Programmable Virtual Humans Toward Human Physiologically-Based Drug Discovery
You Wu, Philip E. Bourne, Lei Xie
人工智能(AI)引发了对药物发现的巨大兴趣,但目前的大多数方法仅将现有的高通量实验数字化。 它们仍然受到传统管道的限制。 因此,它们并没有解决预测人类药物影响的基本挑战。 同样,生物医学数字孪生体,主要基于现实世界的数据和机械模型,是为后期药物开发量身定制的,并且缺乏对分子相互作用或其系统性后果进行建模的分辨率,限制了其在早期发现中的影响。 早期发现和后期开发之间的这种脱节是药物发现中高失败率的主要驱动因素之一。 人工智能的真正希望不在于增强当前的实验,而在于实现在现实世界中不可能的虚拟实验:直接在人体的硅中测试新的化合物。 人工智能,高通量扰动测定以及跨物种的单细胞和空间组学的最新进展现在使构建可编程的虚拟人类成为可能:动态,多尺度模型,模拟从分子到表型水平的药物作用。 通过弥合转化差距,可编程虚拟人类提供了比以往更早优化治疗功效和安全性的变革性途径。 这种观点引入了可编程虚拟人的概念,探索了他们在以人体生理学为中心的药物发现新范式中的作用,并概述了实现它们的关键机遇、挑战和路线图。
Artificial intelligence (AI) has sparked immense interest in drug discovery, but most current approaches only digitize existing high-throughput experiments. They remain constrained by conventional pipelines. As a result, they do not address the fundamental challenges of predicting drug effects in humans. Similarly, biomedical digital twins, largely grounded in real-world data and mechanistic models, are tailored for late-phase drug development and lack the resolution to model molecular interacti...