分子炼金术—AI在药物研发全流程中的应用及方向

模块一：

AI制药的演进历程和技艺原理

一、

AI制药的演进历程

1、AI制药的雏形阶段

——1956年~1980年：技艺和理论尚未完善。

2、计算机辅助药物规划

——1981年~2011年：CADD蓬勃演进

3、爆发式增长期

——2012年至今：资本投入加大，技艺持续突破，论文、专利数量显著增加

二、

AI制药技艺原理和业界图谱

1、资料、算力、算法

——资料来源：公开资料库（如PubChem、TTD）、资料质量：资料孤岛

——基础设施：GPU和云计算

——机器研习（如决策树、随机森林）和深度研习（如DNN、CNN、RNN）

2、AI制药的业界图谱

——上游：算力供应商：如Nvidia，AMD、Intel等等；算法和资料服务：包括云计算平台（如AWS、阿里云等等）和资料收集平台；生物技艺公司：提供CRO服务和先进装置，如药明康德等等。

——中游：AI+biotech：自研新药并推进临床研究，实操中，如Recursion、Exscientia等等；AI+CRO：提供新药研发服务，如华深智药等等；AI+SaaS：为买方提供AI辅助药物开发平台，如Schrödinger，碳硅智慧；

——下游：传统药企：借助内部研发或者并购进入AI制药领域，如Pfizer等等；Biotech公司：和AI制药公司携手，如Arvinas、天境等等；CXO公司：借助携手或者投资切入AI制药领域，如康龙化成等等；

模块二：

AI在药物发现上的运用

1. 靶点发现以及验证：

——基于多组学资料的靶标发现：

利用基因组学、转录组学、蛋白质组学等等

———基于

分子

-靶标识别

的靶标预测：

AI借助构筑分子-靶标资料库

——基于

生物医药学识图谱

的靶标发现：结合学识图谱技艺

——基于

网络药理学

的靶标发现：一药一靶

”理念，强调系统性和整体性

问题：资料异质性和模型解释性不足

实例拆解：

英矽智能渐冻症（

ALS）药物研发

2. 先导化合物的发现和精进：

——基于

配体的虚拟筛选

（

LBVS）：不倚重靶点的三维结构

——

基于结构的虚拟筛选

（

SBVS）：倚重靶点的三维结构

问题：存在生成不现实配体构象的问题

——药物从头规划：生成对抗网络GAN

问题：但该技艺需大量预训练

实例拆解

：

Exscientia端到端解题打法

3. 定量构效关系建模和药物再利用

：

——定量构效关系（QSAR）建模：化学结构和生物活性之间的函数

——药物再利用：可识别药物的新治疗特性（如COVID-19的治疗）

问题：资料质量、模型解释性

模块三，

AI赋能临床前研究

1. ADMET预测

——AI预测二药物的吸收，分布、代谢、排泄和毒性

问题：标记资料稀缺可能导致过拟合

实例拆解：

Valo Health 的 Opal 平台

2. 晶型预测

——AI预测药物的晶体结构，执行层面，加速药物研发进程

3. 合成规划和自动化合成

——AI辅助合成规划（CASP）借助逆合成拆解协助化学家确定反应路径

问题：自动化合成和

DMTA循环仍处于初期阶段，面临多步反应精进等等挑战。

4. 预测药物计量和开发

——AI精进剂量-反应关系，支持个性化治疗，促成新型药物递送系统演进。

问题：资料质量和模型泛化本领

实例拆解：

Recursion的“细胞影像+深度研习”

模块四、

AI制药面临的挑战和对策

1. 生物学复杂性

——生物学资料的复杂性、化合物和人体靶点的结合进程复杂，资料稳定性

2. 资料质量和安全

——高质量资料匮乏、资料孤岛、资料的隐私、安全性和准则化

3. 算法和运用情境匹配

——跨领域专精英才匮乏

4. 政策法规滞后

——监管架构不完善，人格权、学识产权、侵权责任认定等等

5. 破局之路

——资料共享、资料多模态、情境精进、算法迭代等等

老师简介

Introduction to lecturers

弄懂更多

博闻智咨询|张轩荣老师