这是JL和F与您共同迭代的第天。
今天与您分享的内容来自于JL和F的专业药学研发方面，内容来自于得到app的付费订阅专栏《前沿科技·新药研发课》。
欢迎来到我的《新药研发课》。
在上一讲里，我们回顾了新药研发的历史，梳理了现代药物研发的基本模式。但是我想，跟听历史故事比起来，对“新药研发”这个主题感兴趣的人，肯定也想听听现在这个行业的现状和发展方向。
所以，在正式按顺序介绍新药研发的每个环节之前，这一讲，我们先从宏观的角度来展望一下，看看未来的新药研发，会有哪些新趋势、新突破。
这个话题之所以值得聊，是因为今天的药物研发，正处在巨变的前夜。
虽然我们还在沿用过去的模式，研发一款新药的流程听起来跟70多年前没有多大的区别。但是随着技术水平的提升，未来新药研发的模式和效率，将被彻底改变，或许我们都将有幸成为它的见证人。
实现新药研发的从0到1，有一种主要方式是“发明”，就是用化学手段，设计新的药物。这里的设计当然不是凭空设计，都会有一个起始的模板。
每个制药企业都有自己的化合物库，里面包括各种天然化合物，也包括制药公司自己多年积累起来的人工化合物。
这些人工化合物，都是药企在研发各种新药的时候设计出来的。为了一个研发项目，科学家必须不断调整化合物的分子结构，就会出现很多个化合物，不管这些化合物有什么效果、安不安全，最终都会收集在公司的化合物库里。
这当中所有的化合物，都可能成为下一个新药研发项目的设计模板。
我们能想象，如果一家公司的化合物库足够大，它就更可能筛选出对你来说最好的那个模板。在合适的模板上进行优化，可以事半功倍，更快地设计出新的化合物。
理解了这一点，再综合考虑成本、时间和成功率等因素，我们可以说筛选各种化合物库依然是目前药物研发从0到1的首选。
但是跟70多年前相比，今天我们进行筛选的完全不同了。
上一讲我们讲到，多马克用小鼠的链球菌模型筛选了3千多个染料分子，找到了百浪多息。
年代我刚刚入行的时候，流行的说法是合成与筛选1万个化合物可以找到一个新药。请你猜一猜，今天我们会筛选多少个化合物？10万个？万个？
根据最新公开的数据，药明康德新药开发公司提供给客户筛选的化合物总数，已经超过了亿个，应该很快就会达到0亿了！
你肯定会问，如此庞大的化合物库是如何建立的？建立了之后，我们又是如何快速、准确地筛选出我们想要的化合物呢？
这两个问题，是今天所有药企都不得不面对和解决的关键问题。谁能率先找到最佳解决方案，谁就能带领制药业从量变走向质变，完成新一轮的产业升级。
好在，这两个问题，我们现在都有了解决的方向。
那我们先来说怎么建立大型的化合物库。目前最佳的方案，是一项称为“DNA编码分子库”前沿技术。
要建立大型分子库，首先要想办法合成尽可能多的化合物，把它们从纸面上的化学结构变成装在瓶子里的化合物。
在年代以前，合成0亿个化合物，肯定是一项不可能完成的任务。但是，随着组合化学的兴起，合成超大型的分子库已经成为可能。
种不同的酸性分子与种不同的碱性分子混合后发生反应，所有可能的组合是乘，一次反应就能合成1万个不同的新分子。再组合一次，1万乘1万就是1亿。以此类推，合成0亿个化合物就不再是遥不可及的了。
解决了数量问题之后，新问题又出现了：用组合化学合成出的产物是一个混合物，想把这0亿个分子一一分离开来，显然没有实际操作的可能性。而想用这包含了0亿个分子的混合物来做生物筛选，我们又必须确切知道这些分子具体的化学结构，怎么办？
年，两位美国科学家第一次提出并成功验证，我们可以用不同序列的DNA片段来给这些化合物进行编码，DNA编码分子库就这样诞生了。
DNA是生物世界里存储信息的分子。当我们用组合化学手段来合成分子时，只要想办法把每个不同的分子标记上一段具有序列唯一性的DNA片段，就能在日后通过对这个DNA片段的测序来确定该分子的结构。
今天，DNA测序技术已经非常快捷、精准和廉价，所以DNA编码分子库的合成与筛选也进入了实用阶段，正在显现它的巨大威力。
有了大型分子库、知道了每个分子的结构之后，新药研发行业就进入了一片巨大的蓝海，无数种新药很可能就蕴藏其中。所以我们有理由相信，新药研发行业即将迎来巨大突破。
但在实现突破之前，我们还有一项关键的任务：设计一套筛选流程和标准，把可以被开发成安全有效药物的化合物找出来。这就是我们刚刚说的，制药企业不得不解决的第二个问题。
这又是一个很难完成的任务，因为一个化合物能不能被开发成药物，要考虑的指标很多，很难量化。
比如，除了这个化合物对某种疾病的功效之外，我们还要看它进入身体之后代谢是不是稳定，在血液里能停留多久、*性大不大、个体差异如何，等等。这在新药研发领域，统称为“成药性”，也就是成为药物的可能性。
一个化合物就有这么多指标要分析，你可以想象一下分析整个化合物库所需要的工作量，人工操作显然也是不可能在合理的时间内完成的。于是，制药界转向了另一个正在多个领域取得突破的高新技术：人工智能。
用电脑进行数据处理并不是新技术，而我前面提到的所有决策，对成药性各项指标定义和权重分配，都是人做的，电脑只是执行计算。所以在我看来，这些还都只是“自动化”，还称不上“智能”。
要真正进入人工智能，我们必须能够让电脑来替我们做决定，让具有神经网络和深度学习功能的电脑来告诉我们，什么样的化合物才是成药性最好的化合物。
在这个方向上，目前我们的电脑应该说都还处于“学习”和“尝试”阶段。
你一定听说过，人工智能想要达到和人差不多，甚至比人更好的状态，需要学习大量的数据才有可能。但目前最主要的瓶颈是可供学习的数据太少了。少到什么程度？
我给你举个例子，目前全球最大的化学数据库注册了1亿个分子，其中已知熔点的分子有多少呢？大概只有3万个。也就是说，可供学习的数据只有全部的万分之三。
于是，学术界有不少专家正在呼吁各大药企公开历史数据，尤其是那些以前失败的项目数据，用来推动人工智能的学习和发展。
虽然目前数据量非常缺乏，极大地限制了人工智能的发展，但并不能阻止前沿的科学家进行尝试。
从新近发表的学术论文看，通过对有限数据的学习，在没有人工干预的条件下，最先进的人工智能已经可以在这些数据所界定的化学结构空间内，找到或设计出符合一定要求的全新的化合物。
虽然在许多老资格的药学专家眼里，这些化合物还很浅显，但是我们有理由相信，随着学习基础的不断扩大，人工智能一定会走出“显而易见”的小圈子，进入分子世界的深处，带给我们意想不到的惊喜。
说到这里，我想你也就能理解为什么我说今天的新药研发正处在巨变的前夜了，因为新兴的科技已经初步展示了巨大的可能。那么，它有可能颠覆制药工业现有的模式吗？
从目前分子科学的发展水平看，我们还是不能提前准确判断，某个结构的化合物会具备什么样的理化性质。
所以我们还是必须在根据致病原因或疾病调控建立起来的动物模型上，进行系统筛选，才能研发出有效的药物。但是我们能把这个过程做得非常高效和智能化。
那什么时候会有“质变”呢？就是我们能从化合物的结构入手，准确地判断某个结构会具备哪些性质的时候。而想达到这个目标，我们必须有智能化电脑的帮助。
好，这一讲到这里就结束了，总结一下。
今天的制药业，依旧在70多年前奠定的基础上稳步发展。DNA编码分子库和人工智能这样的前沿科技正在展示出巨大的潜力，机遇和挑战都是前所未有的。
添加到笔记
划重点
1筛选各种分子库依然是目前药物研发从0到1的首选，这既包括筛选天然产物分子库，也包括每家制药公司自己多年积累起来的分子库。
2要真正进入人工智能，我们必须让电脑来替我们做决定，让具有神经网络和深度学习功能的电脑来告诉我们，什么样的化合物才是成药性最好的化合物。
下一讲，我要回到药物研发的源头，通过一个具体的案例，讲讲一款新药的研发，究竟是从什么时候开始的。我们下一讲再见。
声明：部分图片及全部文字内容均来源于网络，如涉及侵权，请联系删除~
如果您觉得今天的内容有点意思，欢迎点赞转发推荐一条龙。
欢迎喜欢我们
