在具有里程碑意义的发展中，使用人工智能(AI)创建的第一种药物已进入其第一阶段试验。该化合物名为DSP-1181，由Exscientia和住友大日本制药公司(Sumitomo Dainippon Pharma)合资成立，用于治疗强迫症(OCD)。Exscientia首席执行官Andrew Hopkins教授在《毒品目标评论》杂志的维多利亚·里斯(Victoria Rees)讲话中解释了如何在短短12个月内发现和优化该药物。
霍普金斯首先解释说，该药物可作为5-羟色胺5-HT1A受体潜在活性的完全激动剂，与其他现有的5-羟色胺5-HT1A受体激动剂仅部分阻断活性的作用不同。它的半衰期也比其他药物更长。这使他和其他研究人员相信，与目前的疗法相比，它将显示出更大的功效和更长的作用时间。从药物开发过程的开始就一直使用AI，包括从数据直接生成的从头设计获得的最初命中。
利用人工智能来搜索化学空间，其中包括潜在的数十亿个原子配置选项，这使研究人员能够减少识别目标所需的时间。将数据生成假设与机器学习相结合以产生药物设计概念，人类先前采取的步骤被一套高级算法所取代。
首先，人工智能产生了数百万种符合特定规格的潜在新型分子。然后，使用机器学习平台来预测哪些化合物对成百上千种蛋白质具有活性。然后应用了第三层算法，称为主动学习，该算法自动确定研究人员应该制造和测试的化合物的优先级。
通过使用AI同时满足大量设计目标，这些过程使科学家能够精确地设计药物。霍普金斯说：“这就是如此重要的突破的原因，因为它展示了如何使用AI来创建分子，从而挑战了传统工艺，该算法的优点在于每个原子都至关重要。”未来，技术人员和药物发现科学家之间的联系将会更加紧密。”
霍普金斯(Hopkins)确定的药物设计中的一个关键问题是，只有少量数据可轻易获得。他说，这是“大数据问题的对立面”，这意味着需要学习不同的算法。
他解释说，有大量的生物和化学数据源，可以将其集成并用于构建机器学习模型。但是，对于人体中的大多数蛋白质，在启动药物发现项目时通常只有很少的信息。此外，对于每个单独的目标，通常存在少量数据或稀疏数据的问题。因此，算法上的挑战是如何从很少的数据中快速学习。
霍普金斯说，要解决这个问题，在主动学习领域开发的一组算法对于设计创新药物至关重要。
他解释说：“通过做出更好的设计决策，我们开始看到的是，我们可以合成更少的化合物，这使项目的进展比传统情况快得多。”霍普金斯(Hopkins)强调，使用AI的主要好处是临床前阶段的移动速度。他解释说，与传统方法相比，它可以更快地优化和鉴定临床候选药物。
他说，制药业面临的主要问题是生产率。使用AI可以解决研究回报率低的问题。“如果我们可以减少投资成本，那么最终我们就可以开始减少将学术界和诊所的新见识转化为新药的障碍。”
