斯坦福大学的一位遗传学家，最近用一款叫Co-Scientist的工具，找到了对付慢性肝病和肝纤维化的潜在旧药方向——这事儿不是什么重磅突发，但确实戳中了肝病治疗里的一个痛点。
旧药重利用，是被低估的捷径
很多人没算过一笔账：新药研发的平均周期超十年，死亡率超过90%，光是临床前的毒性测试就能耗掉大几千万。而旧药不一样——已经过了人体安全性验证，只要能找到它对应的新适应症，就能跳过至少1/3的前期测试，直接进入临床阶段。
我之前接触过做药物研发的朋友，他说公司每年在旧药重利用上的投入，比开发全新分子少30%，成功率却高两倍。这次斯坦福的团队，没去挖从没被研究过的新化合物，而是盯着那些已经获批、甚至上市多年的药物，找它们和肝纤维化相关的基因靶点关联——说白了，就是从“现成的金子”里，淘出能治肝病的那一小块。
Co-Scientist不是黑箱，是“线索串联器”
市面上不少AI药物工具都是黑箱：给你一个结果，却不说为啥。但Co-Scientist不一样，它的逻辑是把散落在数据库里的“隐性关联”一条条摆出来。比如某款原本用于调节免疫系统的旧药，AI一搜，发现它能抑制肝星细胞的活性——而肝星细胞正是肝纤维化的核心推手，这就是个值得深挖的线索。
这位遗传学家说，换做以前靠人工梳理，要把基因表达数据、药物靶点数据、肝病病理数据全对上，至少要花一年时间。用Co-Scientist的话，几周就能出初筛结果，还能把关联的细节列得明明白白，不用猜“AI到底是怎么想的”。
对行业和患者，都是实打实的利好
对药企来说，这种模式的风险低太多了。旧药的安全数据是现成的，不用花大价钱做长期毒性实验，研发周期至少能缩到原来的一半。对患者呢？肝纤维化现在的治疗方案太有限了，尤其是进展到中期的患者，可选的药只能延缓硬化，没法逆转。
要是用AI筛出来的旧药能快速推进临床，说不定几年内就能落地——不用等十几二十年的新药研发。当然，旧药转适应症也不是没坑：比如有些旧药的靶点在肝脏里的表达量很低，体外数据好看，体内可能没用，AI筛出来的只是候选，最后还要靠临床验证。
那话说回来，用AI帮着找旧药，会不会成了顶级机构和药企的专属游戏？毕竟要凑齐这么多精准的基因数据集和药物靶点数据，可不是随便哪个小团队能做到的。
素材来源：Google DeepMind Blog · AI情报、AI行业观察
查看报道原文
发表第一条评论吧