筛选”来选择与目标分子结合的化合物，而当目标未知时，则使用“表型筛选”，即使用细胞中的表型变化作为指标。还有一种称为“高通量筛选”的方法，其中使用机器人使用（半）自动化方法检查数万至数十万种化合物。

　与这些方法相反，“虚拟筛选”是一种利用大规模化合物库（超过数百万种化合物）在计算机上预测蛋白质与化合物之间的结合并选择候选化合物的方法。基于虚拟筛选获得的结果，通过实验实际合成和验证化合物的过程已成为高效药物发现和开发的关键。

目前，化合物库正在迅速扩大，现已包含超过数十亿种化合物，其中包括可以预测在计算机上合成的化合物。对于如此庞大的化合物库，需要在现实的时间内使用人工智能技术进行高速虚拟筛选。此外，人工智能技术正在开发中，以设计可能与目标蛋白质结合的化合物。

体内复合动力学的预测

　即使是通过筛选成为候选药物的化合物也可能很容易在体内降解，甚至可能有毒。化合物在体内的这种运动称为药代动力学。人工智能可以预测化合物被摄入体内时的物理特性，例如吸收、分布、代谢、排泄和毒性。如果在实验前能够准确预测化合物的药代动力学，就有可能降低药物发现的成本。

AI药物发现发展的关键和挑战

如上所述，人工智能药物发现的发展有望进一步加速靶点选择，特别是药物发现过程的早期阶段。此外，虽然药物开发传统上侧重于小分子，但我们现在正处于人工智能使设计控制目标蛋白质的蛋白质成为可能的时代。此外，我们相信加速核酸药物、基因治疗、细胞治疗、再生医学等发展的人工智能技术也将出现。

医疗大数据的利用

　人工智能药物发现进一步发展的关键在于医疗大数据和医疗保健数据的利用。当然，基因组数据和血液中的各种生物分子数据很重要，但通过将它们与药物信息等医学大数据相结合，人们认为靶标的发现将进一步推进，疾病机制的阐明将进一步推进。我们还相信，如果能够与日常医疗保健数据相结合，就有可能预测症状前病症和疾病的预后。除了可以用智能手机或智能手表测量的活动量、心率和睡眠时间之外，通过利用AI的自然语言处理技术和图像分析，即使是患者及其家属手写的“观察记录”也可以成为有价值的信息。 （AIST 杂志“什么是自然语言处理？」「什么是生物功能测量？」）

另一方面，人工智能药物发现也面临挑战。首先，关于个人信息的处理。人工智能需要大量的数据来学习和提高其性能，但挑战在于如何收集大量的医疗数据。医疗数据通常是按医院进行管理的，因此很难在确保安全性的同时链接多个医院的个体患者数据。然而，如果我们创建一个系统，将各种医疗数据返回给个体患者，并允许他们轻松管理和利用它，那么就有可能将各种医疗数据与个体患者联系起来，并在患者同意的情况下收集大规模医疗数据。 （AIST 杂志“什么是网络物理安全？」）

数据质量保证和人力资源开发

　数据质量保证也存在问题。确保用于人工智能学习的生物相关数据的质量也很重要。在质量无法保证的数据上训练的人工智能以及该人工智能预测的结果的质量都很难保证。 （AIST 杂志“人工智能有哪些安全风险？」）

此外，人工智能开发的人力资源也至关重要。然而，培养既懂人工智能又懂药物发现的人力资源是很困难的，因此我们认为，各领域专家的互动以及数据科学领域的人力资源对药物发现领域产生兴趣并进入药物发现领域对于人工智能药物发现的发展非常重要。

AIST 的举措

旨在发现可作为药物发现目标的未知蛋白质功能位点

AIST 的生物数据科学研究小组正在开发技术来寻找蛋白质和 RNA 中的新药物发现靶点。

　特别是，我们关注的是一种称为隐秘口袋的口袋，只有当可以与蛋白质结合的化合物接近时，才会出现结合位点。蛋白质并不总是具有相同的结构；它们是动态变化的，并且这些变化与其功能密切相关。为了捕捉这些动态变化，我们正在开发技术，通过利用模拟原子水平运动的分子动力学计算，并将其与我们独特的结构变化分析方法和机器学习相结合，来预测与化合物相互作用的神秘口袋。

　此外，与疾病相关的氨基酸突变经常发生在蛋白质功能位点附近。通过利用此功能，还可以搜索未被发现的功能站点。因此，我们正在开发一种技术，通过全面收集与疾病相关的突变，并使用 AlphaFold 等结构预测人工智能将其映射到蛋白质结构上，来发现未知的功能位点，例如神秘口袋。

通过干湿研究的协同作用，为社会提供促进药物发现、诊断和治疗的技术

　我们小组的一个主要特点是我们可以进行湿研究（在实验室中处理细胞和生物分子）和干研究（利用模拟和人工智能处理计算机）。通过结合这些技术，我们不仅支持药物发现，还通过 RNA 修饰开发用于癌症诊断技术和基因治疗的高功能病毒载体。我们还相信，联合研究可以满足各种需求。如果您对这些技术和举措感兴趣，请联系我们。