在 2018 年，僅前十大制藥公司將創造超過三千億美元的收入。與此同時，目前需要 10 年時間才能將新藥推向市場，同時花費超過 25 億美元（有時高達 120 億美元）。即使進入 I 期臨床試驗的 10 種藥物中，有 9 種不會進入市場。

[[234519]]

隨著人口老齡化，我們無法依賴這種低成功率、高成本的方式。到 2030 年，世界人口中約有 12% 的人口年齡在 65 歲及以上，像老年癡呆這樣的「衰老疾病」將對社會構成越來越大的挑戰。

隨著人工智能與大量醫療數據結合使用，新藥的研發將更加便宜和迅速，同時更加智能化。我所了解的該領域最熱門的創業公司之一是 Insilico Medicine，利用人工智能在其端到端的藥物管道中，通過對藥物的研究，從而討論未來長壽與健康的秘訣。

案例研究：利用 AI 進行藥物探索

你可能已經了解過深度神經網絡：人造神經元的多層網絡，能夠從大量數據中「學習」并且能夠為自己做基本的編程。

建立在深度神經網絡的基礎上，將生成對抗網絡（GAN），這是支持 Insilico 藥物發現渠道的革命性技術。

什么是 GAN？「GAN 技術本質上是兩個深層神經網絡之間的敵對博弈，」Alex 解釋說。

Alex 的最終目標是開發一個全自動的健康即服務（HaaS）/長壽服務（LaaS）引擎。一旦插入阿里巴巴公司到 Alphabet 公司的服務，這種引擎將為在線用戶提供個性化解決方案，幫助他們預防疾病并保持***健康。

Insilico 的端到端管道

首先，Insilico 利用 AI（以 GAN 的形式）來確定目標（如下面的管道的***階段所示）。為此，Insilico 使用來自健康組織樣本和受疾病影響者的基因表達數據。（目標是藥物打算作用的特定病理學中涉及的細胞或分子結構。）

僅此一項就可以實現醫療保健和醫學研究的突破。但真正作用并不止于此。

在了解衰老過程中潛在的機制和因果關系之后，Insilico 使用 GAN 來「想象」新的分子結構。通過強化學習，Insilico 的系統以***的方式識別目標，然后從頭生成自定義分子，從而達到這些特定目標。

在規模上，這也將涉及藥物的副作用最小化，這是 Insilico 科學家 Polina Mamoshina 與牛津大學計算心血管團隊合作開展的一項研究。

雖然仍處于發展的早期階段，但準確的臨床試驗預測指標將使研究人員能夠確定理想的臨床前候選人。

從今天的情況來看，這是對于行業效率 10 倍的改善。

目前，通過傳統技術發現并在小鼠身上測試的超過 90％的分子最終在人類臨床試驗中失敗。準確的臨床試驗預測結果將導致藥物測試成本，時間和開銷大大削減。

藥物發現

藥物發現的數字化和非物質化變革已經發生。機器學習推動藥物發現和分子生物學方面產生突破性進展，隨著計算能力的提高，將以更低的成本，更驚人的速度向市場推出新的治療方案，并且不需要大規模的基礎設施建設和投資。

除量子計算的預期突破之外，我們將很快見證可預測分子數量的爆炸式增長，同時準確性大幅提升。

總結

人工智能技術的發展將在未來改變醫療行業效率低下、創新遲緩的問題。無論處于何種行業的人，大制藥都是一個值得關注的領域。融合技術很快能夠在長壽和疾病預防方面取得長足的進步，像 Insilico 這樣的創業公司領導著行業變革。

在大規模數據集、不斷提升的計算能力、量子計算、區塊鏈及人工智能的等創新因素推動下，人類的健康狀況及長壽的未來確實值得期待。

技術將比人類想象力更快的實現商業化，當詢問 Alex 對行業的預期時，他的時間安排是二十年。

可能他的預測是保守的。

我的朋友 Ray Kurzweil 經常討論「長壽逃逸速度」這個概念，即在你活著的每一年，科學都能夠延長你的壽命超過一年。

Ray 的預測準確率達到了 86％，「這可能僅僅是大眾還需要 10 到 12 年才能達到長壽逃跑速度。」

你將怎樣使用生活中額外的 20 年或更多的健康年？