人工智能在藥理學(xué)研究中的應(yīng)用進展

摘要

該綜述分析近年來大數(shù)據(jù)及人工智能技術(shù)在藥理學(xué)領(lǐng)域中的應(yīng)用現(xiàn)狀及展望。在信息化時代，大數(shù)據(jù)和人工智能技術(shù)的出現(xiàn)是不可避免的，它們不僅推動了生物醫(yī)學(xué)的進步，也為藥理學(xué)的發(fā)展開辟了新的道路。人工智能應(yīng)用于新藥研發(fā)、健康管理以及臨床合理用藥等方面，是一個涵蓋多元維度且持續(xù)發(fā)展的領(lǐng)域。該綜述論述了人工智能在藥理學(xué)方向不同階段的應(yīng)用情況并對現(xiàn)存不足進行討論，最后作出展望。

正文

20世紀(jì)50年代，“人工智能（artificial intelligence，AI）”[1]概念被提出，旨在借機器學(xué)習(xí)模擬人類智能并推動高層次智能應(yīng)用。此后AI呈高速發(fā)展態(tài)勢躍升為新時代科技產(chǎn)業(yè)革新的關(guān)鍵力量。大數(shù)據(jù)因為其數(shù)據(jù)集的龐大和錯綜復(fù)雜，從而無法使用傳統(tǒng)的技術(shù)工具進行分析。然而，大數(shù)據(jù)及其知識服務(wù)平臺已經(jīng)成為當(dāng)今信息化時代發(fā)展的重要基礎(chǔ)，如何將海量繁雜的數(shù)據(jù)進行處理為我們所用是當(dāng)前一大困難。隨著微陣列技術(shù)、轉(zhuǎn)錄組測序[2]和高通量測序（high throughput sequencing HTS）技術(shù)的出現(xiàn)，生物醫(yī)學(xué)數(shù)據(jù)的大量產(chǎn)生，使得新藥研發(fā)進入一個新時代。AI的發(fā)展為大數(shù)據(jù)分析提供了便利，有利于從海量生物醫(yī)學(xué)數(shù)據(jù)集中提取的有用表征、范式和架構(gòu)。AI的機器學(xué)習(xí)[3]包含多種計算方式與科學(xué)技術(shù)，卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural net?work CNN）和遞歸神經(jīng)網(wǎng)絡(luò)（recursive neural network RNN）是其典范，它們在AI處理大規(guī)模數(shù)據(jù)時進行訓(xùn)練，從而實現(xiàn)模型效率的最大化。目前，AI技術(shù)在新藥研發(fā)、新藥上市后評估等領(lǐng)域均有應(yīng)用。

1

AI發(fā)展歷程

深度學(xué)習(xí)和機械學(xué)習(xí)是AI技術(shù)的兩項關(guān)鍵突破。深度學(xué)習(xí)模型通過自動提取特征減少人工依賴性，使短時間內(nèi)處理大量數(shù)據(jù)推動新藥研發(fā)成為可能，而機械學(xué)習(xí)技術(shù)的創(chuàng)新能力，對藥物研究的幫助不僅可以鑒別、評價，還能進行創(chuàng)新性開發(fā)。這兩項突破分別增強了AI技術(shù)的普適性和開拓性，進而推動其在藥理學(xué)領(lǐng)域研究進程。2012年，AlexNet顯著提升了深度卷積網(wǎng)絡(luò)（convolutional neural network CNN）在視覺領(lǐng)域的表現(xiàn)，為后續(xù)AI在藥物分子結(jié)構(gòu)解析等方面的視覺相關(guān)應(yīng)用提供了可能；隨后2015年，ResNet成功解決了深度網(wǎng)絡(luò)退化的問題，這為AI在藥理學(xué)中面對大規(guī)模、高維度的藥物數(shù)據(jù)處理時能夠更精準(zhǔn)地挖掘數(shù)據(jù)潛在規(guī)律和特征并通過圖數(shù)據(jù)進行表示，如藥物分子相互作用、蛋白質(zhì)相互作用等關(guān)系；2016年GCN的出現(xiàn)使得AI能夠更好地理解和分析這些復(fù)雜的關(guān)系網(wǎng)絡(luò)，從而為藥物研發(fā)中的靶點發(fā)現(xiàn)、藥物組合優(yōu)化等環(huán)節(jié)提供了新的方法和思路；2017年Transformer模型在序列數(shù)據(jù)處理上取得突破，從而提高了對藥物分子和蛋白質(zhì)結(jié)構(gòu)與功能預(yù)測的準(zhǔn)確性，加速了新藥研發(fā)的前期研究進程；AlphaFold在2017~2018年提升了蛋白質(zhì)3D模型預(yù)測精度，這對理解藥物與靶點的作用機制至關(guān)重要；2022年，Chat?GPT[4]上線，作為最先進的人機對話系統(tǒng)，科研人員能更便捷地與AI進行交互，獲取藥物信息、查詢研究資料、探討實驗方案等，進而提升了藥物研發(fā)過程中的信息交流和知識整合效率。目前，隨著生物信息數(shù)據(jù)庫建立、醫(yī)學(xué)診療的電子化和智能化以及組學(xué)技術(shù)日漸成熟[5]，AI可以將多源信息綜合分析，為臨床診斷決策、個性化醫(yī)療的制定、新藥研發(fā)以及大數(shù)據(jù)分析等方面提供重要的理論依據(jù)。與傳統(tǒng)昂貴又漫長的藥物研發(fā)過程相比AI技術(shù)在藥物開發(fā)過程中更加高效。近年來，向FDA藥物評估與研究中心提交的AI和機械學(xué)習(xí)相關(guān)監(jiān)管文件明顯增加，反映了AI在藥物未來發(fā)展上的巨大潛力。

2

AI在藥理學(xué)領(lǐng)域的相關(guān)應(yīng)用

2.1 靶點藥物研發(fā)

確定正確的藥物靶點是新藥研發(fā)的首要步驟。藥物靶點[6]是指藥物在體內(nèi)的結(jié)合位點，包括受體、酶、離子通道和核酸等生物大分子，識別藥物有效靶點是藥物研發(fā)的核心，而發(fā)現(xiàn)和驗證大量分子靶標(biāo)的工作顯著增加了藥物開發(fā)的復(fù)雜性。利用大數(shù)據(jù)技術(shù)可以分析海量的醫(yī)學(xué)文獻和生物數(shù)據(jù)，推動組學(xué)領(lǐng)域進步，幫助發(fā)現(xiàn)新的藥物靶點、設(shè)計新的藥物分子結(jié)構(gòu)，加速藥物研發(fā)進程；通過整合臨床數(shù)據(jù)、分子生物學(xué)數(shù)據(jù)和藥物化學(xué)數(shù)據(jù)，建立藥效預(yù)測模型，幫助預(yù)測藥物的療效和副作用，為個性化藥物治療提供依據(jù)[7]。例如Insilico Medicine公司開發(fā)了一種治療肺纖維化疾病的新藥TNIK，該藥開發(fā)過程采用了生成式AI已經(jīng)進入臨床Ⅱ期試驗，是首個利用生物AI發(fā)現(xiàn)靶點并利用化學(xué)AI生成分子的藥物。該藥物的開發(fā)效率比傳統(tǒng)方法提高了3倍，且成本僅為原來的1/3。科學(xué)家開發(fā)了一種機器學(xué)習(xí)算法，用于模擬藥物發(fā)現(xiàn)早期階段的化學(xué)過程。利用這種算法成功合成了32種針對多種癌癥相關(guān)蛋白的多靶點候選藥物。這些藥物可與MEK1和mTOR這兩種細(xì)胞信號蛋白相互作用，被認(rèn)為是癌癥聯(lián)合治療中的潛在靶點。

2.2 新藥物分子的設(shè)計

新藥設(shè)計[8]旨在創(chuàng)造針對特定生物靶標(biāo)選擇具有活性的新型分子化合物。此過程涉及通過計算、實驗及臨床模型發(fā)現(xiàn)活性藥物分子，依據(jù)已知信號通路和靶點設(shè)計新藥。智能合成化學(xué)機器人是AI和化學(xué)合成2個方向的有機融合，生成式學(xué)習(xí)的應(yīng)用提升合成效率與可控性，加速藥物分子合成，為藥物優(yōu)化創(chuàng)造更多機會。首先，AI技術(shù)能從海量科學(xué)文獻、臨床試驗數(shù)據(jù)中挖掘信息，發(fā)現(xiàn)潛在關(guān)聯(lián)，提出候選藥物，并利用HTS快速識別活性分子，高效合成新藥。同時，AI能優(yōu)化合成路徑，降低成本。Insil?ico Medicine公司的AI平臺可以生成具有特定藥理活性的新分子結(jié)構(gòu)，利用AI算法能夠根據(jù)靶點的結(jié)構(gòu)和特性，設(shè)計出符合要求的小分子化合物，避免了大量不必要的化學(xué)合成和篩選工作進而節(jié)約成本。此外，AI預(yù)測蛋白質(zhì)與RNA結(jié)構(gòu)[9]對新藥發(fā)現(xiàn)至關(guān)重要，傳統(tǒng)方法雖準(zhǔn)確但耗時昂貴。AlphaFold等AI工具在結(jié)構(gòu)預(yù)測上取得進展，但主要關(guān)注一、二級結(jié)構(gòu)特征，對復(fù)雜3D結(jié)構(gòu)及非結(jié)構(gòu)化分子動力學(xué)預(yù)測仍存局限，變構(gòu)藥物結(jié)構(gòu)預(yù)測是目前一大挑戰(zhàn)。不過，AI正不斷推動化合物結(jié)構(gòu)預(yù)測發(fā)展，利用深度神經(jīng)網(wǎng)絡(luò)加速藥物篩選，降低研發(fā)風(fēng)險。

2.3 預(yù)測ADMET性質(zhì)

藥物的吸收（absorption，A）、分布（distribution，D）、代謝（metabolism，M）、排泄（excretion，E）和毒性（toxicity，T）（ADMET）性質(zhì)是評價化合物成藥性的關(guān)鍵指標(biāo)[10]，必須測試任何候選藥物的ADMET性質(zhì)以保證藥物的有效性和安全性。ADMET的化合物預(yù)測在新藥研發(fā)中占據(jù)了關(guān)鍵的地位。由于之前的機器學(xué)習(xí)研究表明，采用傳統(tǒng)機器學(xué)習(xí)模型和增加訓(xùn)練數(shù)據(jù)量并不能顯著影響預(yù)測精度，使用機器學(xué)習(xí)方法只能獲得有限的改進。然而，利用神經(jīng)網(wǎng)絡(luò)建模技術(shù)整合多個模型來預(yù)測ADMET的多個重要特征和理化性質(zhì)效果顯著。因此，通過不斷發(fā)展AI技術(shù)建立藥代動力學(xué)預(yù)測模型，驗證候選藥物的ADMET特性將推進藥物開發(fā)的進程。

2.4 活性化合物篩選

篩選活性化合物[11]是藥物研發(fā)過程中的重要一環(huán)，也是藥理學(xué)發(fā)展的重要組成部分。活性化合物篩選已從隨機與經(jīng)驗性方法，演進至HTS技術(shù)，針對特定分子靶點批量篩選，持續(xù)向高效快捷方向發(fā)展。AI在分析化學(xué)結(jié)構(gòu)、基因表達(dá)及遺傳數(shù)據(jù)上發(fā)揮關(guān)鍵作用，推動候選藥物多維優(yōu)化，結(jié)合虛擬篩選、物理化學(xué)特性、生物活性及毒性預(yù)測，形成有效迭代策略。AI輔助藥物開發(fā)主要分為基于結(jié)構(gòu)與基于配體的兩種方法[12]。前者側(cè)重結(jié)合親和力預(yù)測，后者則利用已知活性分子相似性建模。Zhavoronkov等開發(fā)的GENTRL工具，基于強化學(xué)習(xí)，僅兩月內(nèi)實現(xiàn)從設(shè)計到實驗驗證的DDR1激酶抑制劑開發(fā)，大幅降低成本。CNN成為未知目標(biāo)活性預(yù)測的有效手段，Hamza等利用CNN評估小分子生物活性，準(zhǔn)確率高達(dá)90.21%，并能預(yù)測生物活性化合物與靶蛋白的結(jié)合親和力，提升預(yù)測能力及評分功能。

2.5 藥物劑量優(yōu)化

劑量優(yōu)化側(cè)重于通過適當(dāng)?shù)慕o藥途徑或系統(tǒng)，且不損害患者的安全選擇最佳藥物劑量和給藥方案，研究藥物的有效性和安全性之間關(guān)系的定量特征為核心。適用范圍廣泛包括典型患者和亞健康人群。隨著藥物作用的生物機制日益復(fù)雜，以及藥物反應(yīng)的多維生物變異源，發(fā)展了基于機械學(xué)習(xí)增強劑量優(yōu)化策略。機械學(xué)習(xí)方法為定量系統(tǒng)藥理學(xué)（quantitative systems pharmacology QSP）[13]與藥物統(tǒng)計學(xué)中的藥物計量學(xué)之間搭建了先進的分析橋梁，促進了兩者知識的無縫融合。AI在QSP主要相關(guān)的4個應(yīng)用[14]：參數(shù)估計、模型結(jié)構(gòu)、復(fù)雜性降低和虛擬種群。參數(shù)估計通常受樣本可用數(shù)據(jù)影響，相對模型來說可用數(shù)據(jù)較小，利用AI來減少預(yù)期臨床效果與預(yù)計生物水平偏差從而提高準(zhǔn)確度。此外模型的構(gòu)建通常受人為因素影響，通過特征選擇技術(shù)包括（病理）生理學(xué)的生物特征來降低QSP模型的復(fù)雜性十分重要。創(chuàng)建更簡約的模型進而確定最佳劑量、給藥計劃和聯(lián)合用藥。結(jié)合臨床前和臨床數(shù)據(jù)來更好地預(yù)測化合物的毒性是非常有意義的，但劑量個體化的應(yīng)用也顯現(xiàn)出一些問題，如不適當(dāng)?shù)膮⑴c者，樣本容量較小，以及對缺失數(shù)據(jù)的處理不當(dāng)，導(dǎo)致研究中的方法缺陷和偏倚。因此，虛擬種群的研究發(fā)展是近年來藥理學(xué)領(lǐng)域的重要課題之一。

2.6 建立醫(yī)藥電子健康記錄

近年來，EHRs（electronic health records）[15]迅速崛起為生物醫(yī)藥學(xué)研究的熱門，其低成本、廣覆蓋的特性使得幾乎任何疾病的研究成為可能，相較于傳統(tǒng)方法展現(xiàn)顯著優(yōu)勢。特別是EHR與生物資料庫的融合，為“組學(xué)”數(shù)據(jù)與EHRs表型的結(jié)合開辟了新路徑，加速了研究成果的臨床轉(zhuǎn)化。在藥理學(xué)領(lǐng)域，EHRs的作用尤為關(guān)鍵，它們不僅助力識別藥物安全風(fēng)險和早期不良事件，還通過精準(zhǔn)提取特定表型信息，提高了患者群體識別的精確度。信息物理系統(tǒng)（CPs）結(jié)合藥物信息的應(yīng)用，顯著提升了算法的準(zhǔn)確性和性能，但同時Phillips等的研究警示了僅依賴診斷代碼可能導(dǎo)致患者高估的風(fēng)險。PEDSnet作為一個多機構(gòu)兒科研究平臺，通過融合藥物治療和診斷信息，在克羅恩病算法測試中實現(xiàn)了精度與靈敏度的最佳平衡，為藥理學(xué)研究提供了重要參考。深入探索EHRs數(shù)據(jù)的復(fù)雜性，將有助于設(shè)計更嚴(yán)謹(jǐn)、可重復(fù)性更高的藥理學(xué)研究，推動新藥開發(fā)和藥物優(yōu)化的進程。

2.7 評估藥物研發(fā)與應(yīng)用

對藥物研發(fā)和應(yīng)用過程中的安全性和有效性進行評估是藥理學(xué)領(lǐng)域的重要研究課題。藥物臨床試驗設(shè)計通過臨床試驗來評估新藥的質(zhì)量。藥物再利用則是基于已驗證安全性的藥物尋找新的治療用途。個性化醫(yī)藥則側(cè)重于根據(jù)個體的遺傳信息和生物標(biāo)志物來定制治療方案。合理有效的評估將為藥物研發(fā)全過程提供科學(xué)可靠的理論支持保障用藥安全，提升用藥水平。有利于應(yīng)對緊急衛(wèi)生危機、創(chuàng)新發(fā)現(xiàn)以及法規(guī)和政策支持等，進一步推進我國醫(yī)藥事業(yè)發(fā)展。

2.7.1 藥物臨床試驗設(shè)計

臨床試驗是臨床藥理學(xué)藥物研發(fā)的核心階段，而AI技術(shù)的融入極大地加速了這一過程，提高了效率與成功率。AI能夠智能化設(shè)計臨床試驗[16]方案，并利用機器學(xué)習(xí)技術(shù)精確篩選患者群體，確保他們嚴(yán)格符合試驗的入選標(biāo)準(zhǔn)。以AiCure的移動應(yīng)用程序為例，它通過監(jiān)測精神分裂癥患者的藥物服用情況，成功將患者的依從性提高了25%，為臨床試驗的成功奠定了堅實基礎(chǔ)。AI更為重要的功能是通過先進的分子建模技術(shù)深入優(yōu)化藥物特性，精確預(yù)測藥物的生物活性及潛在毒性，為藥理學(xué)家提供了強有力的工具，以篩選出更具前景的候選藥物，推動個性化醫(yī)療[17]的發(fā)展。此外，隨著大型語言模型的進步，AI能夠模擬人類的行為反應(yīng)，幫助研究人員更好地識別并管理特殊參試者，進而提升試驗的成功率和安全性。值得注意的是，AI在藥物化學(xué)領(lǐng)域的應(yīng)用并非取代研究人員的專業(yè)判斷，而是作為一種強大的輔助工具，與研究人員的專業(yè)知識相輔相成，共同加速和優(yōu)化藥物研發(fā)[18]的整個流程。

2.7.2 藥物再利用

設(shè)計、合成和測試新藥分子是一項長期、高風(fēng)險和高投資的項目。AI的應(yīng)用，例如生成對抗網(wǎng)絡(luò)（generative adversarial networks，GANs）等生成模型，通過大量的訓(xùn)練樣本大大推進新藥發(fā)現(xiàn)的進程。然而，對新的疾病通常只有很少的樣本可用，因此對已知藥物分子再利用可以及時有效開發(fā)藥物。在GANs生成器的微調(diào)過程中引入一種新的用于低數(shù)據(jù)藥物設(shè)計的分子生成結(jié)構(gòu)域自適應(yīng)模型（Mol?GenDA）[19]，在此基礎(chǔ)上，生成器可以充分利用預(yù)先訓(xùn)練得到的先驗信息并保證生成分子的質(zhì)量和多樣性，有效解決了使用少量參考藥物進行藥物發(fā)現(xiàn)的挑戰(zhàn)，這將有利于及時開發(fā)有效的藥物來對抗新的疾病爆發(fā)。

2.7.3 個性化醫(yī)藥

個性化醫(yī)藥是一種針對個體患者特異需求定制給藥方案的策略，其核心在于將患者細(xì)分為不同的亞群，這些亞群對特定藥物治療的反應(yīng)展現(xiàn)出差異性，旨在為那些預(yù)期能從中獲益的患者提供針對性的治療干預(yù)。在藥理學(xué)領(lǐng)域，多藥聯(lián)合治療策略日益受到重視，但其伴隨的藥物間相互作用問題也不容忽視。藥物間相互作用可能導(dǎo)致藥物失活、療效下降，甚至產(chǎn)生毒性反應(yīng)，增加患者的健康風(fēng)險。深度學(xué)習(xí)算法在此扮演關(guān)鍵角色，它們能夠自動從龐大的醫(yī)學(xué)數(shù)據(jù)集中萃取特征，進而構(gòu)建出高精度的預(yù)測模型，這些模型能夠準(zhǔn)確評估患者的風(fēng)險水平及對不同治療方案的反應(yīng)傾向。Johannet團隊開創(chuàng)性地開發(fā)了一套綜合性的分析流程[20]，該流程不僅深度整合了組織樣本的深度學(xué)習(xí)解析與臨床數(shù)據(jù)的洞察，而且專注于預(yù)測晚期黑色素瘤患者接受免疫治療后的具體反應(yīng)，為制定高度個性化的免疫治療方案奠定了的理論基礎(chǔ)。

2.8 藥物基因組學(xué)與藥物遺傳學(xué)的應(yīng)用

藥物基因組學(xué)（pharmacogenomics，PGx）[21]研究藥物暴露與基因組間的互作作用，藥物遺傳學(xué)[22]旨在評估與不同個體間DNA序列對藥物療效的差異。二者深度解析遺傳變異對藥效學(xué)（phar?macodynamics PD）、藥代動力學(xué)（pharmacokinetics，PK）和臨床結(jié)果的影響。對推動臨床藥理研究的發(fā)展起到重要作用。隨著基因型數(shù)據(jù)成本的降低以及表型數(shù)據(jù)的迅速增加，PGx領(lǐng)域得到了快速發(fā)展。在AI的助力下，基因分型技術(shù)的革新以及電子健康記錄表型分型手段的完善，使得科研人員能夠高效地將成千上萬種疾病表型與數(shù)以百萬計的藥物治療相關(guān)遺傳變異進行精確匹配。基因組學(xué)和PGx表型以及患者個體遺傳差異產(chǎn)生的數(shù)據(jù)量具有高容量、多種類、高速度和不一致特性。這些特點為揭示藥物反應(yīng)的新趨勢與復(fù)雜模式提供了新思路，但可能導(dǎo)致小規(guī)模實驗中的關(guān)鍵信息被海量數(shù)據(jù)所淹沒。AI通過精心篩選來自多個源頭的數(shù)據(jù)集，提煉出與個性化治療緊密相關(guān)的遺傳變異-表型關(guān)聯(lián)，自動化構(gòu)建PGx以及藥物遺傳組學(xué)分析模型進而對這些海量數(shù)據(jù)的深度挖掘與高效解析。AI進一步將個體患者特征與候選藥物的預(yù)測屬性聯(lián)系起來，以便為患者提供更加個性化的治療推動精準(zhǔn)醫(yī)藥[23]的發(fā)展。

2.9 精準(zhǔn)中醫(yī)藥以及中醫(yī)的應(yīng)用

精準(zhǔn)中醫(yī)理念[24]的核心，在于利用現(xiàn)代藥理學(xué)與AI技術(shù)，深度挖掘中醫(yī)藥對疾病的復(fù)雜作用機制。通過系統(tǒng)性方法，全面解析宏觀疾病證候、中西藥物與微觀細(xì)胞活動、基因調(diào)控、蛋白質(zhì)互作之間多層次和多維度的內(nèi)在聯(lián)系。這一過程中，AI技術(shù)發(fā)揮著至關(guān)重要的作用，它不僅能夠精確識別并理解這些宏觀與微觀元素間的相互作用模式，還能揭示跨尺度、跨領(lǐng)域的網(wǎng)絡(luò)節(jié)點與調(diào)控機制，實現(xiàn)中醫(yī)藥知識的智能化、精準(zhǔn)化表達(dá)與應(yīng)用。作為新興的交叉學(xué)科，中醫(yī)藥理學(xué)與AI的結(jié)合正在全球范圍內(nèi)掀起一場中醫(yī)藥研究的革命[25]，其方法論與理論正獲全球藥理學(xué)界認(rèn)可，為闡明藥物機制、優(yōu)化治療方案及推動精準(zhǔn)醫(yī)療提供新契機。中醫(yī)藥正積極融合AI技術(shù)，探索傳統(tǒng)與現(xiàn)代融合，為全球健康貢獻藥理智慧，開創(chuàng)現(xiàn)代化新篇章。

3

總結(jié)

隨著AI技術(shù)的飛速發(fā)展，AI的出現(xiàn)在人類生產(chǎn)生活發(fā)生了革命性變化。深度學(xué)習(xí)、機械學(xué)習(xí)等技術(shù)的不斷發(fā)展，使得AI廣泛應(yīng)用于醫(yī)藥健康領(lǐng)域，為開發(fā)新藥、推動合理用藥等多個方面提供了智能化引導(dǎo)。如何將這些研究成果轉(zhuǎn)化為實際的臨床應(yīng)用仍然面臨許多困難。首先，AI的成功依賴于數(shù)據(jù)源的完整性、真實性、通用性以確保可靠的預(yù)測結(jié)果，因此AI與臨床相結(jié)合的醫(yī)藥產(chǎn)業(yè)，是未來發(fā)展的趨勢。目前主要存在數(shù)據(jù)完整性不足、高質(zhì)量數(shù)據(jù)較少、數(shù)據(jù)共享程度低等問題，因此醫(yī)藥數(shù)據(jù)的數(shù)量和質(zhì)量問題將成為AI在藥物研發(fā)領(lǐng)域發(fā)展的一大阻礙。其次，雖然AI在藥理學(xué)方面已經(jīng)展現(xiàn)出巨大潛力，但它應(yīng)該始終堅持將技能和臨床判斷相結(jié)合。在醫(yī)藥領(lǐng)域采用AI時，必須要考慮監(jiān)管因素、數(shù)據(jù)隱私和道德后果特別是圍繞患者數(shù)據(jù)隱私的考慮，需要謹(jǐn)慎發(fā)展。定期監(jiān)測和評估AI系統(tǒng)的性能不但利于患者預(yù)后，而且有利于提高系統(tǒng)準(zhǔn)確性和穩(wěn)定性。醫(yī)藥從業(yè)者、數(shù)據(jù)科學(xué)家、倫理學(xué)家和其他利益相關(guān)者之間需要通力協(xié)作，才能使得AI在藥理學(xué)領(lǐng)域真正為人類造福。此外，我國在AI方面起步較晚造成缺乏高端人才也是一大障礙。

醫(yī)藥領(lǐng)域研究者應(yīng)繼續(xù)探索如何將AI與現(xiàn)有的藥物開發(fā)流程更緊密地整合，以提高藥物研究成功率和效率。盡管AI技術(shù)的一些研究成果開始運用于醫(yī)藥產(chǎn)業(yè)的多個專業(yè)領(lǐng)域，但整體上仍處于初步探索時期，在安全性和精確性等方面仍面臨一些挑戰(zhàn)。AI技術(shù)開辟了醫(yī)藥研發(fā)的廣闊前景，這要求醫(yī)藥人士及政府緊密把握這一歷史契機，主動參與并深化相關(guān)研究探索。AI技術(shù)的發(fā)展和應(yīng)用是貫徹堅持“四個面向”戰(zhàn)略導(dǎo)向，是實現(xiàn)醫(yī)藥強國的具體體現(xiàn)，旨在推動科技創(chuàng)新，促進人民生命健康，進一步提升國家的醫(yī)藥科技實力。

參考文獻

詳見《中國藥理學(xué)通報》 2025 Oct；41（10）：1830~4

識別微信二維碼，添加生物制品圈小編，符合條件者即可加入

生物制品微信群！

請注明：姓名+研究方向！

本公眾號所有轉(zhuǎn)載文章系出于傳遞更多信息之目的，且明確注明來源和作者，不希望被轉(zhuǎn)載的媒體或個人可與我們聯(lián)系(cbplib@163.com)，我們將立即進行刪除處理。所有文章僅代表作者觀不本站。