盘点2018年十大新兴技术：人体变成“制药工厂”(2)

然而，在过去的十年里，“组学”（omics）技术取得了巨大的进步，能够快速、可靠、廉价地对个人的整个基因组测序，或者测量体液或组织样本中所有蛋白质(蛋白质组)、代谢副产物(代谢组)或微生物(微生物组)的水平。该技术的常规应用同时开始产生巨大的数据集，AI可以挖掘这些数据集，以发现对临床有用的新的生物标记。这种高通量组学技术与AI相结合，正在引领先进诊断技术的新时代，这将改变人们对许多疾病的理解和治疗，使医生能够根据单个患者的分子特征定制治疗方法。

有些先进的诊断技术已经应用于癌症。比如Oncotype DX可检查21个基因，许多乳腺癌患者可以据此避免化疗。FoundationOne CDx可以检测实体肿瘤中300多个基因的基因突变，并指出特定的基因靶向药物可能对特定患者有用。除了癌症，还有一种令人兴奋的方法可以应用于子宫内膜异位症。这是一种令人痛苦的疾病，子宫组织在不属于它的地方生长，诊断过程通常也需要手术。而来自DotLabs基于唾液的无创检测方式可以通过测量名为microRNAs的小分子，来识别子宫内膜异位症。

目前，通过临床医生对症状的主观评估来诊断的大脑紊乱，如自闭症、帕金森症和阿尔茨海默症，血液测试正在开发中。研究人员甚至在探索是否能对整个基因组进行测序，分析微生物群落，测量健康人体内数百种蛋白质和代谢物的水平，从而为这些人如何预防疾病提供个性化的指导。

需要提醒的是，医疗机构和使用这种诊断工具的研究人员，必须严格执行保护病人隐私的保障措施。此外，还需要明确的管理准则，以一致的方式评估生物标志物作为诊断工具的价值。这些指导将加速将新的生物标志物引入医疗实践。即便如此，先进的诊断技术已经开始瓦解诊断和治疗疾病的标准。通过引导病人接受最有效的治疗，他们甚至可以减少医疗支出。将来，许多人可能会拥有生物标记数据的个人云，随着时间的推移，这些数据将积累起来，并帮助提供个性化治疗。

3.分子设计AI

想要设计新的太阳能材料、抗癌药物或者能阻止病毒攻击农作物的化合物吗？首先，你必须解决两大挑战：为这种化合物找到正确的化学结构，以及确定哪些化学反应将正确的原子连接到所需的分子或分子组合中。这个过程非常耗时，并且涉及许多失败的尝试。例如，某个综合计划可以有数百个单独的步骤，其中许多步骤会产生副反应或副产品，或者根本不起作用。然而现在，AI开始提高设计和合成的效率，使这个过程变得更快、更容易、更便宜，同时减少化学废物。

在AI中，机器学习算法分析所有已知的过去实验，这些实验试图发现并合成感兴趣的物质。基于它们所识别的模式，这些算法可以预测潜在有用的新分子结构以及制造它们的可能方法。没有任何单独的机器学习工具可以在按下按钮时就能完成所有这些工作，但AI技术正在迅速进入药物分子和材料的现实设计世界。

举例来说，德国明斯特大学的研究人员开发了一种AI工具，它可以反复模拟已知的1240万个单步化学反应，并以比人类快30倍的速度设计出多步合成路线。在制药领域，基于AI的“生成机器学习”技术也令人兴奋。大多数制药公司储存了数以百万计的化合物，并对它们进行筛选，以确定其作为新药的潜力。但是，即使有了机器人技术和实验室自动化工具，这种筛选过程也是缓慢的，而且产生的结果也相对较少。

此外，这些“库”只包括理论上可能存在的超过1030个分子中的一小部分。利用描述已知药物(和候选药物)的化学结构及其特性的数据集，机器学习工具可以构建具有相似的、可能更有用特性的新化合物的虚拟库。这种能力正开始显著加速药物潜力的识别。近100家初创企业已经在探索用AI发现药物，比如Insilico Medicine、Kebotix以及BenevolentAI，后者最近筹集了1.15亿美元资金，将其AI技术应用于运动神经元疾病、帕金森氏症和其他难以治疗的疾病的药物研发中。

BenevolentAI将AI应用于整个药物开发过程，从新分子的发现到临床试验的设计和分析，旨在人类身上证明安全性和有效性。在材料领域，Citrine Informatics等企业正在采用与制药企业类似的方法，并与BASF和松下等大公司合作，以加速创新。美国政府也在支持AI设计的研究。自2011年以来，美国已在材料基因组计划(Materials Genome Initiative)上投资逾2.5亿美元。该计划正在建立包括AI和其他计算方法在内的基础设施，以加速先进材料的开发。

过去的经验告诉我们，新材料和化学品可能对健康和安全造成不可预见的风险。幸运的是，AI方法应该能够预测并减少这些不良结果。这些技术似乎可以显著提高新分子和新材料被发现并投入市场的速度和功效。在市场上，它们可能提供诸如改善医疗和农业、更大程度地节约资源、提高可再生能源生产和储存等好处。

4.可辩论和提供指导的AI

如今的数字助手有时会欺骗你，让你相信它们是人类，但更强大的数字助手正在到来。Siri、Alexa等使用复杂的语音识别软件来识别你的请求和如何提供相应信息，它们会生成听起来很自然的语音，给出符合你问题的脚本答案。这样的系统首先必须经过“训练”，而且适当的响应必须由人类编写并组织成高度结构化的数据格式。这项工作非常耗时，而且会导致数字助手在执行任务时受到限制。这些系统可以“学习”但程度有限。即便如此，它们仍然令人印象深刻。

在复杂性更高的层次，技术正在开发中，以便让下一代数字助手来吸收和组织更多的非结构化数据(原始文本、视频、图片、音频、电子邮件等)，然后自动组成有说服力的建议或充当辩论对手，应对它们从未被训练过的问题。我们已经在许多提供聊天机器人的网站上看到这种功能，这些聊天机器人可以用自然语言回答问题，涵盖了他们训练过的各种数据集。

这些聊天机器人在特定问题或请求方面需要相对较少或根本不需要培训，它们结合了预先配置的数据和“读取”提供给它们的相关背景材料的紧急能力。然而，在做出高度准确的反应之前，它们确实需要些识别语言和意图的训练。

今年6月，IBM展示了一种更先进的技术：一个系统与人类专家进行了实时辩论，但事先没有就辩论主题接受过培训。使用非结构化数据(包括来自维基百科的内容)，该系统必须确定信息的相关性和准确性，并将其组织为可重用资产，它可以调用该资产来形成一致的论据，以支持自己的论点。它还必须回应人类对手的论点。该系统在演示过程中进行了两场辩论，许多观众甚至认为它的论点更具说服力。

这项技术是在五年多的时间里开发出来的，它包括了一种软件，不仅能理解自然语言，还能应对检测积极和消极情绪。然而，非脚本AI系统对公认的人类专家的胜利打开了无数相关应用的大门，这些应用可能在未来三到五年甚至更短的时间内出现。例如，这样的系统可以帮助医生迅速找到与复杂病例相关的研究，然后讨论给定治疗方案的优点。这些智能系统将只对组合现有知识有用，而不是像实验室科学家或专家那样创造知识。尽管如此，随着机器变得越来越智能，它们还是增加了失业担忧。

5.植入式制药细胞

许多糖尿病患者每天会刺几次手指来测量血糖水平，并决定他们需要的胰岛素剂量。通常在体内制造胰岛素的胰脏细胞植入物，也就是所谓的胰岛细胞，会取代这个繁琐的过程。同样，细胞植入物可以改变其他疾病的治疗，包括癌症、心力衰竭、血友病、青光眼和帕金森氏症。但是细胞植入有个缺点，即接受者必须无限期地服用免疫抑制剂来防止免疫系统的排斥反应。这类药物会导致严重的副作用，包括增加感染或恶性肿瘤的风险。

几十年来，科学家们发明了一种方法，将细胞包裹在半透性的保护膜中，防止免疫系统攻击植入的细胞。这些胶囊仍然允许营养物质和其他小分子流入，需要激素或其他治疗蛋白流出。然而，不让这些细胞受到伤害是不够的，如果免疫系统认为这种保护性物质本身是外来的，它将导致疤痕组织在胶囊上生长。这种“纤维化”会阻止营养物质到达细胞，从而杀死它们。

相关报道: