□ 侯小龙
磨合发展
为了更好地推进人工智能（AI）与制药场景相互“适配”，制药行业在一些关键方面采取了一系列措施，与AI在磨合中发展。
数据产生
在生物医药行业，数据可重复性等方面的数据质量问题一直存在。AI在药物研发中的探索和应用，让这类问题更加凸显。因此，一些AI药物发现初创公司除了使用通过公开来源、合作伙伴等渠道获得的数据以外，还寻求开发新的数据来源，如通过自建实验室、将“湿实验”部分外包给CRO来获得数据，或者借助远程机器人来生产数据等。
未来，AI对高质量大数据的需求有望推动药物发现数据生成的自动化和规模化。
数据共享
对于机器学习来说，数据量越大，预测的准确性就越高。为此，制药公司尝试组建联盟来开展基于AI的药物研发。如基于区块链和联邦学习搭建技术框架、在多家顶级制药企业之间共享药物数据进行AI药物发现的MELLODDY，致力促进AI在医药领域的进一步发展和实施的AAIH，设计开发促进小分子药物发现和合成自动化软件的MLPDS，旨在利用AI加速药物从靶点走向患者的ATOM等。
数据治理
新冠肺炎疫情发生以来，新冠病毒在全球范围内传播的同时，众多国家和地区呼吁共享新冠肺炎的研究数据和相关文献，并建议发布者同时提供可以直接应用AI的文本和数据格式，以便于再次研究和分析。未来，机器学习的可读性将成为医药数据库建设的重要方向。
政策引导
在我国已颁布的AI相关政策或规划中，大部分都将药物研发列为AI应用的关键场景。2020年12月，国家药监局药品审评中心（CDE）发布《模型引导的药物研发技术指导原则》；2021年4月，CDE发布《用于产生真实世界证据的真实世界数据指导原则（试行）》,这两个指导原则分别针对药物研发模型开发和真实世界数据治理。
SPIRIT 2013被广泛认可为临床试验方案的国际标准，CONSORT声明被认为是评价临床随机对照试验报告质量的国际推行标准。2020年9月，SPIRIT-AI和CONSORT-AI发布，为如何设计、开展和报告涉及AI的临床试验提供了框架，成为首份涉及AI的临床试验指南。
同时，为了更好地推进AI制药，AI工具箱中的几乎所有方法都被调用。
在过去的10年中，药物研发相关数据量急剧增加。各种各样的机器学习方法，如朴素贝叶斯、支持向量机及深度神经网络，被应用在药物发现和开发中。
但总体来说，制药领域往往面临可用数据有限的情况，可用数据的产生往往耗时且需要投入大量资金，而很多时候，机器学习可用的往往是小数据集。因此，小样本学习是AI的重要发展方向，且在化学反应预测、药物逆合成路线设计方面已有应用。
迁移学习可通过挖掘相关数据集中包含的知识来解决数据量不足的问题，目前主要应用于分子性质和活性预测、分子生成和基于结构的虚拟筛选。
此外，联邦学习在处理药物研发可用数据的问题上也有重要应用。联邦学习是Google AI在2017年推出的一种新的机器学习协作形式，训练过程分布在很多用户之间。不同于传统的实验科学，AI需要大量数据来建模，而药物研发数据产生所需的高成本，严重影响制药公司分享数据的积极性。联邦学习技术的采用，可以在多家制药公司的本地设备上训练AI模型，在药物研发中已有多个应用案例。
未来可期
药物发现工作量巨大，仅靠人工耗时费力。AI可以增加研究人员的“认知带宽”，更快地缩小搜索范围，减少寻找新药的时间和成本。AI还可以自主筛选来自公共数据库、开源应用和先前临床试验的大量数据，整合所有数据，并在此基础上形成假设。这样，药物研发人员将从大量的重复性工作中解放出来，获得更多的时间来思考科学假设，集中精力投入到创造性工作当中。
制药企业有庞大的、正在不断增加的数据，需要AI技术方法来梳理和开发；全社会各行业对于AI的关注、探索和应用尝试，势必加快AI技术方法的成熟和革新。如果“大规模数据→更准确模型→更多更好的药物→更多更好的数据”的循环逻辑在实践中落地成熟，AI制药将大大提速。
然而，任何技术的应用和推广都很难一蹴而就，螺旋式上升、波浪式前进是新事物的发展规律。数据驱动的药物研发或许还需要更多更深入的探索和实践才能真正体现AI的价值。