AI制药领域蓬勃发展，有望成为下一个黄金赛道

AI技术发展迅速，引领制药领域创新变革

药物开发过程因其周期长、成本高、效率低而成为该行业长期关注的问题。平均而言，药物开发需要 2 亿美元的投资，需要 10-15 年才能完成开发创新药物的整个过程，从研发到营销。AI 制药是以医药大数据为基础，通过运用机器学习、深度学习等 AI 技术替代大量实验，对药物结构、功效等进行快速分析，以优化药物研发环节的技术手段。从初期计算机辅助药物设计，发展到如今的人工智能药物研发，AI 几乎参与了从药物靶点发现到临床试验的全流程。

AI制药技术发展历史：

1) 早期探索期（2007-2012 年）：人工智能技术在药物发现中的使用，可以追溯到2007 年剑桥大学开发的 Adam 机器人成功预测酵母菌新功能的案例。而后，机器人 Eva 发现了牙膏中的成分三氯生可以靶向抑制 DHFR 酶来治疗疟疾。

2) 技术积累期（2013-2016 年）：一大批标志性企业在此阶段成立，包括 Exscientia、Atomwise、Recursion，国内的英矽智能、晶泰科技等。这一阶段主要是进行前期的技术积累与早期商业模式的探索，研究 AI 如何与新药研发的各环节融合。

3) 技术验证期（2017-2019 年）：最早一批 AI+新药企业基本完成前期技术积累，并陆续开始获得临床前候选药物一类的验证性成果，部分 AI+新药企业为药企或药物研发 CRO 企业提供更具广度和深度的端到端 AI 技术服务。

4) 快速发展期（2020 年-至今）：随着技术进步，AI+新药企业与传统药企的合作逐渐深入，最早成长起来的一批 AI+新药企业相继取得实质性成果，逐渐形成 AI制药的早期参与者、互联网巨头和传统制药企业三股势力。

AI技术底层突破显著，赋能医药行业发展。近年来，药物开发领域在计算机技术方面取得了重大进展，特别是在人工智能领域，利用人工智能系统和软件使用机器学习算法处理、解释和学习输入数据的人工智能药物设计得到了广泛采用。数据、算法和算力被认为是 AI 的三大支柱，持续推动 AI 领域的发展。机器学习是 AI 的一种类型，计算机可以自己学习，识别模式然后建立模型，并根据这些模型进行预测;深度学习则是机器学习的一种进阶类型。AI 算法可以按照不同的分类标准进行类型划分，例如按照模型训练方式的差异可以分为监督学习、无监督学习，以及强化学习，按照模型预测任务的不同可分为分类算法(包括二分类和多分类)、回归算法、聚类算法、降维算法、异常检测算法等。

宏观政策利好 AI制药，AI制药企业欲乘东风。AI 新药研发是人工智能和医药的深入融合产物，也属于国家重点鼓励和发展的行业，近年来国务院、政府主管部门出台了一系列振兴及规范生物医药及 AI 新药研发行业发展的产业政策，依据《“十四五”医药工业发展规划》与《“十四五”生物经济发展规划》政策，国家将重点扶持云计算、大数据、人工智能等信息技术在新药研发中的应用，支持和引导 AI 新药研发行业快速发展。

地方政策发展目标明确，大力扶持 AI制药技术发展。地方政策的明确发展目标和对AI 制药技术的大力扶持，已经成为推动中国医药行业创新和转型的重要力量，激发了企业的创新活力，缩短新药上市周期，提高研发成功率，从而在全球医药市场中增强竞争力。

AI制药市场蓝海前景广阔

AI制药投融资市场活跃，根据 DeepPharmaIntelligence官网数据，截止 2023年一季度累积投资额达 60.2百亿美元。自 2015 年以来，投资于人工智能驱动的制药公司的资本金额大幅增加。根据 Deep Pharma Intelligence 官网数据，在过去的九年里，800 家公司的年投资额增加了近 27 倍（截至 2023 年 3 月，总额为 593 亿美元）。2021 年，当时人工智能在药物开发公司的年度新增投资为 96.6 亿美元，由于全球经济衰退，2022年药物开发公司对人工智能的投资没有像往年一样高增（2022 年为 141.8 亿美元，而 2021年为 136.8 亿美元），截止 2023 年 3 月，人工智能在药物开发公司的投资总额为 602 亿美元。

AI制药市场蓝海广阔，潜在发展潜力巨大。相较于传统药物研发，AI 技术能将药物发现、临床前研究的时间缩短近 40%，将临床新药研发的成功率从 12%提高到约 14%。根据中商产业研究院发布的《2024-2029 中国 AI 制药市场现状研究分析与发展前景预测报告》显示，2022 年全球 AI 制药市场规模为 10.4 亿美元，较上一年增长 31.31%。中商产业研究院分析师预测，到 2026 年全球 AI 制药市场规模将达到 29.94 亿美元。

AI制药产业链上中下游分析

AI制药产业链上游涉及算力、算法和数据，主要分两大类:提供 AI技术的企业和提供生物技术的企业。提供 AI 技术的企业中，辅助制药的人工智能硬件设备包括服务器和芯片等；软件包括各类机器学习、深度学习以及其他人工智能算法，还有数据收集和处理平台、开源软件包以及云计算平台等辅助类软件。提供生物技术的企业包括提供 CRO服务的企业和提供先进设备的企业，提供 CRO 服务的企业为提供制药流程中不同阶段辅助服务的传统 CRO 企业；提供先进设备的企业，则拥有制造冷冻电镜、自动化实验室等设备的高端技术。

AI制药产业链中游主要分为四大类：AI+biotech、AI+CRO、AI+SaaS以及 IT头部企业在 AI制药产业中的布局。AI+biotech：从药物本身性质或治疗手段分类，从细分领域看，又可以分为三大类，即小分子药物、大分子药物、细胞和基因编辑法。AI+CRO：通过人工智能的辅助为客户更好地交付先导化合物或 PCC，再由药企进行后续的开发，或者合作推进药物管线。AI+SaaS：为客户提供 AI 辅助药物开发平台，通过平台为企业赋能，帮助企业加速研发流程，节省成本与时间。IT 头部企业：借助对外投资、打造自有相关平台、提供算力及计算框架服务等参与其中。AI制药产业链下游分为传统药企和 CRO企业。传统药企主要通过自建团队、对外投资、CRO 及技术合作等方式进入 AI 制药赛道。CRO 们主要通过风险投资、建立内部算法团队、采用外部 AI 技术、与 AI 制药公司进行合作等方式切入该领域。

在商业模式上，我国 AI药物研发企业主要分为 AISaaS、AICRO、AIbiotech三种模式，即出售软件、服务和研发药物，分别占了商业模式总数的 25%、23%和 8%。并多兼容上述三种模式中的 2 种或 3 种，兼容 2 种商业模式的最多，占 31%，兼容≥3 种模式的占 13%。有较强药物研发经验的团队多以自研管线为主，而算法背景强的团队则倾向于进行 SaaS 和研发服务。“自研+外部合作”已成为主流，以降低 liscence in 的风险。

AI+制药技术方兴未艾，应用端百花齐放

新药研发具有周期长、投入大、风险高等特点，人工智能介入新药研发全流程加速新药研发速度。以小分子药物为例，研发周期平均需要约 10 年，包括发现苗头化合物并经过层层结构优化得到先导化合物的药物发现阶段(2-4 年)、针对候选化合物的临床前研究阶段(1-3 年)和临床阶段(3-7 年)，其中药物发现阶段是小分子药物研发中最重要的基础环节，且药物筛选技术直接关系到先导化合物质量、研发效率、研发成本以及成药可能性，是新药研发持续进行的关键。人工智能已介入新药开发全流程，在靶点发现、蛋白质结构预测、化合物虚拟筛选、ADMET 预测有广泛应用，并可辅助临床试验设计患者招聘等，对临床期试验结果预测可有效节省研发费用支出。

AI技术驱动治疗靶点发现，增加靶点新颖性

基于靶点的药物发现是药物研发的主流手段，治疗靶点的选择仍具有挑战性。截止于 2021 年 9 月，FDA 批准的 1619 个药物中，共涉及靶点 893 个，其中 667 个为人体靶点，药物靶点对整个新药研发项目起到决定性的作用。尽管许多候选药物在临床前阶段进行了广泛的优化，但 2009 年至 2018 年临床试验的平均失败率达到了 84.6%。用于选择药物靶点的标准可以大大地影响药物开发的成功，靶点选择标准主要包括因果关系、成药性、毒性、新颖性等。

系统生物学方法

知识图谱结合系统生物学有效识别靶点。系统生物学通过研究各个生物系统内部所有组分成分间相互关系，期望最终能够建立整个系统的可理解模型，为有机体绘制完整图谱。将知识图谱技术与系统生物学结合构建生物医药知识图谱已开始在医学实践和研究中发挥关键作用。信号通路激活分析则是一种从大规模转录组学和蛋白质组学数据中提取生物学相关特征的强大方法。

基于结构的靶点发现计算辅助方法

计算辅助方法成为高效筛选靶点的有效方案，人工智能驱动的靶点发现工作流协同加深复杂疾病理解。靶点识别可分为三种不同的策略：实验、多组学和计算辅助方法；传统的实验方法主要包括基于亲和力的生化、比较分析和化学/遗传筛选，常用手段小分子亲和探针、氨基酸的稳定同位素标记、通过 RNA 干扰或 CRISPR-Cas9 基因编辑等；多组学方法可提供静态基因组数据和时空动态表达和代谢谱以便全面的了解疾病机制视图，综合多组学分析常用于促进生物标志物和治疗靶点的发现、治疗反应和患者预后预测；基于结构的靶点发现计算辅助方法可以作为补充实验方法的策略，例如反向对接、药效团、结合位点相似性和基于指纹交互的方法。

AI靶点发现可跳出传统认知，不遵守预先假设，降低对人员经验的依赖度。英矽智能于 2022 年 7 月宣布，公司与 Answer ALS 项目合作开展的肌萎缩侧索硬化症（ALS）靶点识别项目利用英矽智能自研人工智能平台 PandaOmics 分析了来自公共数据集的中枢神经系统（CNS）样本表达谱和由诱导性多功能干细胞分化成的运动神经元（diMN）表达谱，成功发现 28 个经过验证的潜在靶点，其中 18 个（64%）在果蝇实验中被验证有效，涵盖 8 个未经报告过的基因。机器学习的应用不仅限于预测现有药物或化合物的生物靶点，还可以识别任何感兴趣的疾病的新治疗靶点。机器学习分析还可以发现支撑疾病的复杂生理途径，并深入了解为什么某种特定疾病的患者之间存在差异。

AlphaFold促使蛋白质结构预测革命性进步

基于靶点的药物设计是药物开发的主导方法，其中蛋白质是最重要的靶类型。传统的蛋白质三维结构测定方法多采用 X 射线晶体学、核磁共振光谱、低温电子显微镜，在设备要求、蛋白质结构的复杂性和时间消耗方面存在局限性。截至 2023 年 6 月，Uniport数据库中拥有超过 2.4 亿条蛋白质序列，然而 PDB 数据库中仅包含约 20 万个实验确定的蛋白质结构被存入蛋白数据库（PDB），占总序列的不到 0.1%AlphaFold确定了约 2亿个蛋白质的结构，范围覆盖地球上几乎所有已知生物。传统上，科研人员一直在用 X 射线晶体学和冷冻电镜这种耗时且成本高昂的实验技术解析蛋白质的结构，2021 年 AlphaFold 诞生后，预报的蛋白质主链原子坐标误差中值降至了1.1Å，侧链原子也接近 1.5Å，已达到了实验 X 射线晶体学最高分辨率的程度。EMBL-EBI（欧洲分子生物学实验室欧洲生物信息研究所）表示，在这些逾 2.14 亿个结构预测中，约 35%的预测结果被认为准确度很高，即和实验解析的结构一样可靠。另有 45%的预测被认为置信度足够高，在很多情况下都能使用。2020 年举办的第 14 届 CASP 比赛中，升级版 AlphaFold2 对所有目标蛋白质结构预测的平均 GDT 得分达到 92.4 分，其准确性可以与使用冷冻电镜等实验技术解析的 3D 结构相媲美。

化合物虚拟筛选有效提升化合物结构新颖性

虚拟筛选可有效降低实验成本，针对性挑选苗头/先导化合物。虚拟筛选是基于靶点与药物分子之间的锁钥理论，借助计算机技术发展而来的新型药物筛选方法，它能够利用专业计算机软件模拟配体与对应受体的结合，通过计算药物与对应靶点之间的结合能力从化合物数据库中挑选出苗头化合物。应用虚拟筛选的方法发现先导，大大地增强了药物研究的针对性，增加了生物活性测试的命中率，从而降低了实验成本的消耗。虚拟筛选分为两类：（i）基于结构的虚拟筛选（SBVS）和（ii）基于配体的虚拟筛选（LBVS）。基于结构的虚拟筛选从靶蛋白的三维结构出发，研究靶蛋白结合位点的特征性质以及它与小分子化合物之间的相互作用模式，根据与结合能相关的亲合性打分函数对蛋白和小分子化合物的结合能力进行评价，最终从大量的化合物分子中挑选出结合模式比较合理的、预测得分较高的化合物，用于后续的生物活性测试。基于配体的虚拟筛选一般是利用已知活性的小分子化合物，根据化合物的形状相似性或药效团模型在化合物数据库中搜索能够与它匹配的化学分子结构，最后对这些挑选出来的化合物进行实验筛选研究。

分子对接作为基于结构的虚拟筛选中最重要的方法，可以预测目标靶点与配体的结合模式。在过去 20 年间，大量的分子对接软件和程序被开发出来，包括 Autodock、Autodock Vina、LeDock、rDock、UCSF DOCK6、LigandFit、Glide、GOLD、MOE Dock、Surflex-dock等。对于一个分子对接软件来讲，最关键的两部分是采样算法和评分函数，他们分别决定了软件的采样能力和评分能力。目前比较流行的采样算法大致可以分为三类：形状匹配，系统搜索（穷举搜索，分割和构象系综）和随机搜索算法（如蒙特卡洛算法，遗传算法，禁忌搜索方法和群体优化方法）。而流行的评分函数主要可以分为三类：力场，经验和基于知识的评分函数。

ADMET预测可提前考量药物成药可能性

ADMETlab提供药物代谢动力学在线预测功能。ADMETlab 是 2018 年中南大学湘雅药学院曹东升课题组首次发布的一款用于计算分子属性和药物代谢动力学（ADME）的在线工具，提供了一系列计算模型，包括溶解度、血浆蛋白结合、肝脏代谢、肾脏排泄等，可以预测药物在人体内的吸收、分布、代谢和排泄过程，并评估其潜在的毒性和安全性，帮助药物研究人员更好地理解分子的性质和在人体内的行为。截止截至 2024 年 4月份，ADMETlab 2.0 文章已被引用 1088 次，网站访问量超过 170 万次，为满足更多科研工作者的使用，目前 ADMETlab 已升级到 3.0 版本。

临床试验结果预测可有效节省失败临床的经费

候选药物临床失败几率大，预测临床试验结果可有避免研发投入损失。药物进入临床阶段后，将有 90%的候选药物会在 I、II、III 期临床试验或药物批准过程中失败。如果将临床前阶段失败的候选药物计算在内，药物研发的失败率将远远高于 90%。存在如此高失败率有 4 种可能原因：缺乏临床疗效（40-50%）、毒性不可控（30%）、成药性差（10-15%）、缺乏市场需求和产品规划策略不善（10%），这常常导致研发团队面临数万亿美元和数十年投入的巨大损失。

inClinico成功且准确预测了 11个新药的 II期临床试验的结果，9个月投资收益高达35%。inClinico 使用三个 AI 引擎：一个用于评分试验设计、一个用于靶点选择和一个用于患者符合资格标准，进而来产生一个表示任何试验成功可能性的元分数。inClinico 平台使用 ClinicalTrials.gov 的 55653 项独特的 II 期临床试验中进行了训练。在准前瞻性验证中，inClinico 在预测临床试验 II 期至 III 期的转化成功率方面的 ROC AUC 达到了 0.88（机器学习模型性能指标）；在前瞻性验证中，它对真实世界临床试验结果预测的准确率达到了 79%。

人工智能促使药物重定位快速上市

AI技术促使老药新用，安全性确认有效节省新药开发时间。2022 年 4 月，美国 FDA已批准右美托咪定舌下膜剂上市，用于急性治疗与精神分裂症或 I/II 型双相情感障碍相关的激越。BioXcel 构建了一个带标签的知识图谱，它在视觉上将神经精神症状、脑回路、药物靶点和现有药物联系起来。通过建立这些联系，现有药物会出现新的潜在用途。

BioXcel 的 AI 技术平台根据指定适应症，设定搜索条件，从海量科学论文中搜索发现右美托咪定具有可以治疗激越的所有特征，并基于此启动右美托咪定舌下膜剂的开发。BioXcel 基于人工智能的方法推出的第一个商业产品 IGALMI™（右美托咪丁）舌下薄膜剂从临床研究到 FDA 的批准花费时间仅不到 4 年，这是由于由于右美托咪定已经获批上市，具有已知的安全性特征，可以节省临床开发时间。

AI研发平台促使巴瑞替尼重定位治疗新冠，降低重症患者病死率。2020 年 2 月 3日，英国公司 BenevolentAI 就在《柳叶刀》杂志发表论文称，通过其研发的 AI 平台检索海量科学文献，发现巴瑞替尼或可用于治疗新冠。

晶型预测可提供不同于经验规则的新见解

晶型预测可有效评估转晶风险，节省实验研究时间。晶泰科技在面对客户预测评估三种晶型转晶风险的需求时仅用四周完成前期计算工作，对解得的晶胞参数及预测得到的晶体结构进行衍射精修，获得实验晶型 Form C 的单晶结构；随后使用 PSCP 方法，比较实验存在的晶型和理论的潜在稳定晶型的相对稳定性，给出随温度变化的稳定性变化曲线，估计相变温度。晶型预测计算周期仅为 6~8 周，而晶型实验共花费 17 周才得出与计算结果对应的相同结果，证明晶型预测是药物结晶研究中迅速、准确的转晶风险评估工具。

晶型预测助力仿制药新晶型开发，预测未能从实验中开发的晶型结构。通过理论计算了解晶型稳定性全景，判断是否存在其他稳定晶型或可开发亚稳晶型，评估各个实验晶型和潜在虚拟稳定晶型的相对稳定性，可为实验制备可开发的稳定/亚稳晶型提供思路。

逆向合成分析可有效优化和创造合成路线

逆向合成是分析合成路线的重要手段。人工智能驱动的逆合成预测涵盖了单步逆合成预测和多步逆合成预测的两个主要组成部分，以及分子表示和候选反应评估的两个算法设计元素，这四个元素共同为人工智能驱动的逆转合成预测方法建立了一个设计空间。

CRO 公司加速布局 AI 技术应用

维亚生物建立纵向 AI应用技术平台加速先导化合物发现

维亚生物成立于 2008年，向全球创新药研发企业提供从早期基于结构的药物研发到商业化药物生产的一站式综合服务。公司搭建了 X 射线蛋白晶体技术、冷冻电镜技术（Cryo-EM）、亲和力质谱筛选技术（ASMS）、表面等离子共振技术（SPR）、氢氘交换质谱技术（HDX-MS）、计算机辅助药物设计等多个先进技术平台。

维亚生物专注于发现、投资高潜力生物医药初创公司，以独创的技术服务换取股权（EFS）的商业模式，解决未满足的临床需求。维亚生物创新中心（VBI）作为维亚生物投资孵化和以服务换股权（EFS）业务的核心部门，专注于为全球创新生物医药企业提供孵化和成长的开放式合作平台。

维亚生物从应用端切入方法开发打造纵向一体化平台，AI技术结合湿实验助力新药研发。公司上海超算中心搭载英伟达 A100 芯片，为自有的 AIDD 和 CADD 算法提供充足的算力支持，同时具备开发多种药物形态的能力，具有小分子、靶向 RNA 小分子、多肽、抗体等多种药物类型的开发经验。根据公司年报披露，截止 2023 年 12 月 31 日，已累计完成 CADD/AIDD 项目数近 36 个，其中长期项目数占比为 33%;采购 CADD/AIDD 的客户数累计近 31 家。

维亚生物提供计算化学与计算生物学服务。计算化学技术主要为化学小分子药物设计提供计算指导和帮助。从靶标分析、高通量筛选分析、苗头化合物发现、先导化合物发现、先导化合物优化到成药性预测，计算化学均可提供模拟分析。计算生物学技术主要为生物大分子药物设计，如多肽、蛋白药物、核酸药物和抗体，提供计算指导和帮助。

针对抗体药物，计算工具可以服务于抗体人源化、亲和力成熟、性质预测等，大大降低传统实验室中抗体设计的成本并缩短研发时间。

泓博医药语言模型具备丰富应用场景

泓博医药作为小分子药物 CRO/CDMO一站式综合服务商，AI技术储备丰富，PR-GPT多模态大型语言 AI模型部署进展顺利。泓博医药是一家小分子创新药研发以及商业化生产一站式综合服务商，致力于药物发现、制药工艺的研发开发一级原料、中间体的商业化生产。公司药物发现平台可多参数优化先导化合物,实现所需目标分子要求（先导化合物合成、发现和结构优化。公司于 2019 年设立了 CADD/AIDD 技术平台(计算机及人工智能辅助的药物设计)，平台成立以来，利用开源代码在本地部署并建立了自己的 AI 模型，开发了虚拟高通量筛选(VHTS)、无晶体结构靶点的同源模建、药物靶点预测、药物 ADME和毒性预测、基于结构的药物设计(SBDD)、基于片段的药物设计(FBDD)以及定量构效关系(QSAR)等实际应用场景。根据公司年报披露数据，截止到 2023 年底，公司 CADD/AIDD技术平台已累计为 62 个新药项目提供了技术支持，其中 3 个已进入临床 I 期，2 个在临床申报阶段，采购公司 CADD/AIDD 服务的客户数已达到 31 家。

PR-GPT模态大型语言项目本地部署进展顺利，自然语言交互模型优势明显。PR-GPT能够整合和概括大量的文本数据，包括科学文献、专利和新闻报道等，快速总结和提炼大量相关信息，并可以跟现有的 AIDD 模型进行交叉验证，进一步提高药物设计的精准度，产生良好的协同效应。PR-GPT 项目进展顺利，算法优化、生物医药语言训练工作正有序推进，知识问答、药物分子生成、药代动力学及毒理性质预测等功能已上线测试并具备了初步功能，计划于今年四季度投入商业运营。该模型将为药物研发提供智能化支持，缩短研发周期，降低研发成本，提高研发成功率，从而推动生物医药行业的创新与发展，进而打造专注于科学尤其是生物医药语言的处理工具，跟现有的药物设计 AI 模型产生良好的协同性，进一步提高新药研发效率。随着人工智能不断更新迭代和机器学习的持续深入，CADD/AIDD 技术已成为公司新药研发的重要工具，未来在公司新药研发过程中必将扮演越来越重要的角色。

成都先导具备独家骨架骨架跃迁算法

成都先导药物开发股份有限公司是一家从事新药研发的快速发展的生物技术公司，打造了国际领先的 DNA编码化合物库技术平台。公司拥有多个新药发现平台，包括但不限于 DNA 编码化合物库平台、基于片段/结构的药物发现平台（FBDD/SBDD）、计算机辅助药物设计平台（CADD）以及小核酸药物平台。

DNA编码化合物库技术产生海量数据，天然亲和 AI技术。DNA 编码化合物库技术（DEL）已成为相当强大的小分子药物发现引擎，与传统高通量筛选以及其他苗头化合物识别方法相比，它提供了更大的化合物合集，减少靶标和测试准备的工作量，缩短苗头化合物识别周期。截止 2023 年底，公司已积累的 DEL 库小分子数量已超过 1.2 万亿，通过系统化的库分子设计，增加合成分子骨架的种类超过 6000 种，基本涵盖了所有当前已获批上市的小分子药物的核心骨架，以及临床在研小分子项目的大多数优势骨架。公司依据自身在库设计方面的专长以及不断积累的化合物结构信息资源，在最新的算法和领先的云计算资源加持下，可以快速、高效和经济实惠地识别苗头化合物。

骨架跃迁快速产生结构新颖的化合物，成都先导携手腾讯云深开发骨架跃迁分子生成算法。骨架跃迁以已知的活性化合物为起点，通过改变分子的核心结构，获得新颖的化学结构。骨架跃迁的主要目的：（1）在已有的化合物分子结构上，产生新颖的化合物系列，增加药物研发成功率；（2）替换复杂天然产物的局部结构，产生更具选择性、更优活性的新颖分子；（3）通过改变分子的骨架，改善分子的药物代谢动力学性质。成都先导与腾讯 AI Lab（云深）平台合作设计的骨架跃迁分子生成算法（GraphGMVAE），可以快速基于已有的参考化合物迅速产生一系列结构新颖的化合物集合，配合后续自建的虚拟筛选、3D-CNN 对接重打分和 ADMET 预测平台，可以实现快速的分子评估、排序并得到候选化合物。GraphGMVAE 算法以 JAK1 抑制剂 Upadacitinib 为例，一共生成了 3 万个分子，其中的 97.9%的分子具有不同于已知 JAK 抑制剂的新型骨架，最后选择了其中 7个分子进行合成和实验验证，其中两个分子的活性甚至优于参考分子。

药石科技分子砌块结合 AI技术突破显著

药石科技充分发挥新颖独特分子砌块库的技术优势，结合业界领先的人工智能先进技术。南京药石科技股份有限公司是全球医药研发和制造领域一站式创新产品和服务供应商。公司以其新颖、独特的分子砌块及相关化合物库筛选技术助力药物发现。公司从结构多样性、新颖性、成药性三个关键要素着手，持续优化提高基于公司独有药物分子砌块搭建的三大核心小分子化合物库:结构多样化碎片分子库、DNA 编码化合物库、超大容量特色虚拟化合物库，进一步提高库容化合物对创新及高难度靶点的适用性。在虚拟化合物库的基础上，公司重点开发了独有的创新化学空间构建 AI 算法平台，搭建了基于超大成药化学空间的人工智能药物发现技术平台。公司突破传统超大容量虚拟化合物库的基本概念，利用人工智能机器学习算法，开发了独有的基于分子砌块和有效化学反应的动态化学空间，从根本上突破了限制超大化合物库构建的算力、存储和管理瓶颈，已经建成的化学空间可生成分子数量增加到百万亿级以上,结合内部开发的人工智能成药性筛选优化算法，进一步保证在此化学空间内生成的分子同时具有优越成药性。独家新颖口袋-配体算法结合 AlphaFold2模型，快速有效筛选全新结构分子。区别于传统意义上以枚举算法为基础的绝大部分商业库，公司所开发的新颖正合成算法切实保证了库容分子的可合成性，结合内部开发的结合口袋-配体算法和最新发布的全新开源蛋白质结构预测 AlphaFold2 算法模型，公司人工智能药物研发团队开发了针对独特动态化学空间的人工智能全局优化分子生成算法平台，初步具备了针对绝大部分创新靶点的人工智能快速筛选并且能够持续产生全新结构分子的能力，并且大大降低了对人工智能对算力的需求。基于公司新颖和独特的中等分子量化合物库，公司建设了特色共价化合物库以及适用快速平行合成的化合物库生成算法流程，为进一步开发新颖特色化合物库奠定技术基础。

药石科技具备一站式活性化合物计算筛选平台，为客户提供全方位解决方案。药石科技提供一整套完善的活性化合物计算筛选解决方案，从小分子数据库的准备、受体结构的准备、化合物激酶选择性预测平台、蛋白-小分子复合物分子动力学模拟等多种人工智能模型和计算化学手段的迭代筛选，再到 ADMET 性质评估、化合物多样性分析，到最后人工挑选潜在的活性化合物，进行下一步生物活性测试，每一步都采用了主流的机器学习和计算化学方法，并结合内部超大（1012~1015 量级）独有且易合成的化合物空间优势，大大地提高了早期药物筛选的命中率，及发现新颖活性分子的可能性，同时降低早期药物发现的成本。

点个在看你最好看