Alphabet的DeepMind破解了一個長期困擾生物學家的問題，在醫療保健領域掀起了一場技術軍備競賽。

機器學習技術在國際象棋比賽中擊敗了人類，并在全球范圍內引起轟動。在給毫無戒心的人打詐騙電話時，它驚人的逼真人聲模仿能力得到了展示，一時在網上掀起了軒然大波。

谷歌母公司Alphabet旗下人工智能子公司DeepMind在兩年一度的生物大會上展示的一項不太引人注目的技術，可能會顛覆制藥商發現和開發新藥的方式。它還可能加大對全球最大制藥公司的壓力，迫使它們為一場技術軍備競賽做好準備。以科技為依托的制藥新秀已經加入了這場混戰。

去年12月，在墨西哥里維埃拉舉行的CASP13會議上，DeepMind的新技術在預測蛋白質的形狀方面擊敗了經驗豐富的生物學家。蛋白質是疾病的基本組成部分。這一看似深奧的研究有著重要的意義：一種能夠精確模擬蛋白質結構的工具可以加速新藥的開發。

“這絕對令人震驚，”一名科學家在原始結果發布到網上后發推說道。會議創始人、馬里蘭大學計算生物學家John Moult表示：“它完全是一個驚喜。與我們自身能夠做到的成果相比，它的前景不可限量。”

為了找到藥物治療疾病的方法，對蛋白質結構進行分類是一個極其復雜的工程。研究人員還沒有完全理解蛋白質是如何形成的。同時，還有一個數學問題：蛋白質的形狀可能比宇宙中的原子還多，這使得預測成為一項艱巨的計算任務。四分之一個世紀以來，計算生物學家一直在努力設計出能勝任這項任務的軟件。

DeepMind在蛋白質折疊（蛋白質獲得三維形狀的物理過程）方面經驗有限，但憑借最新的神經網絡算法，DeepMind完成了全球50個頂級實驗室所能完成的事情。

在會議舉行的瑪雅主題度假村，與會者的興奮之情溢于言表。兩位DeepMind的演講者被科學家們一直追問他們是如何做到這一點的。幾小時后，英國《衛報》表示，DeepMind的人工智能可能“開啟醫學進步的新時代”。在一篇博客文章中，該公司夸口說，它的蛋白質模型“比以前的任何模型都精確得多”，“為藥物發現帶來了新的潛力”。

DeepMind在一封電子郵件中表示，該公司的科學家“完全專注于他們的研究”，無法接受采訪。

DeepMind的模擬還不能夠產生對藥物發現非常重要的原子水平的分辨率。盡管許多公司都在尋找利用計算機識別新藥物的方法，但很少有基于機器學習的藥物發展到可以在人體上進行測試的地步。還需要花費數年的時間，人們才能知道這樣的軟件是否能定期發現有希望的治療方法，而這些方法是研究人員可能會錯過的。

人工智能是醫療保健領域一個非常熱門的詞匯，經常被吹捧為一劑包治百病的靈丹妙藥。它被認為是一個潛在的解決方案，可以修復繁瑣的電子病歷，加快診斷速度，使手術更加精確等。DeepMind的成功表明，該技術有可能在制藥行業最昂貴、最容易失敗的領域之一得到實際應用。

一些觀察人士表示，一個由外部人士組成的團隊能夠在解決生物學中最棘手的問題之一上取得如此重大的進展，這令該領域的研究人員大失顏面。對制藥行業來說，這也可能是其遭受沖擊的一個預兆。制藥行業在研發上投入了數十億美元，但卻被科技公司打了個措手不及。

參加這次會議的哈佛大學計算生物學研究員Mohammed AlQuraishi在一篇博客文章中寫道，大型制藥公司沒有在蛋白質折疊方面投入大量精力，基本上是把這個領域讓給了科技公司。當制藥公司還在猶豫不決時，“Alphabet突然進來攪局，在他們的專屬領地開辟了自己的區域，”他寫道。

眾所周知，找到新藥并將其推向市場是非常困難的。據估計，大型制藥公司至少需要花費超過25億美元才能為病人提供一種新藥。進入人體臨床試驗的10種療法中，最終只有一種能夠進入藥店。同時，醫療科學進展緩慢：在人類基因組測序后的近20年里，研究人員僅僅發現了治療大約7000種已知罕見疾病中的一小部分的方法。

此外，大約有2萬個基因會以至少十萬種方式發生病變，并且產生的蛋白質之間可能存在數百萬種相互作用。對于制藥行業來說，手工檢測所有這些組合幾乎是不可能的。

“如果我們想了解人類生物學中的其他97%，我們將不得不承認對我們來說太復雜了，”Chris Gibson說。他是Recursion Pharmaceuticals的聯合創始人兼首席執行官，該公司是一家位于鹽湖城的創企，利用機器學習來尋找新的治療方法。

Recursion這樣的公司正在迅速吸引投資者。數據提供商PitchBook的數據顯示，風險投資家去年向專注于藥物研發的人工智能和機器學習初創企業投入了10.8億美元，高于2016年的2.37億美元，今年迄今已投入6.99億美元。

Recursion周一表示，在最近一輪融資中，已從Intermountain Ventures和明尼蘇達大學董事會等投資者那里籌集了1.21億美元。據PitchBook的數據，它的估值為6.46億美元。“這是一家雄心勃勃的公司。他們正在考慮從根本上改變這個行業，”領投此次融資的蘇格蘭Baillie Gifford & Co.的投資經理Marina Record說。

而那些老牌制藥商正競相與從事類似工作的公司結盟。

今年4月，Gilead Sciences與前斯坦福大學機器學習專家Daphne Koller領導的初創公司Insitro達成協議，尋找治療納什肝病的方法。與此同時，AstraZeneca也與英國的BenevolentAI進行了合作，其研究旨在確定腎臟疾病和肺纖維化的治療方法。今年6月，GlaxoSmithKline與加州大學基因編輯專家合作，斥資6700萬美元，使用人工智能進行目標搜索。

“你還能接受十分之一的成功率嗎？如果我們能將這一比例提高一倍達到20%，那將是驚人的，”GlaxoSmithKline高級副總裁Tony Wood說，他是這家英國制藥巨頭的醫藥科學和技術負責人。

默克公司負責計算化學的副總裁Juan Alvarez表示，機器學習方法對藥物發現“至關重要”。這家制藥巨頭正在開發人工智能工具，以幫助其化學家加快制造化學物質，以縮短異常蛋白質搜索的艱苦過程。Alvarez說，早期的機器學習發展已經為人類測試藥物做出了貢獻，而第一批基于更先進的神經網絡方法的藥物可能在幾年內投入臨床試驗。

人工智能可以被用來掃描數以百萬計的高分辨率細胞圖像，以發現能夠以意想不到的方式使患病細胞更健康的療法，這個數量比人類能夠自己處理的還要多。

Recursion是最早使用這種方法的初創公司之一。每周，機器人都會在40萬到50萬個微型實驗中，將數千種潛在的藥物應用到不同類型的病變細胞上，生成500萬到1000萬張細胞圖像。然后，機器學習算法掃描圖像，尋找在不損害健康細胞的情況下破壞疾病的化合物。

最初的算法是手工編程來解釋基本的細胞特征，但Recursion越來越多地使用直接解析圖像的神經網絡方法，并可能發現人類程序員不會尋找的模型。在此過程中，計算機科學家與實驗室里的生物學家緊密合作，以改進解析算法。

該公司已同意與武田制藥有限公司和賽諾菲達成罕見病方面的協議。過去幾年，賽諾菲生成了超過2.5PB的數據，總量超過了好萊塢所有故事片的容量。

公司創始人Gibson說，公司現在的做法“在六、七年前根本行不通”。

Gibson最初轉向機器學習是在猶他大學讀研究生時，當時他正在尋找治療大腦海綿狀畸形的方法。根據血管瘤聯盟的數據，大約每500個人中就有1個人患有這種疾病，雖然患者常常表現正常，但卻可能導致癲癇發作、語言或視力障礙，以及嚴重的腦出血。

大約四分之一的患者有這種疾病的遺傳形式，更有可能導致多種畸變。盡管導致這種疾病的三種基因是已知的，但目前還沒有藥物可供治療。Gibson在猶他大學測試的一種藥物是基于對這種疾病的普遍理解，但卻使動物的癥狀更加嚴重。

沮喪之余，Gibson和他的同事使用開源的機器學習軟件掃描細胞圖像，以探測2100種化合物的效果，尋找那些能夠改善攜帶壞基因的血管細胞外觀和功能的化合物。這些算法指出，在動物實驗中，一種意想不到的化學物質可以將血管滲漏減少50%。這種藥物將于明年進入人體試驗的第二階段，它是Gibson決定創立Recursion的原因之一。

Alphabet的其他部門，以及社交媒體巨頭Facebook旗下的人工智能研究部門也正在慢慢進入制藥行業。Facebook在4月份悄悄地發表了一篇論文，使用深度學習技術分析了2.5億個蛋白質序列。今年春天，谷歌的人工智能研究人員推出了一種神經網絡算法，可以根據序列預測蛋白質的功能。