AI药物研发公司Insilico Medicine的理念、技术与特点
文章来源于微信公众号 智药邦（ID：PHAIMUS）
药物研发困难重重。
对此，高举AI大旗的Insilico Medicine如何解读，如何行动？
漫漫药物研发路
这一过程涉及疾病假说的确认、疾病或病理关键靶点的发现和验证、苗头化合物（hits）和先导化合物（leads）的筛选测试、先导化合物关键参数（药代动力学性质、安全性、生物利用度等）的同步优化、动物试验上活性和安全性的证实、被监管机构批准后的临床试验等。
漫漫药物研发路（图片来自网络）
在过去数十年的时间里，制药行业已经将药物研发的方方面面反复“拆解”、“组装”，从头到尾研究和实践了无数次，然而，药物研发的生产率仍然非常低下，失败率高达90%。
低效的原因到底在哪里？对于这一问题，业界已有很多解读，不少制药公司和机构也从不同的角度进行了持续的探索。
值得一提的是，近几年的时间里，AI在制药行业的应用颇受关注。
接下来，本文将对AI药物研发公司Insilico Medicine提高药物研发效率的理念、思路和活动进行分析。
Insilico认为研发阶段之间的脱节是关键原因
Insilico认为，生物系统的巨大复杂性和我们对自然运作方式的有限理解，是药物研发低效的主要原因。在此之外，最关键的原因是不同药物研发阶段之间的显著脱节：
药物的生物学研究是由一家公司完成的，而化学研究则是由另一个部门甚至是另一家公司主导进行的，随后的临床研究又是由另一个部门或机构进行的。这些阶段的过渡，例如从靶点验证到苗头化合物发现的过渡，有可能是埋葬许多绝妙想法、突破和巨额投资的坟墓。
专注于药物研发过程的某些特定阶段，是大多AI驱动的初创公司的通常做法。然而，Insilico认为，只有将AI用于联系药物研发各个阶段，并搭建一个从假说到临床前和临床阶段的一体化的系统，才能实现真正的颠覆性转变。
Insilico的AI药物研发一体化系统
Insilico布局了三个关键抓手
到目前为止，Insilico选择自建三个关键模块：用于靶点发现的PandaOmics，用于分子生成的Chemistry42、用于临床试验设计和预测的InClinico。
PandaOmics。
从2015年起，Insilico建立了一百多个不同的模型，这些模型使用不同的方法进行靶点发现，并结合了最佳实践以及已有的知识和经验。
PandaOmics可以用来分析组学（Omics）数据，也可以用来分析通路数据（采用一种名为iPanda的专利通路分析方法来推断通路激活或抑制），结合对整个文本数据池的分析，提出药物靶点假设，并对靶点进行评估。
Chemistry42。
Chemistry42是一款用于药物设计的自动化机器学习平台，能够于1周内发现全新的类似先导化合物的分子。该模块包括生成引擎和评分引擎，可为任何可用的目标结构或小分子配体设计新的分子，测试新骨架的性能，优化结合亲和性，并借助化学复杂性、人工合成可及性、代谢稳定性等方面的评价规则，来引导分子生成。
每一种新生成的分子都会被标注属性（如物理化学参数、结合分数、与药物相似的特征），并映射到客户的药物数据库中，以获取相似性和新颖性方面的信息。
InClinico。
为了提高大型制药公司对AI药物发现范式的信任度，AI药物研发公司最好能自己将AI系统发现的候选药物带入临床。
在临床前和临床阶段，InClinico利用了有关靶点、疾病、临床试验甚至参与研究的科学家的大量数据。Insilico认为，前瞻性验证是预测临床试验结果的最佳方式。
相对于PandaOmics和Chemistry42，Insilico对InClinico的介绍并不多。
创始人Alex Zhavoronkov
以技术研究和专利构筑壁垒
Insilico关于靶点发现的研究论文：
Insilico关于新型分子生成的研究论文：
Espacenet中检索到的Insilico的专利数据：
通过开放合作来完善AI药物研发系统
Arctoris从事实验室自动化和机器人技术的开发。Arctoris构建的云实验室，可以每周7天、每天24小时、远程执行实验计划，生成完全可复制的数据，包括完整的元数据捕获。
外界以为我们缺乏数据，事实上我们并不缺乏数据，问题在于验证结果的速度。
-----Insilico创始人Alex Zhavoronkov
肺纤维化研究是概念验证研究的里程碑事件
该新型候选药物的I期临床试验计划于2021年12月进行。
新靶点是由PandaOmics 生成的。以靶点作为基础，Insilico利用Chemistry42设计了一类新型的小分子抑制剂。
整个研发过程，从作出疾病假设到提供临床前候选药物，只用了不到18个月，只花费了约为200万美元的经费，研发成本相当于类似项目的十分之一。
提高速度和降低成本的道路并非一帆风顺。
2015年，Insilico开始了生成式对抗网络（GAN）的早期探索性实验。2016年6月，发表了对抗式自编码器（AAE）生成新分子的研究论文。后来对基于GAN的AI药物设计平台进行了一些改进和新功能设计，并申请了专利。
2017年，Insilico建立了多个工作GAN模型，包括指纹druGAN、SMILES的ORGAN、各种带有强化学习和LSTM的循环神经网络（RNN）架构、敏捷时间卷积网络（ACTN）和强化对抗神经计算机（RANC）。2018年，Insilico在构建和验证一个强大的深度生成模型"生成式张量强化学习" （GENTRL）方面取得了进展。
与制药公司的合作
机器人技术未来前景广阔
https://pharmaboardroom.com/interviews/alex-zhavoronkov-ceo-insilico-medicine/
（智药邦 侯小龙）