药物设计和发现的完整方法包括靶标识别、命中探索、命中先导开发、先导优化、临床前候选药物鉴定以及临床前和临床研究。根据统计，开发一种新的处方药通常需要10-17年的平均研发(RD)期；平均花费超过28亿美元。尽管涉及大量的时间和成本，但是，对于不成功的临床试验，成本损失约为0.8亿美元至14亿美元。
药物的发现和开发有5个阶段：
药物发现和开发：从对疾病机制及其对分子化合物影响的认知对新药进行测试；临床前研究：新药在各个测试中心进行测试，用动物做实验，承认可靠性和挑战；临床研究：做各个阶段的临床实验，检查新药对人的可靠性和成功率；FDA审查：FDA组织分析新药的细节，并做出是否批准的结果；上市后研究：进行药物监测和性能比较研究，以监测药物的安全性。
人工智能(AI)是药物设计和发现的创新技术之一，机器和深度学习是AI的子领域。机器学习分为监督学习、无监督学习和强化学习。分类和回归技术是监督学习的一部分，通过这些技术，数据源被用来预测和提高性能。通过分类技术可以检测疾病，并使用回归技术估计药物和ADMET的效率。无监督学习是一种机器学习技术，模型可以使用未标记的数据找到未知的结构和模式。强化学习是一种机器学习技术，通过在动态环境中重复试验和错误交互，使模型能够找到现实世界问题的最佳解决方案。通过适当利用AI，药物发现过程可减少制药行业的缺陷，具有高效率和成本效益。
图1.AI在癌症研究中的应用
AI在肿瘤学中的临床获益
AI技术的整合在癌症诊断和治疗的几个方面具有主导影响。癌症是一种高度异质性的疾病，其复杂性是普遍发生的。降低癌症相关死亡率的尝试需要早期检测和诊断以获得有效的治疗获益。因此，发现刺激药物电阻率和识别治疗目标的新型生物标志物对改善癌症治疗模式至关重要。MetaNet、新一代测序(NGS)以及SMART模型的建立处理了这些需求，从而提高肿瘤分类准确性。这些模型提供了各种临床应用，这些应用对于风险分析、癌症早期识别、医学成像预后、精确诊断、肿瘤边界检测、生物标志物识别和新药设计和发现的临床目标分类至关重要。
AI在病理学中的应用
在过去的几十年中，手术病理学的预后风险在组织形态学和分子谱分析领域显著增加。病理学在肿瘤的诊断中尤为重要，通过预测治疗分析，在初始阶段识别疾病方面显示出很大的进展。
AI正在用于肿瘤组织病理学图像，其方法可通过评价不同来源的分子谱数据来提高性能，并在未来几十年应用临床数据彻底改变组织病理学和分子病理学。未来几十年，人们已经认识到，数字病理学成像与AI的整合可以在提高疗效、提高病理学家任务的精确度方面发挥重要作用，并且在为组织病理学和分子病理学提供发散创新方面具有更大的潜力。
据估计，到年，全球数字病理学市场将达到1.亿美元，而年为7.36亿美元，预测期间的CAGR为13.2%。数字和计算病理学的进步随着学术研究发表范围的快速增长。基于PubMed检索，在过去5年和10年分别发表了篇和篇与计算病理学和AI术语相关的文章。
图2.使用检索查询“计算病理学和人工智能”在PubMed中发表的文章的统计信息
定制AI：泌尿肿瘤学
AI在很大程度上被应用于泌尿外科肿瘤学的决策。AI在协助临床医生方面具有很强的潜力，泌尿科医生应了解AI的当前技术，以显著使用该工具。最近，Brodie等探索了AI的优势、每个肿瘤组（肾癌、前列腺癌和膀胱癌）AI的有效使用以及机器人泌尿外科手术中AI相关的各种挑战。
在其中一项研究中，Byun等人开发并研究了基于深度学习的方法来预测非转移性透明细胞肾细胞癌患者的无复发生存期(RFS)和癌症特异性生存期(CSS)。Elmarakeby等设计了一个基于生物学的神经网络，为理解前列腺癌细胞如何抑制MDM4提供新的见解。在另一项研究中，Ali等人将基于AI的模型应用于通过蓝光膀胱镜检查图像示例的膀胱癌诊断，结果显示其识别和分类率更高。通过AI在泌尿外科肿瘤学中的新兴策略的未来应用将使临床医生效率和新药发现获得显著结果。
癌症成像
最近在癌症成像中增强和分析有助于可视化肿瘤播散、筛选化合物效应、细胞的多种生物学特征、分期和癌症治疗决策，这些特征用于彻底改变药物发现。放射组学和AI是乳腺图像分析的理想平台，因为其涉及各种应用，包括乳腺癌风险预后、病变点样和分类、放射基因组学和预测医疗结果。AI目前已用于全球临床研究中的几种乳腺成像方法，如磁共振成像(MRI)、超声和乳腺x射线摄影。AI应用在从成像数据中提取临床价值方面的日益发展，现在在转化癌症治疗药物方面发挥着关键作用。体外人细胞系方法已被普遍用于癌症药物基因组学研究，以预测临床反应，这进一步帮助分类新的方式，以帮助抗癌药物治疗。
图3.用于癌症检测和治疗的医学成像中的AI技术
抗癌药物设计与发现
AI及其技术在癌症研究的多个方面产生了巨大的影响。药物协同研究的复杂性依赖于估计广泛的药物组合与用于估计的广泛药物，这在广泛的癌症类型和药物剂量范围内迅速演变。Kuenzi等设计了一种名为DrugCell的深度学习模型，预测种药物对肿瘤的反应。使用细胞系的基因型数据和药物化学结构训练模型，并结合癌症研究数据和患者源性异种移植瘤(PDX)。
预测表位与T细胞受体的结合对于设计药物的临床研究非常有用，或为癌症专家提供更多的帮助，以提高对抗肿瘤免疫反应的理解。为了有效设计新型抗癌药物，需要努力精确预测抗癌肽(ACPs)。Yu等人最近的一项研究从具有卷积、递归和卷积递归网络的非ACPs中识别出基于深度学习的ACPs。基于序列的范式旨在预测肽暴露抗癌活性的可能性。DrugCell、AlphaFold、DeepACP等方法具有提高临床疗效准确性的可行性。
预后是一项基本的临床技术，尤其是对于治疗癌症患者的临床医生。随着数据的最终进展，AI已被用于乳腺癌、肾癌、肺癌、前列腺癌、甲状腺癌和卵巢癌的药物发现。除了癌症患者的临床管理，机器学习还为癌症药物的再利用提供了支持。
表1.药物发现常用公共数据库
基于蛋白质和配体的虚拟筛选
3D结构的分子对接实验可用于估计复合物的形成及其结合亲和力。第一个过程称为采样，可用于通过刚性3D配体产生。第二个过程称为评分，估计产生的每个蛋白-配体复合物的结合亲和力（称为姿势）。尽管采样和评分分别列出，但由于SF通常伴随采样技术，因此它们可能显著相关。
图4.药物设计和发现中分子对接
虚拟筛选方法通常用于促进药物发现过程。它包括快速精确执行的分子模型。虚拟筛选中的有效方法是对接，用于解决蛋白质-配体对接预测(PLDP)问题。
结论
AI通过有效利用成像、分子和细胞癌症数据，为癌症药物设计和发现做出了重大贡献。人类在探索分子相互作用方面受到其知识水平的限制，然而，利用AI技术可以帮助寻找加快抗癌药物发现的新型化合物。随着临床数据的增加和AI技术的进步，它可以降低药物发现时间表和成本；但该技术在临床实践中远远没有适应。AI不会取代人类临床医生；然而，它将支持资源的有效利用，并提高当前癌症治疗药物的质量。我们相信，AI将在包括抗癌药物设计和发现在内的临床研究中继续发挥至关重要的作用，并在未来增进对癌症治疗药物的理解。
参考文献：
PandiyanS,WangL.A