数字工具与预测模型在药物发现中日益普及
随着新药开发通常需要10到14年且获批率持续偏低，数字化药物设计工具和AI正在药物发现领域加速普及。最新研究还描述了一种结合信息论预测模型与混合神经网络的方法，可为基于特定受体的药物设计筛选出有前景的活性样本。
数字化药物设计工具和AI正被整合到药物发现过程中，因为成功药物从发现到获批的典型时间线长达10到14年，有时甚至更久。将一种药物推向市场的成本可能从数亿美元到数十亿美元不等，而进入临床试验的药物中，最终仅约**12%**能够获得FDA批准。
已发表的每种获批药物研发成本估计值因研究方法和纳入项目不同而存在很大差异。一项有影响力的分析估计，按2013年美元计算，成本约为14亿美元的实际支出和26亿美元的资本化成本；而一项基于FDA批准数据的公开数据分析则估计，在基础情景分析中，将一种新药推向市场的资本化研发投入中位数为9.853亿美元，平均投入为13.359亿美元。与后期试验失败相关的财务损失，包括已沉没的开发成本，可能在8亿美元至14亿美元之间。
临床开发成功率因疾病领域和数据集而异。对2011至2020年项目进行的一项大型基准分析估计，从I期到最终获批的总体获批概率约为7.9%，其中肿瘤领域更低，约为5.3%。进入临床前测试的化合物中，只有一小部分能够推进到首次人体研究。
与药物发现相关的漫长周期和高成本，导致罕见病患者的医疗需求出现缺口。尽管全球约有3.5%到5.9%的人口、即约2.63亿到4.46亿人患有罕见病，但其中**95%**在美国没有FDA批准的治疗选择。在如此高的失败率导致资金和时间浪费的情况下，大多数试验都集中在更常见的疾病上，因为如果药物成功上市，这些疾病能带来更大的回报。
如今，数字化药物设计包括：用于模拟化合物如何与生物靶点相互作用的分子模拟；在庞大化学文库上训练、用于预测候选药物的机器学习模型；提出全新分子结构的生成式AI；以及将计算预测与实体实验连接起来的实验室自动化平台。到了2020年代，AI和机器学习已被整合进计算机辅助药物设计方法，深度学习模型带来了前所未有的预测精度。AlphaFold和其他生成式AI工具改变了结构预测和分子设计。
在1970年代之前，药物发现主要依赖偶然观察和反复试错筛选。自1970年代开始，利用计算技术进行的计算机辅助药物设计出现，并在1980年代及之后逐步增加应用。到了2000年代，结构生物学、基因组学和生物信息学开始推动计算机辅助药物设计的发展，蛋白质和化学文库呈指数级扩展，虚拟筛选也成为标准做法。
首批由AI设计的药物目前正推进临床试验，公司也在展示端到端的AI流程。根据一项估计，AI药物发现市场将从2025年的46亿美元增长到2034年的495亿美元，复合年增长率为30%。
最近一篇论文分析了用于药物设计的一组生物样本筛选结果中的信息论预测模型。与现有主要根据SMILES输入提供概率性生物活性谱的工具不同，所提出的系统纳入了与信息论预测模型集成的混合神经网络，以利用基于结构的数据和生物样本数据动态模拟药代动力学和药效学过程。根据这组生物样本特征，筛选出了两个活性样本，并且具有较高可靠性，同样适合用于基于formyl peptide receptor的药物创建。
论文称，研究人员可利用类别信息画像选择生物样本中最重要的特征，从而降低药物开发所需工作量并提高预测准确性。特征贡献分析识别出对生物样本活性状态有正向影响的特征，同时也确定了其影响强度。