編者按

人工智能在制藥領(lǐng)域的應(yīng)用，可以提高藥物研發(fā)的成功率，高效優(yōu)化藥物生產(chǎn)工藝。在群體藥物動力學(xué)的研究中，從海量的臨床大數(shù)據(jù)中抽提出更多對患者有用的信息；在藥物技術(shù)審評中，可以大幅提高審評環(huán)節(jié)的效率。在制藥領(lǐng)域中有效地利用神經(jīng)網(wǎng)絡(luò)技術(shù)，必將為開創(chuàng)藥物創(chuàng)新與研發(fā)、生產(chǎn)、臨床的新時代。本文結(jié)合既往在人工神經(jīng)網(wǎng)絡(luò)與藥學(xué)相結(jié)合的領(lǐng)域的研究經(jīng)驗，選取數(shù)個重點研究方向加以分析，供業(yè)界人士研討分享。

另外，本文作者張星一在京都大學(xué)留學(xué)期間，師從國際藥學(xué)聯(lián)盟副主席、京都大學(xué)研究生院藥學(xué)研究科藥物藥代動力學(xué)控制領(lǐng)域橋田充、高倉喜信教授，并翻譯了他的導(dǎo)師們所著的《圖解藥物傳遞系統(tǒng)》一書。該書中文版的問世，或?qū)⒂兄谔嵘龂鴥?nèi)制劑水平，促進(jìn)一致性評價，與本文AI中的優(yōu)化處方設(shè)計不失為同一主題。

《圖解藥物傳遞系統(tǒng)》中文版。

主編 橋田充  執(zhí)行主編  高倉喜信 

主譯  張星一 吳綺峰

撰文 | 張星一  呂虹（首都醫(yī)科大學(xué)附屬天壇醫(yī)院檢驗科副主任）

近年來比較有名的阿爾法狗（Alfa-Go）事件是比較典型的利用高水平的世界圍棋大師來對人工智能的圍棋神經(jīng)運(yùn)算程序進(jìn)行優(yōu)化的例子。公眾和媒體一般將注意力集中在人與機(jī)器孰勝孰負(fù)上面，其實這場人機(jī)大戰(zhàn)的真正目的在于訓(xùn)練神經(jīng)網(wǎng)絡(luò)，通過向優(yōu)秀的導(dǎo)師學(xué)習(xí)，使之達(dá)到比較高的運(yùn)算水平。

在Alfa-Go之后，谷歌旗下的Deepmind公司又趁勢推出了無導(dǎo)師學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)產(chǎn)品，即將圍棋的規(guī)則告訴機(jī)器，由計算機(jī)自身逐步推演，進(jìn)而獲得超高水平的圍棋能力，也同樣戰(zhàn)勝了圍棋世界冠軍。有/無導(dǎo)師這兩種方式均是人工智能神經(jīng)網(wǎng)絡(luò)的典型學(xué)習(xí)方式。

神經(jīng)網(wǎng)絡(luò)技術(shù)簡介

現(xiàn)代計算機(jī)具有很強(qiáng)的計算和信息處理能力，但是它只能按照人們事先編好的程序機(jī)械地執(zhí)行，缺乏自我學(xué)習(xí)、變通、處理新問題的能力。早在20世紀(jì)初，人們已經(jīng)知道人腦的工作方式與計算機(jī)不同。

人腦是由極大量的神經(jīng)元經(jīng)過復(fù)雜的互相連接而形成的一種高度復(fù)雜的、非線性的、并行處理的信息處理系統(tǒng)。單個神經(jīng)元的反應(yīng)速度是在毫秒級，比計算機(jī)的基本單元———邏輯門（反應(yīng)時間在10-9s量級）低5~-6個數(shù)量級。由于人腦的神經(jīng)元數(shù)量巨大（約為1010個），每個神經(jīng)元可與幾千個其他神經(jīng)元連接（總連接數(shù)約為6*1013），對有些問題的處理速度反而比計算機(jī)快得多。它的能耗約為每一運(yùn)算10-16J/s（計算機(jī)為每一運(yùn)算10-6J/s），可見其性能要比現(xiàn)代計算機(jī)高得多。

因此，從模仿人腦智能的角度出發(fā)，來探尋新的信息表示、存儲和處理方式，設(shè)計全新的計算機(jī)處理結(jié)構(gòu)模型，構(gòu)造一種更接近人類智能的信息處理系統(tǒng)，來解決實際工程和科學(xué)研究領(lǐng)域中，傳統(tǒng)計算機(jī)難以解決的問題，必將大大促進(jìn)科學(xué)進(jìn)步，并會在人類生活的各個領(lǐng)域引起巨大變化，這就促使人們研究人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Networks，ANN）系統(tǒng)。簡而言之，就是模仿人腦工作方式而設(shè)計的一種機(jī)器[1]。

AI發(fā)展有兩大類，第一類模擬人類經(jīng)驗的方法和系統(tǒng)，并從一系列規(guī)則中（例如從專家網(wǎng)絡(luò)系統(tǒng)）得出結(jié)論，第二類包括模擬大腦工作方式的系統(tǒng)，例如人工神經(jīng)網(wǎng)絡(luò)（ANN）。

從20世紀(jì)80年代初神經(jīng)網(wǎng)絡(luò)的研究再次復(fù)蘇并形成熱點以來，發(fā)展非常迅速，從理論上對它的計算能力、對任意連續(xù)映射的逼近能力、學(xué)習(xí)理論以及動態(tài)網(wǎng)絡(luò)的穩(wěn)定性分析上都取得了豐碩的成果。

特別是在應(yīng)用上已迅速擴(kuò)展到許多重要領(lǐng)域，如模式識別與圖像處理、化工過程控制、機(jī)械手運(yùn)動控制、金融預(yù)測與管理、通信及氣象。人工智能（Artificial Intelligence）方法在優(yōu)化的藥物設(shè)計，候選分子的篩選和鑒定以及定量結(jié)構(gòu) - 活性關(guān)系（QSAR）研究中發(fā)揮著越來越重要的作用[1]。

   表1  傳統(tǒng)計算與人工神經(jīng)網(wǎng)絡(luò)方法的差異[2] 

ANN種類很多，反向傳播模型（Back Propagation, BP）是最常見的一種，如下圖表示。

圖1：神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

第一層（X1至Xn）作為輸入層，僅用于輸入獨立變量，如處方組成、工藝因素、藥物的理化參數(shù)等，沒有計算功能；最后一層（Y1至Yn）是輸出層，用來輸出對應(yīng)變量的運(yùn)算結(jié)果，如體外藥物釋放情況、藥物經(jīng)皮滲透系數(shù)等。隱層處在輸入層和輸出層之間，在兩者之間提供相關(guān)聯(lián)系。問題的復(fù)雜性決定了隱層的數(shù)量。構(gòu)成神經(jīng)網(wǎng)絡(luò)框架的點，稱作人工節(jié)點，這些人工節(jié)點根據(jù)權(quán)重輸入進(jìn)行信息處理并輸出處理結(jié)果[3]。

確定輸入和輸出層的節(jié)點數(shù)、隱層數(shù)量和隱層節(jié)點數(shù)之后，就可以建立建立ANN 模型。ANN 模型通過訓(xùn)練過程獲得，訓(xùn)練過程包括數(shù)據(jù)擬合到神經(jīng)網(wǎng)絡(luò)模型中。用ANN 模型訓(xùn)練或?qū)W習(xí)是在當(dāng)訓(xùn)練數(shù)據(jù)組(已知輸入/ 輸出數(shù)據(jù)組) 或數(shù)據(jù)出現(xiàn)在ANN 模型時處理節(jié)點間連接的權(quán)重系數(shù)的調(diào)節(jié)過程[3]。

ANN 模型建立以后，其訓(xùn)練和學(xué)習(xí)是關(guān)鍵。一方面可以通過訓(xùn)練不斷優(yōu)化神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)（如層數(shù)、神經(jīng)元的個數(shù)），另一方面，通過大量有效的數(shù)據(jù)的訓(xùn)練，也可以使得神經(jīng)網(wǎng)絡(luò)的人工智能能力越來越強(qiáng)大，逐漸接近真實世界的變化規(guī)律。人工智能的學(xué)習(xí)又分為有導(dǎo)師學(xué)習(xí)和無導(dǎo)師學(xué)習(xí)。

人工神經(jīng)網(wǎng)絡(luò)在藥物研發(fā)領(lǐng)域的應(yīng)用

藥物高通量篩選    據(jù)統(tǒng)計，藥物研發(fā)一般需耗時10年，篩選約10萬個候選化合物，費用高達(dá)10億美金。自進(jìn)入21世紀(jì)以來，藥物研發(fā)的成本和時間還在不斷攀升，由于研發(fā)成本高企，已經(jīng)導(dǎo)致了多起全球巨頭企業(yè)之間的合并與業(yè)務(wù)重組。創(chuàng)新藥物研發(fā)的大部分的時間和經(jīng)費都花在了從10萬個化合物中篩選出1000個到100個，及至10個以及到最后得到確定的1個藥物成果的過程中。AI技術(shù)可以通過對現(xiàn)有化合物數(shù)據(jù)庫信息的整合和數(shù)據(jù)提取、機(jī)器學(xué)習(xí)，提取大量化合物與毒性、有效性的關(guān)鍵信息，既避免了盲人摸象般的錯誤路徑，有可以大幅提高篩選的成功率。目前已經(jīng)有加拿大的初創(chuàng)公司開展這方面的探索研究與業(yè)務(wù)。

如果能在藥物高通量篩選中采用以神經(jīng)網(wǎng)絡(luò)自主學(xué)習(xí)為基礎(chǔ)的人工智能技術(shù)，將小分子化合物藥物的研發(fā)成功率提高10倍，則可以大幅降低小分子化學(xué)藥的研發(fā)成本，使之成功率達(dá)到或接近當(dāng)前流行的生物藥新藥的研發(fā)成功率，必然會帶來小分子化學(xué)藥研發(fā)領(lǐng)域的一場革新，使得研發(fā)界重新審視小分子化學(xué)藥的研發(fā)，將研發(fā)投資的關(guān)注點從當(dāng)前的熱點治療領(lǐng)域，如艾滋病、腫瘤、糖尿病等，轉(zhuǎn)向更多的治療領(lǐng)域，從而大幅降低以前由于病例過少，無利可圖的被稱為孤兒藥的領(lǐng)域的研發(fā)成本，提供更多的可選藥物上市，緩解兒童用藥、老年用藥等領(lǐng)域無新藥可用的窘境，增加社會福祉，降低藥品成本和醫(yī)保支出。

據(jù)報道，Aoyama等利用BP網(wǎng)絡(luò)對29個芳基丙烯酰哌嗪類化合物的抗高血壓活性進(jìn)行了研究，結(jié)果表明優(yōu)于自適應(yīng)最小二乘法[4]。Innoplexus公司使用AI從成千上萬個數(shù)據(jù)源的數(shù)十億不同數(shù)據(jù)點中獲取分析，幫助研究人員通過從生物醫(yī)學(xué)數(shù)據(jù)源（包括出版物、臨床試驗、大會論文）中查看信息來改進(jìn)決策制定。

藥物工藝優(yōu)化（原料藥和制劑）   人工神經(jīng)網(wǎng)絡(luò)最適合處理復(fù)雜的多元非線性關(guān)系。藥品開發(fā)過程是一個多變量優(yōu)化問題，涉及到配方和工藝變量的優(yōu)化。這些復(fù)雜的關(guān)系很難用傳統(tǒng)的數(shù)理方法建模優(yōu)化。配方設(shè)計的定量方法中的一個難點是理解因果因素與個體藥物響應(yīng)之間的關(guān)系。此外，對于一種性質(zhì)所期望的制劑并不總是合乎其他特征的需要。而人工神經(jīng)網(wǎng)絡(luò)可以識別和學(xué)習(xí)輸入和輸出數(shù)據(jù)對之間的相關(guān)模式，一旦訓(xùn)練完畢，它們可以用來預(yù)測新的數(shù)據(jù)集的輸出。ANN最有用的特性之一就是其預(yù)測能力，這些特性非常適合于解決藥品開發(fā)中制劑優(yōu)化領(lǐng)域的問題[2]。

ANN模型在口服控釋制劑的處方前分析階段已得到應(yīng)用。據(jù)報道Ebube等建立了可以預(yù)測藥物物化性質(zhì)的人工神經(jīng)網(wǎng)絡(luò)模型，如水解性、玻璃轉(zhuǎn)化溫度和親水性高分子材料的流變性以及用來制備控釋制劑骨架片的親水性高分子材料混合物的混合。結(jié)果表明，人工神經(jīng)網(wǎng)絡(luò)模型可以準(zhǔn)確預(yù)測吸水性、玻璃轉(zhuǎn)化溫度和不同親水性高分子材料的黏滯度，預(yù)測誤差低至0~8%。

ANN模型可以用來預(yù)測和優(yōu)化不同類型的控釋制劑。吳建軍等以甲氧芐胺、卡馬西平、磺胺甲惡唑為模型，根據(jù)神經(jīng)網(wǎng)絡(luò)預(yù)測不同藥物在不同溶出介質(zhì)條件下的釋放結(jié)果，試驗結(jié)果顯示人工神經(jīng)網(wǎng)絡(luò)所構(gòu)建的釋藥模型擬合值、預(yù)測值和實測值符合度較好，表明人工神經(jīng)網(wǎng)絡(luò)用于預(yù)測不同藥物的HPMC骨架片在不同溶出介質(zhì)中的釋放是可行的，進(jìn)而可以對藥物有效設(shè)計和優(yōu)化處方[3]。

梁文權(quán)等人還利用ANN對鹽酸帕羅西汀緩釋微丸的釋放行為進(jìn)行預(yù)測。共設(shè)計了20個處方，其中16個處方最為訓(xùn)練處方，其余4個處方作為測試處方，制備出鹽酸帕羅西汀膜控釋微丸，進(jìn)行釋放度檢查。比較實測數(shù)據(jù)和人工神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果，發(fā)現(xiàn)用人工神經(jīng)網(wǎng)絡(luò)對鹽酸帕羅西汀緩釋微丸的釋藥行為進(jìn)行預(yù)測，結(jié)果擬合度較高，預(yù)測精度達(dá)0.9899[5]。

吳文芳等人將專家系統(tǒng)和ANN結(jié)合使用，成功開發(fā)了格列吡嗪推拉式滲透泵控釋片，其體外釋放與市售制劑相似，與瑞易寧在Beagle 犬體內(nèi)生物等效，開發(fā)產(chǎn)品制定的釋放度質(zhì)量標(biāo)準(zhǔn)高于進(jìn)口注冊標(biāo)準(zhǔn)[6]。

ANN在預(yù)測透皮制劑透過人體皮膚的滲透性方面也得到應(yīng)用。 徐從娟等以定量構(gòu)效關(guān)系分析為基礎(chǔ)，以藥物分子的分子量、正辛醇/水分配系數(shù)、氫鍵共體數(shù)等作為輸入，以藥物經(jīng)皮滲透系數(shù)為輸出，構(gòu)建神經(jīng)網(wǎng)絡(luò)并對模型進(jìn)行訓(xùn)練，預(yù)測了10種藥物的經(jīng)皮滲透系數(shù)，結(jié)果表明，ANN模型具有較高的預(yù)測精度 [7]。

藥物分析  藥物分析是藥物研發(fā)和質(zhì)量控制的關(guān)鍵部分，ANN也可用于藥物分析研究。如高效毛細(xì)管電泳（HPCE）具有高柱效、低試劑消耗、污染小、分離方式多樣等優(yōu)點，廣泛應(yīng)用于藥物分析，其中作為定性參數(shù)的遷移時間與實驗條件的關(guān)系一直是關(guān)注焦點。白景清等運(yùn)用ANN建立毛細(xì)管電泳遷移時間的預(yù)測方法，通過毛細(xì)管區(qū)帶電泳（CZE）的實驗電壓和緩沖溶液的例子強(qiáng)度，對多種藥物的遷移時間進(jìn)行預(yù)測，結(jié)果顯示ANN對藥物的CZE遷移時間可準(zhǔn)確預(yù)測，為藥物定性分析提供依據(jù)[8]。

藥物一致性和臨床試驗   在仿制藥一致性評價中，生物等效性試驗（Bioequivalence, BE）試驗的一致性判別是一大難點。按照傳統(tǒng)統(tǒng)計學(xué)的要求，有時需要使用大量的受試者才能符合統(tǒng)計學(xué)的要求。采用ANN對藥物的量效關(guān)系進(jìn)行深度學(xué)習(xí)以后，就可以建立起某種藥物的劑量-療效的人工智能模型，利用神經(jīng)網(wǎng)絡(luò)自動預(yù)測藥物的治療效果，從而及大地緩解一致性評價資源短缺的矛盾，并提高一致性研究的成功率。

在經(jīng)典的大規(guī)模臨床試驗中，經(jīng)常納入數(shù)百例乃至上千例受試者，其統(tǒng)計結(jié)果還常常不可靠。由于傳統(tǒng)的統(tǒng)計學(xué)方法的內(nèi)在擬合算法多采用多元多次方程，其數(shù)據(jù)擬合能力有限，遠(yuǎn)不及神經(jīng)網(wǎng)絡(luò)算法。如能在臨床統(tǒng)計中應(yīng)用神經(jīng)網(wǎng)絡(luò)的人工智能算法，則可以更有效地采集和分析耗費昂貴經(jīng)費得到的受試者的生物信息，給出更高效、更準(zhǔn)確的統(tǒng)計結(jié)論，也使得對各個受試者亞群（如健康者、病患者、高齡者、低齡組、人種差異等）給出更詳盡的分析報告，大幅提高臨床試驗的數(shù)據(jù)價值。

ANN代表了一種新的獨立于傳統(tǒng)數(shù)理模型的方法，可用于分析藥代動力學(xué)（Pharmaco-kinetics, PK）和藥效學(xué)（Pharmaco-dynamics, PD）數(shù)據(jù)。Yamanura等在15個生理測定值的基礎(chǔ)上利用人工神經(jīng)網(wǎng)絡(luò)預(yù)測氨基糖苷類藥物的血漿藥物濃度，用30個患者的15組生理測定值構(gòu)建神經(jīng)網(wǎng)絡(luò)，利用神經(jīng)網(wǎng)絡(luò)和多元線性回歸分析得到預(yù)測值。結(jié)果表明，ANN從患者的生理數(shù)據(jù)預(yù)測抗生素的血漿藥物濃度優(yōu)于標(biāo)準(zhǔn)統(tǒng)計方法[9]。

臨床上由于免疫抑制劑他克莫司的藥代動力學(xué)存在較大的個體內(nèi)和個體間差異，單憑給藥劑量預(yù)測血藥濃度難度很大。Chen等利用神經(jīng)網(wǎng)絡(luò)結(jié)合遺傳算法選擇，對肝移植患者的他克莫司血藥濃度進(jìn)行預(yù)測，結(jié)果表明預(yù)測結(jié)果與觀測值無顯著差異，利用ANN能夠根據(jù)患者的臨床參數(shù)精確預(yù)測患者的血藥濃度[9]。

ANN還可用于預(yù)測定量結(jié)構(gòu)和藥動學(xué)參數(shù)之間的關(guān)系。Gobburu等選用了10個已知關(guān)鍵藥動學(xué)參數(shù)的β腎上腺素受體，用辛醇/水分配系數(shù)、pKa和血漿蛋白結(jié)合率作為輸入構(gòu)建神經(jīng)網(wǎng)絡(luò)，并對藥物總量的穩(wěn)態(tài)分布容積、游離藥物的穩(wěn)態(tài)分布容積、腎臟清除率、非腎臟清除率等進(jìn)行預(yù)測，結(jié)果顯示神經(jīng)網(wǎng)絡(luò)對這些參數(shù)的預(yù)測值和實驗值相符合，且優(yōu)于多元線性回歸法[9]。

人工智能在審評與監(jiān)管中的應(yīng)用展望

創(chuàng)新藥的技術(shù)審評是一項高智力的活動，需要審評者均有豐富的研發(fā)經(jīng)驗、法規(guī)認(rèn)識以及風(fēng)險評估與控制能力。目前，世界最知名的藥品審評機(jī)構(gòu)—美國FDA擁有近五千人的高學(xué)歷審評員隊伍，我國的藥品審評員的人數(shù)近年來在國家大力的政策支持下，也從一百余人劇增到近八百人。人員的增加，不但帶來人力成本的支出，還會帶來巨大的管理成本。藥品審評作為典型的知識密集型行業(yè)，如能高效地運(yùn)用AI技術(shù)，則可以有效地學(xué)習(xí)和傳承審評經(jīng)驗，提高審評質(zhì)量，縮減人員規(guī)模，降低公共支出?，F(xiàn)階段可預(yù)測的審評領(lǐng)域的AI應(yīng)用有以下幾個場景：

1.藥品的技術(shù)審評涉及到大量技術(shù)資料的研讀，提取關(guān)鍵信息，以及做出技術(shù)和法規(guī)的判斷。該項工作基本為案頭工作，十分枯燥，從業(yè)人員常稱其為“力氣活”。如能應(yīng)用人工智能技術(shù)，在申報資料的信息提取階段，利用計算機(jī)自動研讀e-CTD申報資料中的關(guān)鍵信息，并自動生成審評報告基礎(chǔ)版，則能節(jié)約大量寶貴的審評專家的精力，大幅提高審評效率，使得審評專家集中精力專注于進(jìn)行技術(shù)研判，作出合理合規(guī)的審評結(jié)論。

2.在技術(shù)審評階段，會涉及到大量的結(jié)構(gòu)確證圖譜以及藥物分析的方法學(xué)、穩(wěn)定性研究的雜質(zhì)色譜圖及數(shù)據(jù)的研讀，如能將人工智能（AI）神經(jīng)網(wǎng)絡(luò)所擅長的圖像識別等技術(shù)應(yīng)用在色譜圖的審評中，則可以有效的篩分優(yōu)劣研究結(jié)果，并將審評者從浩如煙海的數(shù)據(jù)圖譜中解放出來，也能提高結(jié)構(gòu)確證和分析圖譜的研讀的準(zhǔn)確性，并使審評員集中精力用于在品種的風(fēng)險評價工作上，而不是埋頭在小山一樣的資料中收集基礎(chǔ)信息，大幅提高審評效率和準(zhǔn)確度。

3.在審評的相關(guān)領(lǐng)域，如立卷審查和制證階段，也可以引入人工智能，按法規(guī)要求自動完成立卷審查以及批件初稿的制作，按法規(guī)要求自動進(jìn)行藥品質(zhì)量標(biāo)準(zhǔn)和說明書、標(biāo)簽的初級校核，讓審評專家集中精力進(jìn)行關(guān)鍵技術(shù)信息的把控，可以大幅提高審評效率。解決目前技術(shù)審評環(huán)節(jié)的人力緊張、時限延長等社會反映比較集中的焦點問題。也可以使得審評機(jī)構(gòu)集中精力用于審評員的專業(yè)水平提升，從繁重的日常業(yè)務(wù)中解脫出來，打造一個高素質(zhì)的審評專家隊伍。

4.人工智能（AI）神經(jīng)網(wǎng)絡(luò)還可以用于審評專家?guī)斓淖詣雍Y選、更新和選擇，使得審評專家?guī)炷芗皶r跟上技術(shù)進(jìn)步的腳步，自動從海量文獻(xiàn)的發(fā)表者中篩選出該領(lǐng)域的技術(shù)專家和領(lǐng)軍人物，及時充實到技術(shù)審評專家?guī)熘?。在專家審評咨詢會的遴選階段，也可以結(jié)合人工智能大數(shù)據(jù)的功能，自動篩選相關(guān)領(lǐng)域的核心專家，邀請其參加相應(yīng)的品種的專家會議，并根據(jù)專家個人信息，自動執(zhí)行專家回避制度，避免與該品種利益相關(guān)的專家的參會。同時由于專家會上專家的發(fā)言多從自身專業(yè)領(lǐng)域出發(fā)，不一定都與該品種的審評相關(guān)，人工智能系統(tǒng)可以根據(jù)品種特點，自動篩選出與品種審評相關(guān)性高的專家評語，錄入會后的總結(jié)系統(tǒng)，形成會議紀(jì)要，可以大幅提高專家咨詢會議的效果。

結(jié)語

人工智能神經(jīng)網(wǎng)絡(luò)技術(shù)當(dāng)前正方興未艾，得到了廣泛的關(guān)注，被譽(yù)為工業(yè)4.0的下一個風(fēng)口。經(jīng)過二十余年的技術(shù)和產(chǎn)品迭代，已經(jīng)從一門探索性的前沿技術(shù)，演變成了當(dāng)前資本追逐的熱點，各行各業(yè)都對人工智能給予了極大的期望。

目前藥學(xué)領(lǐng)域?qū)θ斯ぶ悄芎蜕窠?jīng)網(wǎng)絡(luò)技術(shù)的研究與應(yīng)用，尚處于萌芽狀態(tài)。本文選取了人工智能可以發(fā)揮功效的幾個主要方面，對神經(jīng)網(wǎng)絡(luò)在藥學(xué)研究中的應(yīng)用做了初步的展望，希望能引起藥學(xué)界的專家和同仁們的重視，積極地響應(yīng)國家對人工智能的號召，把神經(jīng)網(wǎng)絡(luò)技術(shù)和制藥技術(shù)更多地結(jié)合起來，提高藥物研發(fā)的產(chǎn)出率，增加優(yōu)質(zhì)高效的藥品的高質(zhì)量供給，并高效地進(jìn)行藥品的技術(shù)審評與核查，使得醫(yī)藥產(chǎn)品的全產(chǎn)業(yè)鏈和全生命周期都得到質(zhì)的飛躍。

編者注：原文刊登在《中國新藥雜志》，經(jīng)作者推薦在研發(fā)客公眾號全文轉(zhuǎn)載以供業(yè)界參考。本文略做編輯，感謝作者和藥品審評中心的支持。

張星一

藥學(xué)博士，藥物傳遞系統(tǒng)和群體藥物動力學(xué)方向，日本京都大學(xué)訪問學(xué)者。自2001年起從事審評工作，現(xiàn)任國家食品藥品監(jiān)督管理總局藥品審評中心高級審評員、副主任藥師、主審。作者聯(lián)系方式：zhangxy@cde.org.cn

研發(fā)客 特約作者

參考文獻(xiàn)

 [1]人工神經(jīng)網(wǎng)絡(luò)與模擬進(jìn)化計算. 第2版，閻平凡，張長水編著，清華大學(xué)出版社。

[2]Basic concepts of artificial neural network (ANN) modelingand its application in pharmaceutical research.S. Agatonovic- Kustrin, R. Beresford. J. Pharm. Biomed. Anal. 22 (2000) 717–727.

[3]人工神經(jīng)網(wǎng)絡(luò)在藥物控釋系統(tǒng)研究中的應(yīng)用.吳美珍,林一飛,范輝.中國現(xiàn)代應(yīng)用藥學(xué)雜志,2004 ,21 (4 期):281-282.

[4]人工神經(jīng)網(wǎng)絡(luò)在藥學(xué)中的應(yīng)用.相秉仁，高守國，李睿，劉國林等.上海醫(yī)藥,2001，22（5）：210-212.

 [5]人工神經(jīng)網(wǎng)絡(luò)預(yù)測鹽酸帕羅西汀緩釋微丸的藥物釋放. 朱正怡、胡功允、梁文權(quán). 中國現(xiàn)代應(yīng)用藥物雜志, 2008,25(6):520-524.

[6]利用專家系統(tǒng)和人工神經(jīng)網(wǎng)絡(luò)開發(fā)格列吡嗪推拉式滲透泵控釋片. 張志宏, 王 悅, 吳文芳, 趙 曦, 孫曉翠, 王煥青.藥學(xué)學(xué)報,2012, 47 (12): 1687?1695.

[7]BP神經(jīng)網(wǎng)絡(luò)預(yù)測藥物經(jīng)皮滲透系數(shù).徐從娟，陳維良，秦紅勇.

[8]人工神經(jīng)網(wǎng)絡(luò)預(yù)測7種藥物的毛細(xì)管電泳遷移時間.白景清，孫國祥，董鴻曄,孫毓慶.沈陽藥科大學(xué)學(xué)報，2003,20（1）：23-26.科技信息，2010,25:457-458.

[9]藥物動力學(xué)數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò)處理方法.何勤，吳芳，蔣學(xué)華，張志榮，聶飛.

華西藥學(xué)雜志，2002,17（2）:123-125.