Page 149 - 基于深度学习的人工智能技术研究

第五章 人工智能技术的应用与发展

络结构有多层感知 / 反向传播神经网络、循环神经网络、贝叶斯神经网络等。反
向传播神经网络是最常用的有监督神经网络。Khan 等使用反向传播神经网络，
通过将未知配体的 2D 描述符与已知配体的 2D 结构描述符相匹配，来预测配体
的药物代谢（ADMET）性质。循环神经网络以其独特的链式结构，赋予神经网

络以记忆的属性，使其对于药物设计中序列类型数据的处理具有天然的优势。
Yasonik 等使用循环神经网络根据分子属性对分子进行等级划分，以提升分子优
化的结果；Li 等则用其开发潜在的激酶抑制剂。贝叶斯神经网络不像传统神经网
络那样学习精确的权重（和偏差）值，而是学习权重的分布，使之在药物设计的

任务中相对于传统的神经网络拥有更好的鲁棒性。贝叶斯神经网络模型已被用来
预测多肽与 MHC- Ⅱ类分子结合的定量构效关系。实践证明，不同结构类型的神
经网络都可以在计算机辅助药物设计当中发挥自己独特的价值。
多年来，利用氨基酸序列预测蛋白质结构也是计算机辅助药物设计中的一大

热点，随着 DeepMind 公司的开源人工智能系统 AlphaFold 的出现，药物研究者
可以借助人工智能的翅膀，更加准确地预测蛋白质的形状。AlphaFold 主要应用
于医疗保健和生命科学领域，在药物研发领域也具有极大潜力。事实已经证明，
人工智能已经全方位推动了药物设计进程，很大程度上助力了新药的研发，可以

说，人工智能在计算机辅助药物设计领域将扮演着不可替代的角色。
4. 临床试验决策
临床试验的决策是一个复杂且充满风险的过程，一个决策的成功与否往往就
会关系到一家公司的生死存亡。临床试验具有许多痛点：首先，临床试验是一个

缓慢且耗资巨大的过程，将一种新药推向市场往往需要耗费 10~15 年的时间，花
费 10 亿美元以上，其中大约一半的时间与金钱会花费在临床试验阶段，并且在
临床试验中需要上千名受试者参与药物疗效的验证；其次，临床试验是一个高失
败率的过程，虽然生物技术与药物研发企业在不断地加大对新药研发的投入，但

获批的新药数目大约每 9 年减少一半，临床试验的失败率居高不下，新药研发的
困难日渐加重；最后，不精准的患者选择、患者招募和保留的困难，以及缺乏有
效管理和监测患者的手段，都导致高的试验失败率并增加研发成本。
人工智能的发展为解决当前临床试验面临的困境提供了可能。在临床试验设

计、患者匹配、患者检测以及数据共享等方面，人工智能可以全方位地参与到临
床试验决策。对于临床试验设计而言，由于研究方案日趋复杂，数据来源不断增

141