利用人工智能提升生命科学研发的成功率：一个框架。

医药研发经历了多次转型，现在正处于另一次重大转型之中--向数据驱动、人工智能支持的药物发现模式转型。长期以来，传统制药业一直依赖生物医学文献来确定新靶点，通常吞吐量很低，而人工智能优先的倡导者则更愿意将所有数据输入技术黑盒，看看会产生什么。人工智能要想真正彻底改变药物发现，就必须超越模式识别和预测分析，将因果关系纳入其中，这对药物发现的技术和监管成功至关重要。一种很有前途的方法正在出现，以填补这一空白。它要求采取一种平衡的策略，将先验知识和数据驱动的洞察力结合起来，以提供一个适合药物发现需求的更强大的框架。在这种方法中，人工智能与高度精确的因果关系相结合，不仅可以提炼出更多具有良好前景的靶点，还能提供支持性的叙述：对生物作用过程的机理理解，以及它们在疾病中作用的详细因果解释。因果关系可以从文献中挖掘，也可以从实验数据中创建。这些关系定义了两个生物实体（无论是基因、蛋白质还是细胞）之间的调控相互作用。这些关系可以组合成结构因果模型，这是一种表示和分析变量之间因果关系的框架。这种模型提供了一种系统的方法，用于模拟一个变量的变化如何导致另一个变量的变化。这些模型不仅可用于更广泛的基础模型的训练过程，还可用于建立特定的机理模型，以进一步描述上游发现的输出结果。将因果机制整合到人工智能模型中代表着生物技术向前迈出的重要一步。它符合人们对人工智能驱动过程的透明度和可解释性日益增长的需求，确保结果不仅准确，而且有意义、可操作。这种可操作的见解对于指导进一步实验和发现机制合理、可解释的药物至关重要。这种整合可确保人工智能为推动生物技术和药物开发做出有意义和透明的贡献。