被AI催火的計算生物學賽道

近日，AI預測蛋白質結構又取得新突破?！吧顚铀季S”公司宣布，該公司開發(fā)的人工智能程序“阿爾法折疊”（AlphaFold）已預測出約100萬個物種的超過2億種蛋白質的結構，涵蓋科學界已編錄的幾乎每一種蛋白質。

據(jù)介紹，這些信息將上傳至可公開訪問的“阿爾法折疊蛋白質結構數(shù)據(jù)庫”。該數(shù)據(jù)庫由“深層思維”公司和歐洲生物信息學研究所合作開發(fā)，去年7月上線時已包含98.5%的人類蛋白質結構。

近幾年，AI預測蛋白質結構成績亮眼，各大國內外企業(yè)也紛紛入局。在AI激活、數(shù)據(jù)驅動下，AI預測蛋白質結構正從幕后走向臺前，其產業(yè)化發(fā)展也正進入一個新的階段。

AI預測蛋白質結構背后的計算生物學

蛋白質的三維結構決定了它在細胞中的功能。明確蛋白質的結構信息，在藥物研發(fā)等領域十分重要。傳統(tǒng)上，研究人員使用X射線晶體學等手段測定蛋白質結構，耗時費力且花銷不菲，卻常無法獲得所需結果?！鞍柗ㄕ郫B”通過學習實驗測定出的蛋白質結構信息，來預測其他蛋白質的三維結構，其預測準確度相當高。歐洲生物信息學研究所的數(shù)據(jù)顯示，阿爾法折疊有35%的預測是高度準確的，可媲美實驗測定結果；另有45%的預測足以在很多場景使用。

人工智能極大提升了蛋白質結構預測的效率，這也是AI預測蛋白質結構近幾年被人熟知的原因，但其背后的計算生物學卻已經歷多年發(fā)展。計算生物學是根據(jù)不同類型的生物數(shù)據(jù)構建算法和模型，從而理解生物系統(tǒng)本身，并推進相關研究及應用的學科。

隨著人工智能的發(fā)展，計算生物學正在被激活。浦發(fā)硅谷銀行《醫(yī)療健康行業(yè)投資與退出趨勢》報告顯示，2021年美國市場投向計算生物學公司的金額達到59億美元，一年增長高達3倍，超過非計算生物學公司投資的兩倍。在2019年以來首次完成種子輪/A輪融資的707家生物制藥和研發(fā)工具公司中，計算生物學公司有129家，占比為18%。2021年對計算生物學公司的投資額激增，幾乎是2019年和2020年募集資金總和的兩倍。

在我國，各研究機構和企業(yè)也正開展相關布局。如近日，由清華大學人工智能產業(yè)研究院孵化的AI制藥企業(yè)華深智藥對外宣布，其在AI和生命科學結合領域取得突破：研究人員在蛋白質結構預測方面開發(fā)出全新技術。據(jù)華深智藥官方介紹，該技術僅從單條蛋白序列就能預測出蛋白質3D結構的算法。

加速藥物研發(fā)、為精準醫(yī)療提供助力

計算生物學正在改善傳統(tǒng)制藥行業(yè)高投入、高技術、高風險、長周期的特性，加速藥物研發(fā)過程。有分析機構認為，目前我國計算生物學發(fā)展的主要方向仍是AI制藥，相關創(chuàng)業(yè)公司在2017—2021年呈現(xiàn)出爆發(fā)式增長，且都已獲融資。從商業(yè)模式上看，整個行業(yè)以面向企業(yè)提供服務為主。

除此之外，計算生物學也為精準醫(yī)療的實現(xiàn)提供了助力。

有分析機構認為，在應用方面，計算生物學產業(yè)可大致分為三類：一是計算推演生物性質及原理，如蛋白質結構預測、致病機理研究、蛋白質相互作用預測、抗體和抗原的表位預測、基于基因組學尋找疾病成因或尋找新型的生物標志物等。二是搭建預測及判斷模型，如AI制藥中基于靶點的化合物性質預測，疾病診斷、監(jiān)控、治療建模，涵蓋細胞、器官、人體的生物模擬器等。三是對生物體進行控制改造，如新療法、藥物開發(fā)、精準醫(yī)療和生物制造。其中精準醫(yī)療或將成為計算生物學長期的重點發(fā)力方向。在這個方向上，國外已出現(xiàn)了基于多組學布局的企業(yè)。

如2021年11月，阿斯利康、德國默克、輝瑞和梯瓦等6家大藥廠與亞馬遜、以色列生物科技基金共同推出了創(chuàng)新實驗室——AION Labs。該實驗室的模式是：在以色列初創(chuàng)生態(tài)系統(tǒng)下，建立和投資基于AI和計算生物學技術進行藥物發(fā)現(xiàn)和開發(fā)的初創(chuàng)公司，并為這些公司提供資源、指導，以及合作開發(fā)新技術，最后反哺制藥行業(yè)。AION Labs 在一份聲明中指出，其投資的初創(chuàng)公司將利用AI和云計算更快、更高效地找到新的治療方法，推進以患者為中心的精準醫(yī)療。

相關鏈接

實現(xiàn)商業(yè)化，計算生物學還需邁過這些坎

雖然計算生物學已逐漸走入人們的視野，但它要想實現(xiàn)商業(yè)化還面臨著一些關鍵瓶頸問題有待突破。

首先是對生物底層原理的進一步明確。目前，還有大量關于生物學本身的底層機制有待研究透徹，在進行模型構建、生物驗證時，需要引入這些知識來減少不符合領域認知的偏差，保證準確率。

其次是要有統(tǒng)一的計算和數(shù)據(jù)框架。計算生物學要最終落地，模型要能夠覆蓋多組學數(shù)據(jù)、多環(huán)節(jié)及功能并行。同時，還需要保證計算生物學中的多種異構數(shù)據(jù)，例如圖像、視頻、分子圖譜、DNA代碼、基因表達、電信號等，有明確的標準和通用格式，以便在不同算法和平臺之間互操作。

此外，還有消費級數(shù)據(jù)的獲取、工程落地能力、行業(yè)信任與模型可解釋性問題，以及數(shù)據(jù)隱私問題等。

(編輯:月兒)