Alphabet's Isomorphic Labs: Turning Cancer Into a Chronic, But Livable Disease

AI驱动的药物发现引擎 - Isomorphic Labs 正在构建一个药物设计引擎，旨在为不同疾病领域和适应症设计新的分子，甚至适用于不同的药物形式[2] - 该引擎由一系列AI模型驱动，需要大约六个类似AlphaFold的突破性技术共同作用[3] - 这些模型包括预测蛋白质结构、分子结合强度以及药物安全性和吸收性的能力[3][6] 传统药物发现的变革 - 传统药物设计是迭代的，耗时且成本高昂，而Isomorphic Labs 正在将这一过程转移到虚拟世界，在计算机上进行设计和测试，从而缩短时间并提高效率[8][9][10] - 通过在计算机上进行多次迭代，选择最佳结果进行实验室测试，从而跳过步骤，更快地获得更好的结果[10] 模型能力与挑战 - AlphaFold 已经解决了蛋白质折叠问题，但仍需要提高模型的准确性，并理解分子如何与身体的不同部分相互作用[11][12][13] - 分子空间巨大（约10的60次方），需要生成模型和搜索过程来有效地搜索整个空间，从而减少需要实验室测试的分子数量[15][16] 数据策略与质量 - 机器学习依赖于高质量的数据，Isomorphic Labs 拥有全面的数据战略，利用公共数据、历史数据以及专门为机器学习模型创建的湿实验室数据[24][25] - 公司在理解、摄取、清理数据以及从中提取信号方面投入了大量精力[26] 通用性与可重用性 - Isomorphic Labs 专注于构建通用的技术，可以应用于任何靶点、任何疾病领域，甚至任何不同的药物形式[27][28] - 通用模型更具挑战性，但可以创造针对长期未解决的问题的全新化学物质[30][31] 疾病领域重点 - 公司专注于免疫学和肿瘤学，因为这些领域的临床试验更易于处理，可以在更短的时间内完成，并且对患者的影响很大[33][34] - 目标是将癌症转变为一种慢性疾病，患者可以通过药物治疗获得正常的寿命，这可能在几年内实现[36][37] 模型能力与应用 - 这些模型可以应用于整个人类蛋白质组，并且由于神经网络模型运行速度快，可以并行分析数千个蛋白质[39] - 这改变了实验设计，因为在实验世界中，一次只能研究一个蛋白质[40] 合作与里程碑 - 与诺华和礼来等公司的合作非常密切，在一些具有挑战性的靶点上取得了良好的进展[44] - 在某些情况下，已经识别出与以前未知的蛋白质结合的首批化学物质[45] 未来展望 - 目标是在2-3年内将AI药物发现过程缩短至几个月，关键在于提高计算机实验结果的预测准确性[47][48][49] - 展望未来，AI工具可以帮助诊断疾病，并提供相应的药物治疗，从而对人类健康和疾病产生重大影响[50][51]