人工智能和机器学习（AI/ML）正在改变传统药物发现模式。最新一波的人工智能进展将对高通量筛选试验的成本和复杂性产生重大影响。寻找新的方法来最大限度地提高检测的信息含量和生物相关性，同时降低试剂成本和每孔的材料消耗，从未如此关键。

 

AI驱动的药物发现：是时候让你的高通量筛选获得更多的数据收益了

 

人工智能和机器学习（AI/ML）正在积极地改变我们做事的方式，药物发现也不例外。最新的一波进展，包括强大的基础模型和迭代筛选应用的出现，将对高通量筛选（HTS）范式产生巨大影响。

 

基于AI的药物发现正在改变高通量筛选

 

AI/ML技术正在经历一次构造性转变，变化的涟漪波及制药业的每个角落。分析师估计，基于人工智能的药物发现的全球市场规模正以每年45.7%的速度增长[1]。按照这个速度，到2027年，它可能达到40亿美元。许多行业专家预测，到2030年，人工智能驱动的决策将在几乎所有新药的设计中发挥作用。

 

变革性的发展之一是人工智能驱动的迭代筛选，它有能力极大地提高药物发现中的发现效率。在迭代筛选中，化合物库被分批筛选，每轮筛选中最有希望的化合物是根据前一批的结果挑选出来的。虽然这一概念并不新鲜，但用人工方法实施起来太不实际，而且成本很高。然而，有了人工智能（使用机器学习）来进行挑选，迭代高通量筛选成为一种可行的、非常强大的替代蛮力筛选的方法。最近的一项研究表明，人工智能驱动的迭代筛选可以将传统高通量筛选的回报率提高一倍以上[2]，只需几次迭代就可以从35%的库中回收近80%的活性化合物。

 

使用AI基础模型是另一个新出现的趋势，具有改变药物发现模式的深远潜力。基础模型是一个快速构建人工智能系统的多功能平台。基础模型不是为一个特定的任务进行训练，而是使用广泛的、无标签的数据集进行训练。一旦训练完成，通常是通过自我监督学习，该模型可以快速适应，以处理新的任务，只需最小的修改。通过这种方式，一个基础模型可以作为许多新的人工智能应用的种子而被重新使用。

 

人工智能系统对数据的渴望

 

虽然基础模型的潜力令人敬畏，但创建模型本身正在消耗PB级的数据。起初，需要非常大的、高质量的数据集来进行训练和验证。

 

尽管已经从生物、化学、药理学和临床领域收集了大量现有的 "全能 "信息和 "大数据"，但其质量、覆盖面和对某些人工智能应用的适用性都很有限。因此，我们看到，利用专门为人工智能应用设计的高通量方法，产生大规模的生物数据集的举措正在激增。

 

越来越多的公司正在为药物发现中的AI/ML计划获得大量的资金。作为其战略的一部分，他们正在产生大量的精心策划的细胞成像数据，作为人工智能驱动的应用的潜在燃料，用于目标识别和解构、命中筛选、线索优化和早期毒性测试。

 

高通量筛选测定的成本越来越高

 

当涉及到将迭代式人工智能方法付诸实践时，高通量筛选检测数据的质量和信息内容至关重要。AI/ML引擎只有在得到高质量、可靠的检测数据时才能做出高质量、可靠的决定。这意味着可能会从通常为初筛选择的更简单的高通量筛选测定转向信息更丰富和生物相关的测定。

 

幸运的是，由于迭代方法支持从较小的化合物组中获得更高的命中率，节省的资源可以转移到支持使用成本更高的检测和模型系统，如iPSC衍生和三维细胞模型。在初级筛选的下游，我们还可能看到进入复杂表型试验的命中率增加，以便进行二次筛选、线索优化和预测性毒性测试。

 

从每口孔中榨取更多数据

 

由于上述原因，随着越来越多的公司利用人工智能驱动的高通量筛选模式的力量，我们可能会看到更多成本密集型检测的趋势。同时，高通量筛选的应用正在扩大，包括罕见疾病和样本量和样本量有限的研究。这进一步增加了寻找新方法来提高高通量筛选的成本效益的压力。

 

核心的挑战是如何最大限度地提高高通量筛选测定的信息含量和生物相关性，同时降低试剂成本和每孔消耗的材料。做到这一点的一个方法是通过与微孔板的强强联合。

 

Greiner Bio-One作为最具实力的微孔板产品生产商将成为您的不二之选。

 

参考文献

 

[1]https://www.marketsandmarkets.com/Market-Reports/ai-in-drug-discovery-market-151193446.html

[2]https://www.sciencedirect.com/science/article/pii/S2472555222066692