?圖片來(lái)自singularityhub.com

撰文 | 李     偉（瑞璞鑫（蘇州）生物科技有限公司）

          黃     牛（北京生命科學(xué)研究所）

責(zé)編 | 葉水送

  ●　●　●

新藥研發(fā)的目標(biāo)是找到可調(diào)控機(jī)體生物學(xué)功能的實(shí)體物質(zhì)，如小分子、大分子或生物活體等。以小分子新藥研發(fā)為例，從靶點(diǎn)的發(fā)現(xiàn)與驗(yàn)證，到先導(dǎo)化合物的發(fā)現(xiàn)與優(yōu)化，再到候選化合物的挑選及開(kāi)發(fā)，最后進(jìn)入到臨床研究，每一個(gè)階段都有多種可用的方法和技術(shù)，各自優(yōu)缺并存，“擇其善者而用之”。

但每一階段的失敗率仍高居不下，新方法和新技術(shù)如果能有所幫助，自然博人眼球。近年來(lái)，人工智能在生物醫(yī)藥研發(fā)領(lǐng)域異軍突起，目前主要集中于靶點(diǎn)的發(fā)現(xiàn)與驗(yàn)證（如何理解疾病）和先導(dǎo)化合物的發(fā)現(xiàn)與優(yōu)化（如何設(shè)計(jì)藥物）。人工智能能否理解疾病，此前筆者的一篇文章“人工智能能否顛覆新藥研發(fā)”已有詳細(xì)論述。接下來(lái)這篇文章愿與大家聊一聊人工智能在藥物設(shè)計(jì)中的實(shí)與虛。

透過(guò)現(xiàn)象看本質(zhì)，藥物與靶標(biāo)的結(jié)合是一個(gè)自由能驅(qū)動(dòng)的物理學(xué)過(guò)程，無(wú)需任何化合物活性數(shù)據(jù)的第一性原理計(jì)算，無(wú)疑是最直接和最精確的方法。然而目前基于物理學(xué)原理的計(jì)算化學(xué)方法的速度和精度，還難以精確描述這樣一個(gè)分子識(shí)別過(guò)程，結(jié)合自由能計(jì)算結(jié)果不盡如人意。基于大數(shù)據(jù)而崛起的人工智能，能填充這樣的空白嗎？因?yàn)槿斯ぶ悄鼙旧硪彩怯?jì)算，所以數(shù)據(jù)驅(qū)動(dòng)的人工智能與基于物理學(xué)原理的計(jì)算化學(xué)方法或計(jì)算機(jī)輔助藥物分子設(shè)計(jì)（CADD）千絲萬(wàn)縷斬不斷。

從歷史的時(shí)間線來(lái)看，上世紀(jì)80年代的CADD，其劈風(fēng)斬浪之勢(shì)頭絲毫不遜色于當(dāng)前的人工智能。1981年10月5日，《財(cái)富》雜志就曾以“Next Industrial Revolution: Designing Drugs by Computer at Merck”的標(biāo)題稱贊CADD興起的革命?？傻搅?0年代，伴隨著高通量篩選和組合化學(xué)等新技術(shù)的發(fā)展（同樣經(jīng)歷熱捧后跌落的過(guò)山車），以及CADD并沒(méi)有帶給制藥業(yè)期待的革命性進(jìn)展（雖然在HIV蛋白酶抑制劑等藥物的研發(fā)的確發(fā)揮了重要作用），CADD 在藥物研發(fā)中的地位時(shí)常顯得尷尬，“他們說(shuō)這個(gè)化合物算出來(lái)不錯(cuò)？那我們?cè)囋?；他們說(shuō)這個(gè)化合物算出來(lái)不好？那我們?cè)囋嚒薄?/p>

從明日之星到明日黃花，不過(guò)匆匆十幾年的時(shí)間，人們并沒(méi)有那么長(zhǎng)的耐心?；跀?shù)據(jù)訓(xùn)練集的人工智能會(huì)讓人想起曾經(jīng)的定量構(gòu)效關(guān)系（QSAR）。定量構(gòu)效關(guān)系受限于算法的直白、數(shù)據(jù)集的偏向性和過(guò)擬合，預(yù)測(cè)能力無(wú)法令人滿意。

但近些年來(lái)，計(jì)算能力的迅猛提高和新的算法發(fā)展，對(duì)基于物理學(xué)原理的計(jì)算化學(xué)領(lǐng)域的發(fā)展有較大的推進(jìn)作用，有望進(jìn)入良性循環(huán)。與目前已有海量文獻(xiàn)顯示其實(shí)用效果的CADD技術(shù)相比，在早期新藥研發(fā)階段，人工智能的勝算如何？

相比而言，小分子與靶標(biāo)的體外相互作用數(shù)據(jù)（Ki、Kd、IC50等）是較高質(zhì)量的數(shù)據(jù)集：相互作用體系簡(jiǎn)單，數(shù)據(jù)標(biāo)識(shí)清晰，獨(dú)立變量少，歷史積累的數(shù)據(jù)量大。如果說(shuō)人工智能要在新藥研發(fā)領(lǐng)域真正成為一個(gè)工具（tool）而不是一個(gè)玩具（toy），預(yù)測(cè)小分子與蛋白的結(jié)合一定是最先的突破點(diǎn)之一。

小分子藥物基本上都是通過(guò)與體內(nèi)各種生物大分子進(jìn)行分子識(shí)別和結(jié)合來(lái)發(fā)揮作用（藥效動(dòng)力學(xué)）以及被作用（藥代動(dòng)力學(xué)），所以如果能夠計(jì)算結(jié)合強(qiáng)弱，那么除了活性預(yù)測(cè)，藥物的吸收、分布、代謝、排泄和毒性（ADMET）以及老藥新用等等都可得益。這也是為什么計(jì)算化學(xué)家一直在用基于物理學(xué)原理的方法，努力地把結(jié)合能的計(jì)算推動(dòng)到更加精確，譬如近年來(lái)自由能微擾（FEP）在某些生物體系能精確到1 kcal/mol，接近試驗(yàn)測(cè)量誤差。FEP得益于算法的改進(jìn)和計(jì)算能力的迅猛進(jìn)展，不過(guò)在真實(shí)世界的使用中，其速度、精度和廣度仍然有急需提升的必要，人工智能能否參與其中加速其進(jìn)展，是一個(gè)非常有意思的問(wèn)題。

其實(shí)神經(jīng)網(wǎng)絡(luò)早在上世紀(jì)90年底就已運(yùn)用于定量構(gòu)效關(guān)系的活性預(yù)測(cè)，因?yàn)橹疤岬降亩喾N原因而暫時(shí)擱淺，這幾年深度神經(jīng)網(wǎng)絡(luò)（DNN）又在這一領(lǐng)域抬起頭來(lái)。Merck和多倫多大學(xué)合作的發(fā)現(xiàn)，與之前的定量構(gòu)效關(guān)系相比，DNN能較好地預(yù)測(cè)測(cè)試集中化合物的活性；基于深度卷積神經(jīng)網(wǎng)絡(luò)（DCNN）的Chemception在活性預(yù)測(cè)方面也表現(xiàn)較好，且無(wú)需提供傳統(tǒng)定量構(gòu)效關(guān)系所需的分子描述符（疏水常數(shù)等理化特征），而是僅僅基于化合物結(jié)構(gòu)式提取相關(guān)特征進(jìn)行學(xué)習(xí)擬合。雖然前景喜人，但仍有問(wèn)題需要回答。傳統(tǒng)定量構(gòu)效關(guān)系本已詬病于其擬合的方程對(duì)后續(xù)理性設(shè)計(jì)的指導(dǎo)不足，而相比于傳統(tǒng)定量構(gòu)效關(guān)系，人工智能的問(wèn)題在于，黑匣子更“黑”了：其多層神經(jīng)網(wǎng)絡(luò)對(duì)數(shù)據(jù)的處理和特征的提取，常以人類理性無(wú)法理解的方式進(jìn)行，這也許是人工智能在真實(shí)世界應(yīng)用的障礙之一。

除了在定量構(gòu)效關(guān)系中用于活性及ADMET預(yù)測(cè)，人工智能在分子對(duì)接（Molecular docking）的打分函數(shù)（Scoring function）上也有一定的進(jìn)展?；诎袠?biāo)結(jié)構(gòu)的藥物設(shè)計(jì)（SBDD）需要依賴打分函數(shù)來(lái)預(yù)測(cè)小分子與蛋白的相互作用強(qiáng)弱及排序。傳統(tǒng)的打分函數(shù)主要基于力場(chǎng)（Force field-based）、經(jīng)驗(yàn)性函數(shù)（Empirical-based）和知識(shí)（Knowledge-based）。

隨著人工智能的興起，基于人工智能的打分函數(shù)也隨之而來(lái)。目前表現(xiàn)較好的人工智能模型主要是先通過(guò)傳統(tǒng)的分子對(duì)接軟件產(chǎn)生大量小分子-蛋白質(zhì)三維復(fù)合物結(jié)構(gòu)作為訓(xùn)練集，深度學(xué)習(xí)小分子與蛋白相互作用的關(guān)鍵特征， 類似于圖像的模式識(shí)別，獲得人工智能打分函數(shù)?；贒CNN的Atomwise開(kāi)發(fā)的 AtomNet以及IBM Watson開(kāi)發(fā)的DeepVS基本原理都與上述類似，并且都在虛擬篩選的方法學(xué)測(cè)試中表現(xiàn)出一些優(yōu)勢(shì)。

然而，制約數(shù)據(jù)驅(qū)動(dòng)的人工智能打分函數(shù)的關(guān)鍵是缺乏高質(zhì)量的蛋白-配體復(fù)合物結(jié)構(gòu)及其相應(yīng)活性的大數(shù)據(jù)集，尤其是數(shù)據(jù)庫(kù)中絕大多數(shù)的非活性化合物的結(jié)合模式完全依賴于分子對(duì)接軟件預(yù)測(cè)的精度，及化學(xué)環(huán)境是否有足夠的多樣性、區(qū)分度和正確標(biāo)識(shí)等都是值得探討的問(wèn)題，而且這種打分函數(shù)本身并無(wú)合理處理蛋白質(zhì)柔性的方案，還有小分子活性構(gòu)象的能量計(jì)算，活性口袋水分子的取舍，長(zhǎng)程相互作用等影響因素。需要強(qiáng)調(diào)的是，評(píng)估任何新計(jì)算方法的唯一標(biāo)準(zhǔn)是，是否能成功用于預(yù)測(cè)新的分子，今后這方面還需要加強(qiáng)數(shù)據(jù)共享以及同目前通用的分子對(duì)接方法進(jìn)行頭對(duì)頭的比較。

本質(zhì)上是物理過(guò)程的藥物和靶標(biāo)結(jié)合，沒(méi)有理由人工智能應(yīng)該取代物理，也沒(méi)有理由物理應(yīng)該排斥人工智能。從物理學(xué)的基本原理來(lái)說(shuō)，量子力學(xué)/化學(xué)的計(jì)算是目前我們可以達(dá)到的計(jì)算最高精度。然而在真實(shí)世界中，精確量化計(jì)算在生物體系中的計(jì)算量之巨大，是我們無(wú)法承擔(dān)的。高精度量化計(jì)算結(jié)合人工智能會(huì)是革命性的進(jìn)展。2007年，Jorg Behler和 Michele Parrinello 開(kāi)創(chuàng)性利用高斯徑向函數(shù)和高斯角函數(shù)作為基組編碼原子位置信息，引入神經(jīng)網(wǎng)絡(luò)來(lái)表征量化計(jì)算（DFT）勢(shì)能面，比DFT的計(jì)算要快上好幾個(gè)數(shù)量級(jí)（2017年，ANI-1更進(jìn)一步， 使用修改后的2007年Behler和Parrinello的symmetry function建立single-atom atomicenvironment vectors 來(lái)表征分子），所以深度學(xué)習(xí)可基于DFT量化計(jì)算結(jié)果進(jìn)行訓(xùn)練，學(xué)習(xí)產(chǎn)生的ANI-1可以計(jì)算比訓(xùn)練集所含體系更大的體系，而且和DFT的量化計(jì)算準(zhǔn)確程度基本一致，但是速度要快得多。量化計(jì)算 人工智能，值得期待。

上世紀(jì)90年代，全新藥物設(shè)計(jì)（De novo drug design）就已有相關(guān)的文獻(xiàn)報(bào)道，包括人工神經(jīng)網(wǎng)絡(luò)的應(yīng)用。不過(guò)受限于分子生長(zhǎng)和連接方式、成藥性、合成難易及計(jì)算資源的問(wèn)題，全新藥物設(shè)計(jì)能直接成功的案例并不多，多數(shù)還是需要藥物設(shè)計(jì)人員在自動(dòng)生成的分子上進(jìn)行調(diào)整。藥物設(shè)計(jì)可被認(rèn)為是一種模式識(shí)別，藥物化學(xué)家對(duì)于藥物分子結(jié)構(gòu)的識(shí)別，對(duì)藥物分子合成路線的分析以及藥物分子的生物學(xué)活性分析。人工智能要實(shí)現(xiàn)自動(dòng)化的藥物設(shè)計(jì)，其中一種策略是模擬藥物化學(xué)家的模式識(shí)別過(guò)程，包括基于原分子結(jié)構(gòu)的新分子的生成（即化合物庫(kù)的產(chǎn)生，定向或不定向），新分子與靶標(biāo)的相互作用的評(píng)估和排序（之前提及的打分函數(shù)等），以及新分子合成路線的評(píng)估（人工智能設(shè)計(jì)合成路線，后續(xù)有討論）。如果人工智能能在這三方面有所突破，再加上自動(dòng)化和高通量的活性測(cè)定方法，在某些合適的項(xiàng)目上，人工智能是有可能做到自主設(shè)計(jì)藥物分子的。而且藥物設(shè)計(jì)這一工作，正是人類智力的體現(xiàn)之一，雖然可能人工智能實(shí)現(xiàn)的方式不同，但殊途同歸。

基于先導(dǎo)化合物分子結(jié)構(gòu)來(lái)設(shè)計(jì)新分子，對(duì)藥物設(shè)計(jì)人員而言，通常是每次設(shè)計(jì)幾個(gè)、十幾個(gè)或者幾十個(gè)新化合物，但是對(duì)于人工智能而言，涉及到一個(gè)化合物虛擬庫(kù)的產(chǎn)生及其化合物多樣性。化合物結(jié)構(gòu)的多樣性一直是新藥研發(fā)的重要源頭，當(dāng)年追捧的組合化學(xué)，和現(xiàn)如今加了標(biāo)簽的DNA編碼庫(kù) （DEL），都是新藥研發(fā)人員為增加化合物多樣性做出的嘗試和努力。據(jù)化學(xué)家預(yù)測(cè)有1060的drug-like化合物可以被合成。伯爾尼大學(xué)的Reymond創(chuàng)造的Generated DataBase（GDB），從2006年的GDB-11包含2640萬(wàn)個(gè)虛擬的最多11個(gè)原子的化合物，到2012年的GDB-17包含1660億個(gè)虛擬的最多17個(gè)原子的化合物，涵蓋著廣闊的成藥空間。對(duì)人工智能而言，化合物數(shù)據(jù)標(biāo)識(shí)清晰，適合深度神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)。循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）能夠接受序列數(shù)據(jù)作為輸入特征，之前是用于自然語(yǔ)言處理領(lǐng)域，但如今在產(chǎn)生新化合物結(jié)構(gòu)方面效果顯著。AstraZeneca的研究人員以常見(jiàn)的SMILES字符串格式表征化合物，RNN首先通過(guò)類似學(xué)習(xí)語(yǔ)言的方式學(xué)習(xí)大量的SMILES文本是如何表征分子，由此擬合出的模型可以生成全新的SMILES字符串，即全新的分子且無(wú)偏向性，適用于虛擬篩選等各種用途；其次再基于遷移學(xué)習(xí)，將之前訓(xùn)練出的模型用某個(gè)針對(duì)性靶點(diǎn)的小分子數(shù)據(jù)集進(jìn)行再度訓(xùn)練，而且這個(gè)小分子數(shù)據(jù)集無(wú)需大量的數(shù)據(jù)；然后這個(gè)微調(diào)后的人工智能模型，在針對(duì)兩種病原菌的藥物設(shè)計(jì)中，產(chǎn)生的分子與真實(shí)世界中藥物化學(xué)家設(shè)計(jì)的化合物能有部分重合。

但仍有問(wèn)題需要回答。首先，人工智能所產(chǎn)生的化合物，與藥物化學(xué)家所認(rèn)可的符合藥化規(guī)則的化合物，差異有多大？如果都是成藥性差（如化學(xué)不穩(wěn)定）的分子，也沒(méi)有繼續(xù)優(yōu)化和開(kāi)發(fā)的價(jià)值。其次，人工智能所產(chǎn)生的化合物庫(kù)自身內(nèi)部的多樣性，目前發(fā)表的人工智能工作并沒(méi)有很好的探究，至少得比得上GDB-17的吧。努力擴(kuò)展化學(xué)空間，從中尋找滄海遺珠，仍然是人類及人工智能所應(yīng)追尋的重要目標(biāo)。

另一個(gè)方向則是人工智能在有機(jī)合成領(lǐng)域的進(jìn)展?；瘜W(xué)體系比生物體系簡(jiǎn)單，并且當(dāng)前可供人工智能學(xué)習(xí)的化學(xué)反應(yīng)的數(shù)量巨大。目前合成路線的設(shè)計(jì)依賴于化學(xué)家的經(jīng)驗(yàn)和知識(shí)，最常用的策略是E. J. Corey提出的逆向合成。不過(guò)最近IBM開(kāi)始研究通過(guò)學(xué)習(xí)海量的專利及文獻(xiàn)中的化學(xué)反應(yīng)來(lái)預(yù)測(cè)化學(xué)反應(yīng)，將人工智能在語(yǔ)言分析中的算法轉(zhuǎn)移到對(duì)化學(xué)反應(yīng)的解構(gòu)上，從而把預(yù)測(cè)化學(xué)反應(yīng)的問(wèn)題轉(zhuǎn)變?yōu)檎Z(yǔ)言翻譯的問(wèn)題。不過(guò)該方法只報(bào)道了準(zhǔn)確度（在測(cè)試集上為80.1%，如果噪音更大，準(zhǔn)確度還會(huì)進(jìn)一步降低），并沒(méi)有常見(jiàn)的用于評(píng)測(cè)新方法的特異性和敏感度，在真實(shí)世界中的實(shí)用性上可能需要打折扣。

2018年，Segler等人也在Nature發(fā)表了相關(guān)的工作，采用深度學(xué)習(xí)結(jié)合蒙特卡洛算法，通過(guò)學(xué)習(xí)大量已經(jīng)被多次驗(yàn)證過(guò)的化學(xué)反應(yīng)后，即可像人類一樣采用逆向合成的策略來(lái)設(shè)計(jì)合成路線，挑選出合適的起始原料。更重要的是，他們還展示了該人工智能方法比目前常用的計(jì)算機(jī)輔助合成路線設(shè)計(jì)方法要高效，而且在雙盲測(cè)試中得到研究生水平化學(xué)人員的肯定。除去特別罕見(jiàn)和復(fù)雜的分子，如果大部分普通的化合物能通過(guò)人工智能設(shè)計(jì)出成功率較高的合成路線，那的確是實(shí)質(zhì)性的進(jìn)展。即使該人工智能與優(yōu)秀的有機(jī)化學(xué)家相比有差距，但藥物設(shè)計(jì)人員仍然可以利用該人工智能軟件快速初步評(píng)估化合物的合成難易程度，將精力集中到可行性更大的化合物上，與有機(jī)合成人員的合作變得更加高效。

新藥研發(fā)的產(chǎn)品是藥物，而藥物保護(hù)其商業(yè)價(jià)值的方式是通過(guò)專利。專利保護(hù)和破解，有時(shí)像兩位高手過(guò)招，勝負(fù)常在不經(jīng)意間。藥物專利，尤其是最核心的化合物專利，文本結(jié)構(gòu)化，化合物的保護(hù)空間和層次都比較嚴(yán)謹(jǐn)，如果人工智能能通過(guò)比較學(xué)習(xí)海量的首創(chuàng)型新藥（First-In-Class）的化合物專利與模仿創(chuàng)新（Me-too / Me-better）的化合物專利之間化學(xué)結(jié)構(gòu)的變化模式，尋找到至少純化學(xué)空間（不討論簡(jiǎn)單修飾導(dǎo)致意想不到的效果的情況）上的專利保護(hù)方式和突破方式，其實(shí)也是以另一種方式實(shí)現(xiàn)了學(xué)習(xí)藥物設(shè)計(jì)，不過(guò)目前暫無(wú)研究報(bào)道。

最后，仍然需要問(wèn)的問(wèn)題是，藥物設(shè)計(jì)已有多年歷史，從完全的人腦設(shè)計(jì)，到目前常用的CADD手段和技術(shù)，文獻(xiàn)報(bào)道的成功案例多如牛毛。剛剛起步的基于人工智能的全新藥物設(shè)計(jì)，能在多大程度上PK人類優(yōu)秀的藥物設(shè)計(jì)家和現(xiàn)有的CADD技術(shù)？即使人工智能能自動(dòng)化生成化合物結(jié)構(gòu)、預(yù)測(cè)活性、設(shè)計(jì)合成路線，但評(píng)估分子好壞仍然是一個(gè)問(wèn)題。因?yàn)槌嘶钚?，藥物分子還需要綜合考慮藥代動(dòng)力學(xué)和毒性等各方面的性質(zhì)，有些標(biāo)準(zhǔn)并不完全清晰，不同藥物化學(xué)家對(duì)同一分子的評(píng)價(jià)也常常存在分歧，挑選臨床前候選化合物時(shí)并無(wú)放之四海皆準(zhǔn)的規(guī)則可以利用。這方面如何教好人工智能？仍然任重道遠(yuǎn)。

目前的人工智能高度依賴于高質(zhì)量有標(biāo)識(shí)的大數(shù)據(jù)，這就要求數(shù)據(jù)點(diǎn)是清晰的，同時(shí)是低成本的。人工智能作為分析數(shù)據(jù)，提出假說(shuō)的工具，最受歡迎的領(lǐng)域應(yīng)該是缺乏假說(shuō)，但又是驗(yàn)證假說(shuō)的成本低的領(lǐng)域。似乎新藥研發(fā)的曲調(diào)與當(dāng)前人工智能的氣質(zhì)搭配并不那么融洽，尤其是體內(nèi)生物學(xué)相關(guān)的工作，比如新靶點(diǎn)的驗(yàn)證耗時(shí)耗力，而驗(yàn)證體外活性和化學(xué)合成的預(yù)測(cè)可行性更大一些。不過(guò)人工智能仍然在進(jìn)化，在CNN領(lǐng)域做出重要貢獻(xiàn)的Yann LeCun，認(rèn)為雖然目前的人工智能的成就大都依賴于監(jiān)督學(xué)習(xí)，但是人工智能應(yīng)該發(fā)展的方向是不依靠大數(shù)據(jù)的非監(jiān)督學(xué)習(xí)，因?yàn)榉潜O(jiān)督學(xué)習(xí)更像是人類學(xué)習(xí)的方式；這與 UCLA的朱松純教授提出的“小數(shù)據(jù)、大任務(wù)范式（Small data for bigtasks）”，即不是用大量數(shù)據(jù)，而是用大量任務(wù)來(lái)訓(xùn)練人工智能（淺談人工智能：現(xiàn)狀、任務(wù)、構(gòu)架與統(tǒng)一 | 正本清源《視覺(jué)求索》）有異曲同工之妙。

?Facebook人工智能研究院院長(zhǎng)Yann LeCun，圖片來(lái)自smf.emath.fr

簡(jiǎn)單來(lái)看，新藥研發(fā)人員，并不需要學(xué)習(xí)他人無(wú)數(shù)的項(xiàng)目之后，才能學(xué)會(huì)做新的項(xiàng)目（否則早就被開(kāi)掉了）；James Black（諾貝爾獎(jiǎng)獲得者，提出理性藥物設(shè)計(jì)）在折騰西咪替丁和BruceRoth（藥物化學(xué)家，世界最暢銷藥Lipitor的發(fā)明人）在擺弄阿托伐他汀時(shí)，也并沒(méi)有身經(jīng)百戰(zhàn)；而目前的人工智能需要學(xué)習(xí)多少項(xiàng)目才能成為Vagelos（Merck前總裁，公認(rèn)的醫(yī)藥界領(lǐng)袖）。新藥研發(fā)歷來(lái)輸多勝少，失敗的原因涵蓋每個(gè)環(huán)節(jié)。倘若人工智能去學(xué)習(xí)新藥研發(fā)的所有案例，也許得出的模型是把藥廠統(tǒng)統(tǒng)關(guān)門(mén)大吉。

新藥研發(fā)路途艱險(xiǎn)，真實(shí)世界中更是狀況不斷，難以預(yù)測(cè)，即使財(cái)大氣粗，仍苦不堪言。大海行舟，茫茫無(wú)岸，任何新技術(shù)的誕生，都是對(duì)疲倦不堪的工業(yè)界的一劑強(qiáng)心針。對(duì)于新技術(shù)，我們追捧的是未來(lái)，但我們消費(fèi)的也是未來(lái)。追逐熱點(diǎn)永遠(yuǎn)是落后于熱點(diǎn)。云計(jì)算、大數(shù)據(jù)和人工智能都已經(jīng)熱了一圈，現(xiàn)在區(qū)塊鏈正當(dāng)火熱，也許不久的將來(lái)，我們還能看到“區(qū)塊鏈技術(shù)顛覆新藥研發(fā)”的投資新聞。

新藥研發(fā)圈也是江湖，江湖總有虛虛實(shí)實(shí)，真真假假，大佬未必可靠，草莽亦有英雄。欺山趕海，披星追月，追逐新藥永遠(yuǎn)在路上。頭頂?shù)男浅胶湍_踏的實(shí)地，缺一不可。披荊斬棘，需要的是一把好刀，好用即可，好看那是錦上添花。人工智能不是戈多，人工智能是實(shí)實(shí)在在正在我們身邊興起的事物。人工智能有很多優(yōu)勢(shì)，但也有很多不足，我們能做的，就是：仰望星空、腳踏實(shí)地，不忘初心、砥礪前行。