机器学习从药物发现转向设计：一场临床价值投资的回归

机器学习在早期药物开发中的作用是什么？

目前，该工具已在药物设计而非发现领域找到了自己的定位。当然，这是技术的一个功能，但Vevo Therapeutics公司的机器学习研究专家Will Connell认为市场动态正在关键地塑造这一趋势。

• 机器学习在药物流程中的应用转变？
• 市场动态如何，有哪些变量？
• 该领域投资重点是什么，资源给了谁？
• 谁首先从机器学习工具中受益最多？

从发现到设计的转变

但在过去的几年里，Will Connell相信已经从强调机器学习驱动的发现转向机器学习驱动的设计。

最初，机器学习被视为科学发现的潜在颠覆者，有望揭示疾病生物学的新机制和见解。然而，该领域已经经历了期望的重新调整，机器学习现在在面向设计的流程中找到了一个更狭窄但更适用的角色。

这代表着从“first-in-class”方法到“best-in-class”方法的转变，其中机器学习有助于加速针对既定目标和已知生物学的设计迭代。

图：药物研发过程及每一环节的成功率

据不完全统计，在进入临床研究阶段后，90%的候选药物会在I、II、III期临床试验和药物上市审批阶段中失败。

不断变化的市场动态

在私募市场中，团队无法再依靠平台的潜力生存。

首先，每个人都有一个平台。

其次，资本现在正流向风险更低的机器学习应用，这些应用具有明显的优化和快速的反馈周期。这是该技术在工程问题上的应用，而不是科学问题。

平台与管线

在对更切实成果和通向可销售治疗资产的明确路径的需求的推动下，随着前几年证据的积累，投资策略也不断发展，重点已从研究加速转向管线推进，资源也相应重新分配。

这种转变给许多早期企业带来了困境，因为他们必须在机器学习对平台潜力的最初愿景与优先考虑管线项目的必要性之间取得平衡，这是经典的“平台与管线”权衡。

目前的应用

目前，投资趋势有利于机器学习驱动的企业，这些企业可以快速展示潜在的治疗资产。基于结构的生成模型特别符合这一要求。

然而，与传统方法（例如，进化抗体精制和合理药物化学）相比，迭代设计周期的持续时间和效率仍然存在问题。机器学习并不是曾经设想的包罗万象的解决方案，而是药物开发过程中几个特定阶段的强大工具。

目前，作者认为影响最大的步骤包括从候选物到先导化合物（hit to lead）和先导化合物的优化（lead optimization）。值得注意的是，这些阶段只是药物开发的几个方面，重要的是，它们并不是最大的资源瓶颈。

展望未来

人们普遍关注基于结构的生成模型以加速治疗资产的开发，这源于可行的技术利基和外部融资需求。

一个关键问题是，在设计阶段，机器学习是否真的比传统方法具有显著的效率优势。

如果是这样，这种转变甚至可能为药物设计公司新领域的出现铺平道路。这些公司的特点是独特的合作战略和交易方法，摆脱了传统上对少数发展项目及其转化为资产的过度依赖。