AI药物发现面临数据墙与负数据缺失:Cytiva专家呼吁构建闭环数据生态
摘要:MIT Technology Review Insights 发布深度行业分析,聚焦AI在药物发现中的应用现状与挑战。文章指出,尽管AI在命中识别等环节显著提升效率,但模型训练遭遇“数据墙”——公开数据集缺乏负数据、存在发表偏倚,且生成式AI加剧数据造假风险。Cytiva蛋白研究战略总监Paul Belcher强调,高质量、完整的数据与实验室系统集成是迈向自主实验室的关键。文章展望未来两三年内AI设计药物有望获FDA批准,并探讨了成本与监管挑战。
AI药物发现:数据闭环是关键
药物发现是一项高风险、高成本的事业,自1950年代以来,新药研发成本每九年翻一番(Eroom定律)。如今,一款新药上市平均耗时10-15年,成本高达10亿至25亿美元,失败率超过90%。AI被制药行业寄予厚望,期望能提高成功率、缩短周期。
AI提升实验室效率
AI在早期药物发现中最有前景的应用之一是命中识别(hit identification)。传统方法通过物理筛选海量化合物库,而AI现在可以从头设计候选药物,并预测其与疾病靶点的相互作用,从而在物理测试前淘汰低质量候选物,节省时间和资源。Cytiva蛋白研究战略总监Paul Belcher指出,AI还能增加命中数量并提高命中质量,但同时也对实验室的高通量、信息丰富技术提出了更高需求,以验证和表征这些AI生成的复杂候选物。
模型需要完整、高质量的数据
随着AI加速对数据丰富实验室系统的需求,一个根本性问题浮现:数据质量与完整性。许多早期AI模型基于公开数据集训练,如今正遭遇“数据墙”——所有模型访问相同数据,结论趋同,收益递减。此外,公开数据集并非为AI设计,缺乏结构、标注和多样性,难以保证模型准确性和无偏性。
发表偏倚加剧了问题:公开数据集和科学出版物几乎只关注阳性结果,失败实验的数据被埋没在实验室笔记本中,从未用于指导未来研究。Belcher调侃道:“应该有一本阴性数据期刊。”缺乏负数据导致模型无法充分学习避免偏差,性能严重依赖训练数据的质量与范围。
生成式AI还使数据造假变得更容易。例如,Western blots(蛋白质检测标准技术)是生物医学研究中最常被篡改的目标之一。荷兰微生物学家Elisabeth Bik的研究发现,2016年近4%的生物医学论文包含重复或篡改的图像。在AI训练中,被操纵的数据可能带来灾难性后果。为此,一些供应商开始提供解决方案,如Cytiva的Image Integrity Checker,利用区块链同款的安全哈希算法检测科学图像是否被篡改,出版机构对此兴趣浓厚。
自主实验室:未来愿景
Belcher描绘的未来药物发现是“全自主实验室”(dark labs),以最少人工干预全天候运行,循环执行预测、测试、优化,并将结果反馈给AI模型以指导下一轮实验。这有望提高进入临床试验的候选药物成功率。但实现自动化高度依赖系统集成:需要互操作的系统、高度结构化的综合数据集,以及信息顺畅流动。目前大多数实验室尚未达到这一状态,许多仪器是独立的封闭生态系统。
集成基础设施可使实验室大规模生成FAIR(可查找、可访问、可互操作、可重用)数据,不仅能用于单个实验报告,还能训练下一代AI模型,从而在计算驱动的“干实验室”和物理“湿实验室”之间形成闭环。
成本与未来展望
AI驱动的药物发现仍处于早期,目前尚无完全由AI设计发现的药物获得FDA完全批准,但Belcher预计未来两到三年内将实现。终极目标是“全硅基预测”(full in silico prediction)药效和毒性,从而消除大部分湿实验室工作,但面临模型成熟度、监管障碍和成本等多重挑战。斯坦福研究显示,前沿AI模型的训练成本自2016年以来每年翻一番以上,给本就高研发投入的行业带来更大财务压力。
Belcher保持乐观:“只要计算成本不超过临床开发成本,AI就将成为优势。”
本文内容由MIT Technology Review Insights(定制内容部门)制作,非编辑部撰写,经人工审阅。
—— 完 ——主题标签: #AI药物发现 #数据质量 #自主实验室 #Cytiva #Eroom定律
编辑部与事实核查说明:本篇专刊由智客前沿资讯管线根据官方技术公告、学术论文及开源工程文档整理编译,经算法实体核验与人工编辑审校后发布。若发现技术事实纰漏,欢迎依据勘误方针或一键向编辑部发送勘误反馈。
社区整体评论区