“超算”为医学研究注入灵魂

　　生物医药产业是21世纪创新活跃、影响深远的新兴战略产业之一。但目前健康产业的供需矛盾紧张，这一点在制药产业体现尤为明显。

　　如何更好地研究疾病机制，如何让药物研发更有针对性、更高效？现有的生化技术在某种意义上似乎走到了尽头。

　　2022年年初，工业和信息化部、国家发展改革委、科技部等九部门联合发布的《“十四五”医药工业发展规划》中明确提出，将推动医药制造能力系统升级，以新一代信息技术赋能医药研发。在“十四五”阶段，探索人工智能、云计算、大数据等技术在研发领域的应用，通过对生物学数据挖掘分析、模拟计算，提升新靶点和新药物的发现效率等，将成为医药研发领域的重要着力点。

　　蓬勃发展的信息技术将为生物医药产业，特别是药物研发领域带来哪些新突破？“超算”（高性能计算）的引入或将为医学研究开辟新范式。

　　药物研发陷入困局

　　目前，全球创新药竞争几乎都聚焦在热门药物靶点的研究中，靶点、适应证扎堆，国内仿制药“内卷”现象严重。

　　中国科学院计算技术研究所（简称“中科院计算所”）副研究员、中科计算技术西部研究院常务副院长张春明表示，以全球销售额排名前100位药物为例，其中并没有“中国制造”的身影。国产创新药多集中在国外已经得到验证的靶点和技术赛道，导致“创而不新”，同质化严重，新药上市即面临残酷的价格竞争。

　　“人类疾病模型仍然是以模式动物为基础。但是，动物疾病模型的发病过程、病理机制、发病状态和愈后康复等与真实的人体存在较大差异。”中国工程院院士、中国医学科学院学部委员丛斌曾表示，目前，对人的整体生命活动规律的认知还停留在局部或碎片化阶段，一些新发现仍是在“盲人摸象”。这是医药研发困局形成的重要原因之一。

　　疾病形成和发展过程中影响因素较为复杂，医学实践具有相当大的不确定性，加之生化技术对于人类疾病机制的探索依然有限。以药物研发为例，一款全球创新药物从研发到上市至少需要14年，耗费资金高达26亿美元，而且效率并不高，原有生化技术为主的技术体系难以应对，药物研发面临巨大挑战。

　　人工智能带来新思路

　　另一方面，互联网、大数据、人工智能（AI）等技术在生物医药领域的应用，为药物研发开辟了新天地，也使药物研发模式逐渐发生变化。随着基因测序、检查检验设备、可穿戴设备等新方法和新工具的不断涌现，获取个人不同尺度上的健康、疾病数据成为可能。

　　数据可以使医生和临床科研人员从更多维度去了解疾病发生发展过程，但是，这些复杂数据的处理已经远远超出个人的处理能力，急需新的方式与手段帮助药物研究者、医生从多维、立体、融合数据中摸索出规律，从而更精确地预测、预防、诊断和治疗疾病。因此，以数据和计算方法为主的计算医学开始出现并发展。这也预示着未来医学发展范式的转向。

　　2020年《临床肿瘤杂志》（CA Caner J Clin）刊登了一篇文章，美国癌症协会对90多名癌症专家进行访谈，请他们描绘了未来十年肿瘤研究领域的蓝图。专家提出了近百项行动建议，并在一个重要的观点上达成共识：通过计算方法和数学模型检测肿瘤的演化和预测治疗耐药性，已经成为推进肿瘤研究和临床诊疗的有力手段。

　　中科院计算所哲源图灵达尔文实验室副主任赵宇介绍，新药研发过程涉及大量数据，包括文献资料、化合物数据、靶点数据、专利数据、临床试验数据、真实世界数据、药品审评审批数据、市场销售数据等。面对海量、多源、异质性的数据，人工智能技术应用，已逐渐跳出以理想生物学模型和临床表型数据为主的传统新药研发模式，转向以数据以及数字孪生为核心的研发模式。

　　例如，在靶点发现和机制研究方面，可以通过数字孪生人数据库，发现药物与疾病的关系，找到新的靶点；在化合物筛选方面，可以通过虚拟筛选技术取代传统的活性筛选；在临床试验设计中，也可通过全流程模拟，完成试验流程管理、数据统计分析、研究设计等一系列流程，将试错过程在计算机上完成，提升整个临床试验的效率。

　　目前，全球在寻找“正确”的药物分子方面，已经取得很大进展，在“AI﹢分子”方面进行探索的公司已超过千家。虽然“AI﹢疾病”的研究刚刚展开，但它更是指向药物研发的核心痛点——疾病机制和靶点。

　　医学研究从“超算”入手

　　临床数据和先验知识只是初步的“原料”，而算法和算力则为医学研究“注入灵魂”。

　　中科院计算所参与生物医学领域研究已有近30年的历史。近年来，基于“超算”相关研究成果，该研究所高性能计算机研究中心团队从“计算医学”角度，为医学生物领域研究带来新视角。

　　计算医学这一概念早在20世纪80年代就已被提出，在医学领域中应用计算技术的相关研究陆续展开。1994年，在美国奥斯汀举行的首届计算医学、公共卫生和生物科技大会上，计算医学已崭露头角，成为医学重要前沿研究方向。2012年，美国约翰霍普金斯大学生物医学工程教授雷蒙德·温斯洛在一篇名为《计算医学：从模型到临床》的综述性文章中指出，计算医学已经从理论走向实践。

　　2020年，中科院计算所高性能计算团队重新定义了计算医学的内涵。计算医学表现为四个维度：以系统论为指导思想；采用密集数据驱动为科研范式；以人工智能为方法；以高性能计算为支撑。通过第三代人工智能“知识模型﹢数据模型”双驱动，为生命科学研究提供新技术体系和新研究范式。

　　计算医学以复杂性系统科学的整体论作为思维方式，进而理解生物分子、细胞、组织器官、种群等多个生物层级相互作用中，“涌现”出的新属性，从系统角度捕捉疾病发生机理。采用密集数据驱动的科学范式，计算医学着力挖掘隐藏于高维、高通量、多维融合的生物医学大数据中的新洞见。

　　计算医学可将生物医学领域的知识模型转换为数学模型，以生物医学大数据作为输入参数，以人工智能算法对模型进行迭代、训练，输出接近真实的生命系统结构与功能特征，从而理解疾病发生的本质。同时，以高性能计算为基础，为新科学发现提供数据存储、计算精度和计算速度上的支撑。

　　张春明以药物研发为例解释了计算医学的前景。在传统药物研发路径中，跟随商业趋势，通过大量实验探索进行的研发，不仅时间长、成本高，成功率也相对较低，并且成规模化研发相对较困难。而引入了计算医学后，药物研发的差异化创新能力增强，全流程仿真研发全过程仅需约2周的时间，并可预知结果。通过计算完成了大量试错，减少了很多无意义的实验，同时，通过系统认知疾病、靶点，提升规模化能力。

　　新视角仍待持续探索

　　近年来，随着数据的飞速积累以及大数据的处理挖掘方法不断成熟，以深度学习、自然语言处理、知识图谱为代表的人工智能方法在分子合成、医学图像识别、病历信息化等领域已经取得了令人瞩目的成就。这些应用场景和技术领域的革新也推动计算医学进入了快速发展期。

　　接下来，在第三代人工智能“数据﹢知识”双驱动下，通过建立生命的数字孪生，计算医学更加接近对于生命功能的核心认知。

　　“机器学习是一种全新的、人类无法真正理解、但能被实践检验的认知方法论。我们是相信‘实践是检验真理的标准’，人机互补构建命运共同体，还是坚持机器必须给人讲明白演绎和归纳过程才是真理，人类将面临新的选择。”中国工程院院士李国杰曾表示，要让机器学习在生物医学领域发挥更大的作用，需要在基础研究方面下更大的功夫。

　　张春明坦言，传统的生物信息学也面临着逃避不开的“门槛”，“维度诅咒”就是其中之一。数据爆炸带来了成千上万个可检测的潜在生物标志物。传统的生物信息学工具、分析方法无法将日益增长、多样性的数据用以发现生物标志物，用上述方法筛选出的生物标志物只能代表小范围内的患者特征，在前瞻性临床试验中无法得到验证。在这种情况下，如何将海量信息全部加以利用，继而形成可衡量的指标就变得非常重要。

　　如果将算力比喻为飞机，一架装载生物医学数据的“飞机”，还得有“既懂飞机，又懂装载物”的深度交叉团队来当“驾驶员”。而既有生物医学深刻认知并具备超算并行优化技术的团队，在全球来说都极为稀缺。

　　赵宇表示，随着生物技术﹢信息技术的深度融合，以及数据成本的不断降低，行业认知不断加深，计算医学将为药物研发、疾病诊断新工具和新疗法的诞生提供可能性，随着这项新技术体系的不断自我迭代，随着“数字孪生人”建立，个性化医疗照进现实，会为医学研究、生物医药产业的发展引入新范式。

　　

原文链接：http://wsjkw.hebei.gov.cn/html/zwyw/20220721/389780.html
[免责声明] 本文来源于网络转载，仅供学习交流使用，不构成商业目的。版权归原作者所有，如涉及作品内容、版权和其它问题，请在30日内与本网联系，我们将在第一时间处理。