麦肯锡报告：生成式AI有望带来医药行业的效率革命

　　▎药明康德内容团队编辑

　　以ChatGPT为代表的生成式人工智能（generative AI，gen AI）风靡全球后，各行各业都在畅想gen AI带来的机遇与挑战。医药行业对于人工智能（AI）的应用并不陌生，如研究人员正在通过AlfphaFold2等模型来协助预测几乎所有蛋白质的结构。

　　最近，麦肯锡发表了一份题为Generative AI in the pharmaceutical industry: Moving from hype to reality的报告，通过对63个医药领域的应用场景建模分析，讨论了从早期研发、临床试验、生产运营到商业化等多个场景下，如何利用gen AI提升医药行业效率。该报告认为生命科学领域潜在的gen AI革命将对人类健康和福祉产生巨大影响，如加速药物研发过程，促进精准医疗等。今天，我们从中选取一些重点案例与大家分享，如有兴趣可以可点击文末“阅读全文/Read more”下载报告全文。

　　优化医药行业研究与早期开发

　　在医药行业，大多数gen AI的潜在应用案例属于四个主要类别：知识提取、内容和化合物生成（例如生成化学，generative chemistry）、客户参与（例如为医疗保健提供者和患者提供的服务）以及编码和软件生成。

　　在医药行业的研究与早期开发，我们对疾病的认识可能正在迅速提升，然而新药发现和开发的速率却没有同比例增长。该报告指出，gen AI可以加速靶点确立，开发测试化合物的验证分析方法，筛选先导化合物，协助临床前测试以确定有效性。这些都有望减少药物研发所需的时间。

　　图片来源：123RF

　　范例1.计算机模拟化合物筛选

　　小分子药物研发中的一个难题是如何识别并且筛选出最有可能成功、值得进一步测试优化的化合物。Gen AI能通过先进的基础化学模型加速筛选过程。就像GPT-4被训练来预测句子中可能的下一个单词，这些模型可以预测小分子或大分子结构中的下一部分原子或氨基酸。通过多次迭代，该模型学习了大分子和小分子化学的基本原理，即使在很大程度上未探索的化学领域，这些模型也可以提供更精确的预测，医药公司可以通过这些预测来规划后续筛选。

　　潜在影响：可以提升化合物活性模型性能2.5倍；识别新化合物系列的速度提高4倍以上（从几个月缩短到几周）。

　　范例2.优化大分子和药物载体设计

　　大分子药物如抗体有更好的靶向性，另一些新型大分子如mRNA也有望带来更好的疫苗与药物，但这些大分子的复杂性大大增加了开发成本和发现时间。同样，下一代大型语言模型（LLM）可以通过学习预测大分子（例如核酸或氨基酸）的下一个子结构并产生有关大分子化学的见解来提供帮助。这些见解可用于新药物载体的计算机设计以及预测其在各种药物研发检测的效果。

　　潜在影响：提升大分子药物设计速度可达3倍。

　　图片来源：123RF

　　范例3.优化适应症选择

　　Gen AI的知识提取功能可以帮助研究人员确定某个药物分子的适应症，这也是医药公司面临的最重要的决策之一。为了做出这些决定，研究人员必须从多个来源获取信息，例如意见领袖、文献综述、组学分析、试验数据和其它企业布局等等。然而，考虑到这些信息的巨大体量，适应症的选择通常只涵盖所有证据基础中的一部分，因此结论可能不是最佳。Gen AI可以通过分析各种结构化和非结构化数据源来帮助解决该难题。

　　潜在影响：成功地优先选择那些能获得临床批准的适应症；消除那些可能会失败的项目；确定全新适应症再通过动物模型验证。

　　生成式AI在临床试验、运营与商业化中的优化作用

　　临床试验gen AI范例：试验表现分析的副驾

　　平均一个药物从研发到上市需要约十年时间，其中很大一部分时间以及经济成本来自漫长的临床试验和严格的监管要求。Gen AI有望通过提高整个临床开发流程的效率来为医药行业提速，解决痛点，如它可以简化临床试验流程、自动起草试验文件。

　　Gen AI可以快速分析大量结构化和非结构化数据。因此，它是一个强大的研究团队伙伴，可以分享见解并提出有效的干预措施，以改善临床试验结果。几家医药公司已创建了“临床控制塔”——支持临床开发过程中运营决策的先进分析平台，通过提供单一的见解来源来加速临床试验。这些AI“副驾”至少以三种重要方式为研究团队提供支持：作为一种有效的信息传递方式，对话式AI能提供针对性、可操作的意见智能警报促进主动的早期干预；自动通信起草使跨职能团队成员的协调更加有效。这些工具还有望通过自动化分析、主动解决患者招募挑战和促进协作来加速试验招募。

　　潜在影响：患者招募速度提高10-20%。

　　图片来源：123RF

　　Gen AI的医药行业运营范例：制造业的gen AI虚拟助理

　　医药行业的运营涵盖采购、制造、质量监控和供应链，而gen AI搜索和分析大量文本、视觉图像和其他数据源的能力将产生大量新见解，也有望改善医药行业的整个运营链。

　　基于gen AI的虚拟助理能快速定位相关标准操作程序，自动生成可重复的操作指南，帮助主管实时监控和管理生产线绩效，这些都将帮助优化药品的生产流程。虚拟助手还能实现预测性维护：如标记潜在的线路故障从而避免停机、自动生成干预和故障排除计划和维护票据，以及通过计划性维护来优化设备维修和更换时间表。

　　潜在影响：通过减少关键损失，整体设备效率提高10-15%；生产线的生产力提高30%以上；维护技术人员的工作量减少15-35%；通过检测到异常情况，质量成本降低5%。

　　商业化gen AI范例：优化患者体验

　　任何治疗方法只有在处方和服用情况正确时才会有效，这也是为什么医药公司花费大量精力与护理人员、药剂师、保险公司和患者培养关系，建立信任，而gen AI作为工具可以加深这些关系。

　　例如患者服药依从性低对如今医药行业的挑战越来越显著。许多患者会停止服用处方药或者从一开始就不按处方服药，即使是从治疗中受益的患者中也是如此。免疫领域大约一半的患者在第一年就停止服用新药。导致这种情况的原因有很多，包括报销的复杂性和新药的激增。Gen AI可以按患者和医生办公室的具体需求，提供有关护理的建议来帮助解决这一难题。它还可以为患者和医生办公室提供一系列自助服务工具，同时将关键问题转至相关专家处理。这些相当于提高了患者服务团队的技能，有望提高患者的依从性，改善治疗结果。

　　潜在影响：通过提供更好的帮助，患者流失数量减少5%-10%。

　　总结：gen AI是电力革命般的机遇

　　充分发挥人工智能的潜力需要时间和耐心。历史上另一项革命性的技术突破——电力，给了我们很好的参考。电灯发明于1870年代，几年后就出现了电力驱动的机械，可在1900年电力供能仅占制造业的5%。为什么那时的工厂不迅速转用更高效、更清洁、更安全的电机，而是仍使用蒸汽机呢？

　　图片来源：123RF

　　因为这不是仅仅换一台机器，发掘电机带来的优势需要全面的革新，包括重新设计生产过程，甚至是工人的招募、培训等也需要全部更新。但这些最终都会落地，由此也带来了1920年代电机在制造业的占比直线上升。

　　参考电力的发展史，可以推测一开始医药行业很可能不会一下子从gen AI获得巨大的生产效率提升。更何况医药行业还有自己独特的挑战，如生物系统的复杂性，疾病治疗的困难以及监管环境的严格。尽管如此，gen AI是医药行业提升效率，突破诸多长期障碍，在科学和患者护理方面创造新突破的百年罕见的机遇。就像1910年代的工厂主坚持使用蒸汽是愚蠢的一样，医药公司应该从现在开始努力理解、实施和扩展它，从而提升产业效率，为全球病患带来更多好药新药。

　　参考资料：

　　[1] Generative AI in the pharmaceutical industry: Moving from hype to reality. Retrieved January 22, 2024 from https://www.mckinsey.com/industries/life-sciences/our-insights/generative-ai-in-the-pharmaceutical-industry-moving-from-hype-to-reality