阿斯利康（AZ）是积极倡导在药物研发中使用人工智能方法的大型制药公司之一。本文整理了AZ官网中多篇AI药物研发相关文章的主要内容。
AZ正在从靶点识别到临床试验的整个研发过程中利用数字、数据和人工智能的力量。
使用AI的目的
今天，我们正在生成并访问比以往任何时候都多的数据。事实上，过去两年创造的数据比人类以前的整个历史还要多。但是，只有当我们能够分析、解释和应用这些数据时，这些数据的价值才能实现。
AZ正在使用人工智能来帮助破译这些丰富的信息，目的是：更好地了解疾病、确定新药的新靶点、预测要制造哪些分子以及如何制造它们、更好地预测临床成功、在临床上开拓新方法。
更好地了解疾病、确定新靶点
使用知识图谱将知识转化为洞察力
知识图谱是有背景的科学数据事实和它们之间关系的网络。AZ的知识图谱整合了基因组、疾病、药物、临床和安全信息，有助于克服偏差并将数据转化为见解。然后，机器学习和人工智能应用程序（如图形神经网络）可以挖掘这些数据，以发现以前未知的模式并做出新颖的靶点预测。
2022年5月，BenevolentAI与阿斯利康的合作实现了第三个里程碑（参见 BenevolentAI与阿斯利康的合作实现第三个里程碑，获里程碑付款）
AZ在GitHub上分享了部分内部知识图谱工作，见
https://github.com/AstraZeneca。
相关研究论文参见 阿斯利康｜知识图谱在生物医学中的应用
AZ的知识图谱使研究人员能够提出有关基因、疾病、药物和安全信息的关键问题，以帮助确定药物靶点并确定其优先级。而且，随着数据和知识的不断发展，知识图谱也将不断发展，这意味着每个新实验都将从之前学到的知识中受益。
揭示基因组、转录组、蛋白质组和代谢组的秘密
基因组学
过去，我们的大多数药物靶点都是通过梳理已发表的科学文献，以了解与疾病有关的分子途径或遗传变异发现的。AZ现在的目标是通过最近在基因组学、功能基因组学以及机器学习和人工智能方面的投资，专注于识别原始的新靶点。
发现更好的靶点的旅程始于建立对生物学的深刻理解。这越来越多地来自于基因组学的洞察力，无论是从病人和公共生物库，还是从组织和肿瘤样本，目的都是为了确定支撑疾病的基因改变。
AZ拥有PB级的基因组学数据。AZ的基因组学研究中心（CGR）团队正在努力争取在2026年前分析多达200万个基因组。AZ使用最佳实践的云环境来处理和应用先进的数据和人工智能工具来解释庞大的基因组学数据，比以前更快、更有力。
2022年10月11日，DNA测序和阵列技术的全球领先者Illumina宣布与阿斯利康开展战略研究合作，通过结合双方在基于人工智能的基因组解释和基因组分析技术方面的优势以及行业专长，加快药物靶点的发现。参见 AI 基因组学加速靶点发现｜Illumina与阿斯利康开展战略研究合作
转录组、蛋白质组、代谢组和脂质组
技术的进步和成本的下降使我们有可能对数千名患者的组织进行多组学特征分析--包括基因组、转录组、蛋白质组、代谢组和脂质组分析，再加上多模态成像和详细的临床数据，可以建立疾病状态和患者群体的表型"指纹"。
从这里，我们不仅可以发现负责驱动疾病的途径和靶点，而且可以发现支撑具有复杂的、经常重叠的表型的疾病的共同机制。
许多疾病，如肝脏、肾脏和心脏疾病，都是由炎症等共同机制驱动的，但我们却试图将它们作为独立的实体来对待。我们过去一直受到阻碍，因为我们以一种非常孤立的方式对待科学，只关注一个特定的器官或疾病，而事实上这些情况是由共同的生物学原理联系起来的。
以这种方式分析多个复杂的数据集，只有在计算技术进步的情况下才有可能。近年来，我们看到了基于知识图谱的强大的ML/AI工具的发展，这些工具捕获了关于对象或概念--如基因、药物、疾病或分子途径--以及它们之间关系的详细信息。
探索这个相互关联的数据空间可以产生新的见解，确定潜在的药物靶点，以及揭示现有药物可能被重新利用的机会。
预测接下来要制造什么分子、如何制造
在新靶点发现之后，必须找到更有效的方法来设计影响这些靶点的传统或新型疗法，并使之能够成功地进入管线。
传统上，产生新颖分子需要经历漫长而密集的优化周期，包括制造和测试分子，以及手动审查大量文献和数据。今天，AZ使用人工智能来帮助在最短的时间内推断出最好的分子，涉及其70%的小分子化学项目。
阿斯利康研究人员开发了一个基于AI的药物从头设计工具REINVENT，参见 REINVENT2.0：阿斯利康基于AI的从头药物设计工具
关于AZ如何使用AI进行临床前药物发现，参见 近年来阿斯利康在AI药物研发领域发表的15篇论文
人工智能还帮助AZ设计和开发其他治疗方式，包括肽或蛋白质疗法、基于核苷酸的疗法和基于细胞的疗法。
阿斯利康iLab：未来的自动化实验室
人工智能、自动化和机器人技术有可能改变我们发现和开发新药的方式。当我们在研发中嵌入这些功能时，它们提供了更快地做出更好决策的前景。位于瑞典哥德堡的阿斯利康iLab是AZ全自动药物化学实验室的原型，通过与分子AI团队无缝集成，将药物发现的设计-制造-测试-分析周期（DMTA）推向新的效率高度。
关于阿斯利康iLab的介绍参见 AstraZeneca iLab｜阿斯利康的未来全自动化实验室简介
通过数据科学和AI加速临床试验
随机临床试验（RCTs）目前是制药公司评估潜在新药的首选方法。然而，公布的数据显示，随着时间的推移，它们变得更加昂贵和复杂。数据科学的进步可以帮助我们重新思考临床试验，加强当前的实践，并找到发现和开发潜在新药的新方法。例如，高质量电子健康记录（EHR）的快速采用代表了一个庞大、丰富且高度相关的数据源，在改善临床试验实施方面具有巨大潜力。
联合EHR技术正在为加强临床研究和改变我们进行临床试验的方式带来新机遇。该技术有可能改进或取代许多临床试验流程，包括患者识别、选择、试验进行和数据采集。
AZ还采用人工智能和机器学习工具，从临床试验数据中收集更多价值。
机器学习和人工智能也被用于临床试验中的事件裁决，使我们能够优化不同阶段的流程，以减少整体时间。
数据重用可以帮助我们更好地设计药物开发策略和计划。这可以帮助我们设计更智能的试验，加强我们的科学发现，并最终在未来帮助我们的患者接受最好的治疗。
使用AI进行快速、准确的图像分析
使用先进的分子成像（最近由质谱技术推动），AZ的科学家能够以以前不可能的深度和细节探测和分析组织样本。通过利用人工智能和机器学习的力量，完整的分子复杂性终于变得可破译，并且已经揭示了有可能从根本上改变未来药物发现和开发的见解。
AZ训练了人工智能系统对肿瘤细胞和免疫细胞进行生物标志物（PD-L1）评分，它有可能帮助为基于免疫疗法的膀胱癌治疗决策提供信息。
对疾病的分子理解如何帮助评估药物安全性
现代药物发现需要在细胞水平上尽可能详细地了解化合物对人体组织的影响。
几十年来，科学家们一直使用传统的组织学和组织病理学技术，对组织样本进行染色，并在显微镜下寻找特定的细胞形态、标志物和信号。为了弄清药物分子在体内的去向（生物分布），以前唯一的选择是自动放射学，这是一种昂贵而费力的放射性标记方法，只能对单一目标的分布进行成像，能力有限。
现在，通过构建一套先进分子成像能力的创新技术，AZ了解疾病过程和评估药物疗效和安全性的能力有了质的飞跃。这些技术能够以前所未有的深度探测每一个组织样本--无论是来自病人活检、动物模型还是先进的细胞培养物。将这些非凡的检测能力与人工智能和机器学习令人难以置信的分析和解释能力相结合，意味着我们可以以开放的心态探索未知的领域，寻找未知和意外。
创建“Google地球”视图
当今先进的分子成像技术（特别是质谱成像，MSI）意味着我们现在可以创建有史以来最详细的分子图谱。就像谷歌地球软件可以将地球的卫星视图精确到单个街道和建筑物的3D视图一样，AZ的新的成像功能能够从微观放大和缩小到宏观水平，然后再缩小。
AZ检测到的每个分子都有自己的地图，由来自不同角度的数以万计的图像拼凑在一起。可以同时“看到”药物分子、生物标志物和组织微环境，并从基因组和分子的角度到细胞、组织、器官和患者水平检查图片。大量数据集来自健康、患病和药物治疗的组织样本，然后可以通过人工智能和机器学习技术进行挖掘，以发现比以往任何时候都更复杂的模式、联系和关系，将信息转化为洞察力，将洞察力转化为知识。
有了这些知识，我们将更有能力设计安全有效的药物，开发最佳的药物输送方法，制定适当的剂量并监测疾病进展。
拥抱数据和AI的伦理
数据科学和人工智能有可能改变制药行业，从如何识别新药靶点和设计临床试验，到优化我们的供应链以及根据个人客户需求个性化我们的医疗和销售范围。AZ正在整个组织中拥抱数据科学和人工智能。
随着AZ在数据科学和人工智能方面的投资不断增长，对自动化、增强甚至自动化工作的伦理影响的关注也在增长。
为了确保AI方法与AZ的可持续发展承诺和公司价值观保持一致，AZ发布了数据和人工智能道德立场声明。该立场声明概述了五项原则：
AZ的数据和人工智能道德原则
执行副总裁、可持续发展和首席合规官Katarina Ageborg称，合乎道德的方法对于确保所有人都能分享人工智能的好处至关重要。我们欢迎世界各地监管机构已经出台的指导方针，但还有更多工作要做。我们希望与监管机构和合作伙伴合作，帮助塑造一个可持续的环境，让创新和负责任的人工智能蓬勃发展。
参考资料
https://www.astrazeneca.com/sustainability/ethics-and-transparency/data-and-ai-ethics.html
https://www.astrazeneca.com/what-science-can-do/topics/data-science-ai/digitising-labs-unleashing-data-and-AI.html
--------- End ---------
