2023年2月，碳硅智慧ceo邓亚峰回答动脉网“国内知识图谱技术发展“话题的专访，以下是专访实录。
全球知名制药公司阿斯利康认为，Benevolent AI发展至今，已经可谓是将“知识图谱(Knowledge Graphs)”运用得最好的公司（信息摘录自www.nature.com）。
Benevolent AI坚持把钱花在技术研发上，在这方面的投入始终保持在一般行政开支的4倍左右，甚至在上市后，也依然在持续加大技术研发方面的开支。根据2022年年中财报显示，2022年上半年公司在药物发现方面投入1930万英镑，在产品与技术标准化方面投入1070万英镑，同比2021年分别同比增长32.64%、7.48%。
稳步加大的资金投入帮助Benevolent AI将药物研发管线覆盖了有关肿瘤学、免疫学、中枢神经系统、胃肠道疾病、代谢紊乱等治疗领域的多种适应症和靶点，且现已在特应性皮炎、溃疡性结肠炎、多形性胶质母细胞瘤、肌萎缩侧索硬化症等相关药物管线取得突破性进展。
▲Benevolent AI最新管线进展情况(图片来自Benevolent AI)
根据Benevolent AI的最近公开信息显示，目前公司在研的药物管线超30条，其中，进度最快的BEN2293特应性皮炎(AD)项目已经进入到临床II期的相关研究中。
AD是最常见的慢性炎症皮肤病，对轻度至中度患者瘙痒和炎症的治疗需求始终未能满足，且现有产品，固醇乳膏和其他抑制剂使用后产生的副作用较大。Benevolent AI利用自有知识图谱确定了AD中瘙痒和炎症的作用介质为Trk受体，抑制TrKA能够减少瘙痒，抑制TrkB、TrkC能够减少炎症，因此开发出这款三种原肌球蛋白相关激酶受体的选择性抑制剂BEN2293。目前该药物在药效和副作用方面的临床验证结果良好，IIa期实验数据预计在今年年初公布。
另一方面，BEN8744溃疡性结肠炎(UC)也已接近临床前研究阶段的终点，即将在2023年开启临床试验。UC是一种慢性疾病，可引起结肠和直肠内壁的炎症和溃疡，但UC的确切原因尚不清楚，因此目前的治疗手段会造成严重的副作用，且部分患者对现有药物的治疗效果不明显。Benevolent AI基于自有知识图谱，提出将磷酸二酯酶PDE10作为UC全新治疗靶点的解决方案。尽管目前尚无文献指出PDE10与UC之间有直接联系，但在PDE10作为靶点被验证的第二年，公司团队就开发出有效的外周选择性抑制剂BEN8744。
同时，BEN9160多形性胶质母细胞瘤、肌萎缩侧索硬化症两条管线也进入到临床前研究阶段。正在进行化合物/先导物优化的16条管线中，其中5条是与阿斯利康的合作管线，且公司目前另有十余条管线正处于靶点发现阶段。
可以看出，Benevolent AI的新药管线面向的适应症较广，且不同研发阶段均积累有多个管线，因此其在研管线所带来的可能性更多，且在管线成果转化方面的可持续输出性也更高。随着知识图谱的积累与管线的推进，Benevolent AI成为一家大型综合药企的可能性也在不断提高。
Benevolent AI通过善于利用自有知识图谱探索疾病病因、寻找全新靶点，同时还能发现现有药物在其他疾病中发挥作用的可能性，实现“老药新用”。
2020年初，新冠疫情爆发，Benevolent AI的研究团队通过使用知识图谱搜索与病毒感染和炎症反应的相关机制，将由礼来公司开发的一款用于类风湿性关节炎的药物OLUMIANT确定为理想候选药物。而整个过程只用了48小时。
在经过临床研究验证后，2020年11月，WHO和FDA紧急授权OLUMIANT对COVID-19住院患者的使用，2022年5月12日，FDA将紧急授权转化为全面批准。抗炎药物OLUMIANT由此被拓展为具有脱靶抗病毒作用的药物。根据礼来的官网数据显示，迄今为止，全球已有近100万COVID-19患者接受了OLUMIANT治疗。
在目前获批上市的新冠特效药中，Molnupiravir、Paxlovid、阿兹夫定等，与OLUMIANT一样都是“老药新用”得来。对于这类大规模突发公共卫生事件，如何快速发现现有药物与卫生事件相关疾病之间的关系，为临床研究验证争取更多时间，Benevolent AI本次的“48小时案例”完全能够说明通过知识图谱解决这类问题的可能性。
Benevolent AI让更多的人看到知识图谱在靶点发现、适应症选择、老药新用等方面能够表现出独特的优势，也能在实际应用中展现出不错的结果价值。那么在我国AI赋能药物研发技术高速发展的这几年，目前国内知识图谱技术发展得如何？
目前在这一技术领域发展较为成熟的应用，是通用互联网知识图谱，例如常见的搜索引擎、智能推荐、智能问答等等。而在另一方面，垂直于各个行业的知识图谱目前尚处于起步阶段。在金融、公安、医疗、电力、军工等领域的已经有初步成型并投入使用的知识图谱，但我国在AI+创新药研发如火如荼的当下，药物研发领域的知识图谱，还未成为这场激烈竞争中的重要角色。
在技术可行性已经获得积极验证结果的当下，搭建药物研发领域的知识图谱主要面临哪些技术难点？此类知识图谱的搭建对药物研发有哪些添砖加瓦的效果？对于资本来说，这项技术能够为药物研发企业加分多少？
针对这些问题，动脉网采访到了国内一些活跃在知识图谱赛道中的相关企业与机构：其中碳硅智慧参与其中。
搭建垂直于药物研发应用的知识图谱应当具备哪些关键技术？其中需要着重突破的关键技术难点可能会是哪些？
构建知识图谱需要解决的难点来自多个方面。图谱建模主要是通过GNN等AI技术，建立节点和边的嵌入表示（Embedding），并用AI模型预测节点属性和节点-节点关系。所以构建知识图谱，首先在数据解析方面需要自动从文献中获取结构化信息的能力，这个过程也需要拥有领域知识的专家参与标注。其次，对多个知识图谱进行图谱融合也是十分具有挑战性的，会面临诸如同一个含义的实体在不同的图谱中叫不同名字，或不同含义的实体叫相同名字的情况。再次，建立药学领域的知识图谱以及基于图谱的表征模型，需要具备完整的AI技术，包括图谱构建技术、图嵌入表示和推理模型，还涉及到语义消歧等图谱融合中需要用到的技术。这其中还要考虑到药物研发领域数据的噪声和缺失问题。
在追求新药研发降本增效的洪流中，知识图谱能够起到怎样推波助澜的作用？
知识图谱技术，最大的优点是可以利用相关领域的多种关系数据来辅助建模。比如在建模化合物-靶点关系时，可以利用药物-疾病、靶点-疾病关系来辅助建模，从而取得比只用化合物-靶点相关数据更好的结果。所以知识图谱技术，可以独立使用，也可以与其他技术融合使用，具有非常重要的价值。
关于碳硅智慧 (www.carbonsilicon.ai)
碳硅智慧是一家聚焦于新药研发的科技公司，我们的定位是新药研发领域的人工智能基础设施和服务提供商。希望将最先进的生命科学技术与人工智能等信息科学技术深度融合，面向新药研发领域，利用人工智能、物理计算，以及自动化软硬件技术，三轮驱动，通过提高新药研发领域生产数据、管理数据以及对数据进行AI建模的能力，将新药研发的各个环节数字化和智能化，解决新药研发难题。
碳硅智慧