虽然生成式 AI 一词最近才变得家喻户晓，但药物研发公司英矽智能（Insilico Medicine）多年来一直使用它来开发治疗衰竭性疾病的新疗法。

该公司早期在深度学习上的投入正取得成果——其利用 AI 平台研发的一种候选药物现在正进入二期临床试验，用于治疗特发性肺纤维化，这是一种相对罕见的呼吸系统疾病，会导致肺功能逐渐下降。

英矽智能将生成式 AI 应用于临床前药物研发流程的各个环节：确定药物化合物可以靶点的分子、生成新的候选药物、衡量这些候选药物与靶点的结合程度，甚至预测临床试验的结果。

使用传统方法进行这项工作需要花费超过 4 亿美元，耗时长达 6 年。但是通过生成式 AI，英矽智能仅以十分之一的成本和三分之一的时间完成了这些工作，在项目启动两年半后就进入了一期临床试验。

英矽智能首席执行官 Alex Zhavoronkov 表示：“这个已进入二期临床试验的首个候选药物是我们利用深度学习连接生物学和化学的端到端方法的真正亮点。这不仅对我们来说是一座重要里程碑，对于整个 AI 加速药物研发领域亦是如此。”

英矽智能是 NVIDIA 初创加速计划的高级成员。该免费计划为前沿初创企业提供技术培训、产品上市支持和 AI 平台指导。该公司在其生成式 AI 药物设计引擎 Chemistry42 中使用 NVIDIA Tensor Core GPU 来生成新的分子结构，并且是在 2015 年第一批采用 NVIDIA DGX 系统的企业之一。

英矽智能的 Pharma.AI 平台包括经过数百万数据样本训练后能适应一系列任务的多个 AI 模型。其中一个 AI 工具 PandaOmics 能够快速识别并优先处理对疾病疗效起重要作用的靶点，比如引起 COVID-19 的刺突蛋白。

Chemistry42 引擎可在几天内设计出采用 PandaOmics 识别出来的蛋白质作为靶点的新型候选药物化合物。这个生成式化学工具使用深度学习重新设计出类似药物的分子结构。

英矽智能 AI 平台主管 Petrina Kamya 表示：“通常，药物研发领域的 AI 公司不是专注于生物学，就是专注于化学。而英矽智能从一开始就将同一种深度学习方法应用于这两个领域，利用 AI 发现药物靶点并生成小分子的化学结构。”

多年来，英矽智能团队采用了不同种类的深度神经网络研发药物，包括生成式对抗网络和 transformer 模型。他们现在正在使用 NVIDIA BioNeMo，通过生成式 AI 加速早期药物研发流程。

为了开发治疗肺纤维化的候选药物，英矽智能使用 Pharma.AI 设计并合成了约 80 个分子，取得了临床前候选药物前所未有的成功率。从确定靶点到提出一种极具潜力的候选药物进行试验，这一过程耗时不到 18 个月。

在二期临床试验中，英矽智能的肺纤维化药物将对美国和中国的数百名患者开展试验。这个过程将需要几个月的时间。与此同时，该公司还有 30 多个针对其他疾病的在研管线，包括一些抗癌药物。

Zhavoronkov 表示：“当我们第一次展示我们的结果时，人们只是不相信生成式 AI 系统可以达到这样高的多样性、新颖性和准确性。现在我们有了一整套极具潜力的候选药物管线，所以人们开始意识到这确实是可行的。”