25亿美元、10年的研究——一个药物的开发过程大概需要如此高昂的成本。但是，只有十分之一的药物能通过所有阶段最终到达病人手中。当今这浮躁且快节奏的时代，既担不起这样巨大的开支, 也经不住这样漫长的等待。

正是在药物研发领域，AI技术可以发挥最大效用，使药物研发更快速、更低价、更有效。虽然一些药剂师对此仍持怀疑态度，但大多数专家预测AI工具将在这一领域变得日益重要，人工智能和机器学习将开创一个更快速、更低价且更高效的药物研发时代。

据麦肯锡估计：大数据和机器学习技能够优化决策、优化创新以及提高医学研究、临床试验和新工具创建的效率，每年可以在制药和医疗领域创造高达100亿美的收入。

AI有可能改变药物发现的整个过程。

目前，从设想开始到测试，药物开发的各阶段之间没有联系。相反，从机器学习的角度来看，各阶段之间变得相互关联，因为你可以使用下一阶段的数据来理解前一阶段或之前两阶段发生的情况。

此外，同时访问多个数据可以识别可量化的片段，而不是使用广泛的描述符，例如：疾病症状。

借助机器学习技术，研究人员可以对大量患者进行试验，获得不同的结果，并将其映射到患者的分子标记遗传上，从而在更稳固的基础上定义疾病。

人工智能已成功应用于药物开发的所有主要阶段：

第零阶段：文献综述第一阶段：确定干预目标第二阶段：发现候选药物第三阶段：加快临床试验第四阶段：寻找诊断疾病的生物标志物

药物研发的主要阶段

第零阶段：文献综述

当下，每天都有大量的研究被发表，如果我们能整理所有研究的观点，就可以进行更好的假设。

但是，一个人不可能阅读所有的摘要和科学论文，因此科学领域工作的研究人员通常只关注某一个领域，而不阅读其他期刊。而这些期刊包含大量相关数据，可以为一个人提供其研究领域的信息。

针对这种情况，解决方案是：让机器读取所有可用的文献、专利和文档，并将数据汇集在可从文献中提取的实例数据库中。这构成了寻找疾病治疗切入点的假设的基础。

第一阶段：确定干预目标

药物开发的第一步是：了解疾病的生物学起源，及其抗性机制。

要治疗疾病，确定合适的目标（通常是蛋白质）是至关重要的。

高通量技术的广泛应用，如：短发夹RNA（shRNA）筛选和深度测序，已经增加了用于发现可行目标途径的数据量。但是，整合大量多样化数据源，然后找到相关模式仍是一个挑战。

众所周知，机器学习算法在这些任务中表现良好，并且能处理所有可用数据以自动预测合适的目标蛋白质。