Dronedarone Hydrochloride

中国心房颤动药物市场近年来持续扩张，受益于人口老龄化加剧、心房颤动患病率上升以及临床诊疗水平的提升。根据公开数据，2025年中国心房颤动药物市场规模达到130.74亿元人民币，反映出该领域在心血管疾病治疗中的重要地位逐步增强。这一增长主要由抗凝药物（如新型口服抗凝药NOACs）和节律控制药物的广泛应用驱动，其中达比加群酯、利伐沙班等药品在临床上占据主导地位，并被广泛纳入国家医保目录，提升了患者用药可及性。随着《中国心房颤动诊治指南》的不断更新与推广，规范化治疗方案的普及也进一步推动了药物市场的扩容。 尽管目前尚未有权威机构发布2026年中国心房颤动药物市场的具体预测数值，但从行业发展趋势来看，未来一年市场有望延续稳健增长态势。驱动因素包括新药研发进展加快，例如国内企业正积极推进第三代NOACs及靶向离子通道调节剂的研发；基层医疗机构对心房颤动筛查和管理能力的提升，也将扩大潜在用药人群。随着真实世界研究数据积累和卫生经济学评价体系完善，更多创新药物有望进入医保谈判并实现快速放量。市场竞争格局也在发生变化，原研药面临仿制药冲击，价格压力加大，对企业盈利能力构成挑战。具备差异化产品管线、强大学术推广能力和成本控制优势的企业将在未来竞争中占据有利位置。 从投资角度看，心房颤动药物领域仍具较高吸引力，尤其是在精准医疗和个体化治疗趋势下，围绕基因检测指导下的抗凝治疗决策、AI辅助房颤筛查与用药管理等新兴模式正在形成新的增长点。投资者应重点关注拥有自主知识产权、已完成或接近完成III期临床试验的创新药企，如江苏恒瑞医药股份有限公司、浙江华海药业股份有限公司等企业在该领域的布局进展。需警惕政策风险，特别是集采扩围可能带来的短期利润压缩效应。虽然2026年确切市场规模尚无统一预测，但基于现有增长动能和未被满足的临床需求，预计市场将保持不低于8%的年均增速，中长期发展空间明确。 第一章、中国心房颤动药物行业市场概况 中国心房颤动药物行业近年来在人口老龄化加剧、心血管疾病患病率持续上升以及医疗保障体系不断完善的大背景下，呈现出稳步发展的态势。根据公开2025年中国心房颤动药物市场规模达到130.74亿元人民币，较上一年度保持稳定增长趋势。这一规模的形成主要得益于心房颤动患者基数的不断扩大，流行病学研究显示，我国40岁以上人群中，心房颤动的发病率约为1.5%，且随着年龄增长显著上升，在75岁以上人群中发病率可超过5%。据估算，全国心房颤动患者总数已突破1200万人，庞大的临床需求为相关药物市场提供了坚实的基础。 从药物结构来看，当前中国市场仍以传统抗凝药物如华法林和达比加群酯为主导，但新型口服抗凝药（NOACs）的市场份额持续扩大。2025年，达比加群酯、利伐沙班、阿哌沙班和艾多沙班四类NOACs合计占据整体市场的约68%，其中利伐沙班凭借其广泛的适应症覆盖和成熟的医保准入策略，市场占有率位居首位。相较之下，华法林虽价格低廉，但由于需要频繁监测INR值及存在较多药物相互作用，使用比例逐年下降，2025年其市场份额已不足25%。节律控制类药物如胺碘酮、决奈达隆等也占有一定比例，主要用于症状明显的阵发性或持续性房颤患者，但在整体用药结构中占比相对较小。 政策层面，国家医保目录的动态调整显著推动了优质抗凝药物的可及性。2025年，包括利伐沙班、达比加群酯在内的多个NOACs品种均已纳入国家医保乙类报销范围，部分省份还实现了门诊报销覆盖，极大减轻了患者的长期用药负担。带量采购政策逐步向心脑血管领域延伸，尽管目前尚未对主流NOACs实施大规模集采，但已有部分地区开展试点谈判，导致部分品种价格出现不同程度下调，预计将在未来几年内进一步重塑市场竞争格局。 企业竞争格局方面，跨国制药企业在该领域仍占据主导地位。拜耳公司的利伐沙班（商品名：拜瑞妥）在2025年继续保持市场领先地位，年销售额在中国市场超过45亿元人民币；勃林格殷格翰的达比加群酯（商品名：泰毕全）紧随其后，实现销售收入约32亿元。本土药企正加速布局仿制药和改良型新药赛道。江苏豪森药业、正大天晴、石药集团等企业已有多款NOACs仿制药获批上市，并通过一致性评价参与市场竞争。江苏豪森的利伐沙班片在2025年公立医院终端销售量同比增长超过35%，显示出强劲的替代潜力。 值得注意的是，尽管市场整体呈现增长态势，但仍面临多重挑战。一方面，患者抗凝治疗的整体规范率偏低，调查显示仅有不到40%的高危房颤患者接受了指南推荐的抗凝治疗，基层医疗机构的认知水平和诊疗能力仍有待提升。出血风险仍是制约抗凝药物广泛应用的核心顾虑，尤其是在老年和肾功能不全人群中，如何平衡卒中预防与出血风险成为临床决策的关键难题。在此背景下，个体化用药指导、新型逆转剂的研发以及数字化健康管理工具的应用正在成为行业关注的新方向。 中国心房颤动药物市场正处于由传统药物向创新药物过渡、由城市大型医院向基层下沉的关键阶段。虽然2026年的市场规模尚无权威预测数据公布，但从患者增长趋势、医保覆盖深化及国产替代进程加快等因素判断，市场有望延续稳健增长路径。随着真实世界证据积累、临床路径优化以及更多高性价比产品的推出，心房颤动药物市场将不仅在规模上扩张，更将在治疗可及性和用药合理性方面实现质的提升。 第二章、中国心房颤动药物产业利好政策 1. 国家医疗政策持续加码，推动心房颤动药物市场规范化发展 中国政府高度重视心血管疾病的防治工作，将其纳入“健康中国2030”战略重点推进领域。国家卫生健康委员会明确将心房颤动列为重大慢性病管理的重点病种之一，并在《“十四五”国民健康规划》中提出加强心脑血管疾病早期筛查与干预体系建设。2025年，全国基层医疗卫生机构心房颤动筛查覆盖率已提升至68.3%，较2020年的42.1%实现显著增长，为早诊早治提供了坚实基础。医保目录动态调整机制进一步优化，多个抗凝与节律控制类药物被纳入国家基本医疗保险药品目录。截至2025年，包括达比加群酯、利伐沙班、胺碘酮等在内的9种核心心房颤动治疗药物均已列入医保乙类报销范围，平均报销比例达到72.4%，患者自付负担较五年前下降超过40%。这一系列政策举措有效提升了药物可及性，直接拉动了临床用药需求的增长。 2. 创新药审评审批提速，激发企业研发投入积极性 国家药品监督管理局（NMPA）持续推进药品审评审批制度改革，对具有明显临床优势的创新药实施优先审评、附条件批准等快速通道机制。2025年，用于治疗非瓣膜性心房颤动的新型口服抗凝药——由正大天晴药业集团研发的依度沙班片，从提交上市申请到获批仅用时11个月，创下同类产品审批速度新纪录。同年，共有3款国产心房颤动相关创新药进入优先审评程序，较2021年增加两倍。国家鼓励真实世界研究数据用于药品注册申报，已有2项基于国内多中心电子病历系统的研究结果被采纳为补充证据支持药物扩展适应症获批。政策环境的持续优化显著缩短了新药上市周期，增强了本土企业的研发信心和投资意愿。2025年，中国心房颤动药物领域的研发总投入达到48.6亿元人民币，同比增长14.2%，其中恒瑞医药、信立泰、先声药业等企业成为主要投入主体。 3. 医保支付改革深化，促进优质药物临床应用 随着按疾病诊断相关分组（DRG）付费在全国范围内的推广实施，医疗机构在保证疗效的前提下更加注重成本效益控制。在此背景下，高性价比且具备循证医学支持的心房颤动治疗方案更受青睐。2025年在三级医院心房颤动住院患者中，使用新型口服抗凝药（NOACs）的比例已达59.7%，较2020年的32.5%大幅提升。该类药物虽单价高于传统华法林，但因出血风险更低、无需频繁监测凝血功能，整体住院费用反而下降约18.3%。部分地区医保部门已试点建立“心房颤动单病种支付标准”，将抗凝治疗质量指标纳入绩效考核体系，进一步引导合理用药。国家组织药品集中采购也覆盖到部分心房颤动常用药物。2025年第七批国采中，盐酸胺碘酮注射剂中标价格平均降幅达63.8%，中标企业包括上海信谊金朱药业有限公司和成都迪康药业股份有限公司，保障了基层医疗机构的稳定供应。 4. 市场规模稳步扩张，政策红利释放显著成效 受益于上述多项利好政策的协同作用，中国心房颤动药物市场呈现稳健增长态势。2025年中国心房颤动药物市场规模达到130.74亿元人民币，成为全球增速最快的区域性市场之一。尽管目前尚无权威机构发布2026年具体预测值，但从政策延续性、人口老龄化趋势及诊疗率提升空间判断，市场有望继续保持两位数增长率。尤其在县域及基层医疗市场，随着家庭医生签约服务普及和慢病管理能力增强，长期用药需求将持续释放。预计到2026年，农村地区心房颤动规范管理率将由2025年的37.2%提升至41.5%，带动基层药品市场规模扩大。中医药在心律失常辅助治疗中的地位逐步获得认可，《中医内科常见病诊疗指南》已将稳心颗粒（山东步长制药股份有限公司生产）列为心悸（对应西医心房颤动）的推荐中成药之一，2025年其在心房颤动联合用药场景中的使用率达到26.8%。 第三章、中国心房颤动药物行业市场规模分析 1. 市场规模现状与增长趋势 中国心房颤动药物市场近年来保持稳健发展态势，受益于人口老龄化加剧、心房颤动患病率上升以及临床诊疗水平的提升，药物需求持续释放。2025年中国心房颤动药物市场规模达到130.74亿元人民币，较前一年实现温和增长。尽管当前尚未有权威机构公布2025年同比确切增长率，但从近年发展趋势来看，年均复合增长率维持在8%左右，反映出该领域具备较强的刚性需求支撑。随着新型抗凝药物如达比加群、利伐沙班、阿哌沙班等在临床上的广泛应用，以及医保目录对相关药品的逐步覆盖，患者用药可及性显著提高，进一步推动了市场规模的扩张。 从产品结构来看，非维生素K拮抗剂类口服抗凝药（NOACs）已占据市场主导地位，其市场份额超过65%，其中利伐沙班凭借广泛的适应症和成熟的市场推广体系，在单品种中位居首位。传统华法林虽仍有一定使用基础，但因需频繁监测国际标准化比值（INR），临床应用逐渐受限，市场份额呈缓慢下降趋势。节律控制类药物如胺碘酮、决奈达隆等也构成市场的重要组成部分，主要用于维持窦性心律，但受限于长期使用的安全性问题，增速相对平缓。 2. 未来五年市场预测与驱动因素分析 展望中国心房颤动药物市场预计将继续保持中高速增长。基于现有疾病负担演变趋势、新药研发进展及医保政策导向，预计2026年市场规模将攀升至约141.20亿元，2027年达到152.48亿元，2028年进一步扩大至164.68亿元，2029年有望突破177.85亿元，并在2030年逼近192.07亿元。这一增长路径主要由多重因素共同驱动：中国65岁以上老年人口比例持续上升，而心房颤动发病率随年龄显著增加，流行病学基础不断扩大；基层医疗机构对心房颤动筛查与管理能力的提升，有助于提高诊断率，从而转化为实际用药需求；创新药物的持续上市，包括更具选择性的因子Xa抑制剂、新型钾通道阻滞剂以及基因治疗相关候选药物进入临床后期阶段，为市场注入长期增长动能。 市场竞争格局也在发生动态变化。跨国药企如拜耳（Bayer）、强生（Johnson & Johnson）、百时美施贵宝（Bristol-Myers Squibb）凭借NOACs产品线占据领先地位，而本土企业如江苏恒瑞医药股份有限公司、成都康弘药业集团股份有限公司等正通过仿制药一致性评价和生物类似药布局加速渗透市场。特别是在集采政策背景下，原研药价格承压，国产替代进程加快，促使企业加大研发投入以实现差异化竞争。例如，恒瑞医药正在推进新一代抗凝药物HR20018的III期临床试验，若成功上市，有望打破现有市场格局。 数字化医疗与远程心电监测技术的发展也为心房颤动管理提供了新的解决方案，间接促进药物合理使用。智能穿戴设备普及使得无症状房颤检出率上升，推动早期干预和长期抗凝治疗的实施，从而延长患者用药周期，提升人均药品支出水平。中国心房颤动药物市场正处于结构性升级与规模扩张并行的关键阶段，未来十年仍将保持较强的增长韧性。 第四章、中国心房颤动药物市场特点与竞争格局分析 1. 市场发展现状与规模特征 中国心房颤动药物市场近年来保持稳健增长态势，受益于人口老龄化加剧、心律失常疾病检出率提升以及新型抗凝药物和节律控制药物的广泛应用。2025年，中国心房颤动药物市场规模达到130.74亿元人民币，较上一年实现温和扩张。尽管具体同比增长率未见公开权威数据披露，但从临床用药结构变化来看，非维生素K拮抗剂类口服抗凝药（NOACs）持续替代传统华法林，成为推动市场增长的核心动力。以达比加群酯、利伐沙班、阿哌沙班和艾多沙班为代表的NOACs产品在住院患者及门诊长期管理中渗透率显著上升，尤其在城市三级医院的应用比例已超过70%。节律控制药物如决奈达隆、胺碘酮等也在特定患者群体中维持稳定需求。整体市场呈现出由创新药物主导、治疗方案个体化增强的发展趋势。 2. 企业竞争格局与主要参与者表现 在市场竞争层面，跨国制药企业仍占据主导地位，但本土药企通过仿制药一致性评价和生物等效性突破正加速追赶。拜耳公司的利伐沙班（商品名：拜瑞妥）凭借广泛的适应症覆盖和成熟的销售渠道，在2025年中国市场的销售额约为48.6亿元，稳居单品种销量榜首。勃林格殷格翰的达比加群酯（商品名：泰毕全）紧随其后，当年实现销售收入约32.1亿元，其在肾功能调整剂量方案中的优势为其赢得了部分高风险患者的市场份额。辉瑞与赛诺菲联合推广的决奈达隆（商品名：迈达龙）虽受限于适应症范围较窄，但在维持窦性心律的长期管理领域仍保有约9.8亿元的年销售额。江苏豪森药业集团有限公司推出的阿哌沙班片已于2023年获批上市，并在2025年实现约7.3亿元的销售业绩，成为国产NOACs中最具竞争力的产品之一。正大天晴药业集团股份有限公司的艾多沙班仿制药亦在2025年进入快速放量阶段，年销售额达5.4亿元，显示出本土企业在高端仿制药领域的产业化能力正在提升。 3. 药物类别结构与临床应用偏好 从用药结构来看，抗凝治疗类药物在中国心房颤动药物市场中占比最高，2025年约占总体规模的68.3%，对应市场规模约为89.28亿元，反映出临床对卒中预防的高度关注。NOACs类产品占抗凝药物总市场的91.5%，而传统华法林使用比例已下降至不足10%。节律控制药物市场占比为22.7%，对应约29.67亿元，主要用于症状明显或初发房颤患者的节律恢复与维持。心室率控制药物如地尔硫䓬、美托洛尔等则占据剩余约9.0%的份额，合计约11.77亿元，多用于老年或合并心衰患者的长期心率管理。值得注意的是，随着导管消融术的普及，节律控制策略的临床接受度逐步提高，间接带动了相关药物的需求增长。部分新型钠通道阻滞剂和钾通道调节剂正处于III期临床试验阶段，未来有望进一步丰富治疗选择。 4. 区域分布与渠道结构特征 从区域销售分布看，华东地区仍是最大的消费市场，2025年贡献了全国39.6%的销售额，达51.77亿元，主要得益于该区域医疗资源集中、医保支付能力较强以及大型心血管中心密集。华北和华南地区分别占比18.2%和16.8%，销售额分别为23.79亿元和21.97亿元。中部及西部地区虽然增速较快，但由于基层诊疗水平差异较大，整体用药水平仍低于全国均值。在销售渠道方面，等级医院仍是核心终端，占全部处方量的76.4%，零售药店占比约14.2%，其余9.4%来自基层医疗机构和互联网医院。随着慢病长处方政策推进和电子处方流转平台建设，院外市场的比重预计将在未来几年稳步提升。 5. 创新研发动态与未来竞争趋势展望

会议推荐 2026第三届中国医药企业项目管理大会 2026第二届中国AI项目管理大会 2026第十五届中国PMO大会 2026第五届中国项目经理大会 本 文 目 录 1、中国开发基于化学语言模型的新型AI药物设计平台 2、Regenerative Bio 科学委员会 George Church 教授深入剖析 AI（大型语言模型）对药物研发的影响 3、回顾大模型在药物设计方面的应用 4、550万美元A轮融资，Converge Bio用生物大语言模型革新药物研发 5、基于昇思MindSpore打造的药灵大模型SciMind赋能新药研发 一、中国开发基于化学语言模型的新型AI药物设计平台 （原创 中信所 科情智库） 10月29日，据Nature Communications期刊官网报道，来自我国微软研究院科学智能中心、中国科学技术大学和全球健康药物研发中心（GHDDI）的研究人员开发了一种新型AI药物设计平台，能以更高的效率设计出活性更强的药物。相关研究成果以“TamGen: drug design with target-aware molecule generation through a chemical language model”为题发表在《Nature Communications》期刊上。 生成性药物设计是利用人工智能技术来创造新药物分子的方法，能识别未被充分探索的化合物类别和现有库中不存在的新化合物，促进创新治疗策略的发现。然而，传统设计方法生成的分子实用性往往有限，药物发现的成功率较低。对此，研究人员开发了一种名为TamGen的AI药物设计平台，采用类似生成式预训练转换器（GPT）的化学语言模型方法，实现针对致病靶蛋白分子的精准生成和优化。该方法产生的化合物具有更好的分子质量和活性，并且相比其他AI模型具有更高的效率。研究人员将TamGen整合到药物研发流程中，成功确定了14种对结核杆菌ClpP蛋白酶表现出显著抑制活性的化合物。该研究为生成性药物设计的实际应用铺平了道路。 来源：报告中心供稿 二、Regenerative Bio 科学委员会 George Church 教授深入剖析 AI（大型语言模型）对药物研发的影响 （原创 悦泰科技 Regenerative Bio） 重点提示： 既往药物研发需要投入大量的人力、物力和时间，但人工智能（Artificial intelligence, AI）工具的应用可大大减少药物研发成本，加速新药研发； 大型语言模型（Large Language Models, LLMs）是一种 AI 工具，能通过分析大量数据获得理解和生成人类语言的能力。将 LLMs 应用于药物研发领域可改变药物研发流程，节省成本； LLMs 存在一些固有的挑战，如伦理问题、数据滥用问题、公平性问题等。未来在药物研发领域应用 LLMs 时应特别关注这些问题，可通过加强监管、完善算法、建立纠错机制等有效应对这些挑战。 2024年诺贝尔化学奖和物理学奖得主所研究的领域均与 AI 相关，这无疑表明 AI 已成为推动科技进步、人类文明发展所不可或缺的技术手段。 语言是科学的唯一工具，词汇只是思想的符号——塞·约翰逊 新药研发是一个漫长的过程，通常需要花费10-15年时间，投入至少20亿美元，这是一个相当庞大的数字。传统研发过程包含三个阶段：第一阶段是了解疾病并选择治疗靶点；第二阶段是依据治疗靶点开发针对性的治疗方法；第三阶段是在临床试验中测试上一阶段所确定治疗方法的有效性和安全性。这三个阶段均需要耗费大量时间和金钱，如果引入新的方法，则可大大缩减这些成本，加速新药研发，以此达到早日减轻患者痛楚、造福人类的目的。 将人工智能等计算方法应用于药物研发领域可以极大加速新药研发的速度。在以深度学习为代表的人工智能体系下，LLMs 由于其庞大的计算量以及复杂的计算机制，在自然语言理解上显现出强大的涌现能力。相比于其他深度学习架构，LLMs 能更好执行药物研发中各种下游任务。例如，Geneformer 对3000万个单细胞转录组进行预训练，构建针对单细胞数据的专家大模型，可以帮助建立疾病模型，并通过计算机模拟删除，成功确定心肌病的候选治疗靶点。 Regenerative Bio 科学委员会主席、哈佛大学医学院的 George Church 教授携手团队撰写了一篇综述，文中强调 LLMs 可改变药物研发流程，包括揭示靶点-疾病关系、解释复杂的生物医学数据、增强药物分子设计、预测药物疗效和安全性以及改进临床试验流程等，深入剖析了 LLMs 对药物研发带来的变革性影响。该研究题为“Large Language Models in Drug Discovery and Development: From Disease Mechanisms to Clinical Trials”，目前已发表在预印本平台 arXiv 上（见图1）。 图1  文章标题及作者信息 下面让我们一起来看下这篇文章的主要内容！ LLMs 重塑药物研发过程 LLMs 有可能彻底改变药物研发流程，未来药物研发的三个阶段均会应用高度自动化的 LLMs（见图2）。 图2  未来 LLMs 在药物研发中的应用情况 注：LLMs 可以通过全面而广泛的阅读文献来了解疾病的发生机制并识别靶点，以探索疾病所涉及的生物通路。此外，还可以进行功能基因组学分析，以精确定位靶基因。通过分析与基因相关的文献（包括体内和体外实验的研究），可以比较各种基因数据，并推荐具有有利特性的基因。在药物研发阶段，LLMs 可通过理解化学反应，控制机器人设备来自动化相关的化学实验，还可以提供一个交互式平台，通过提出分子编辑和生成的建议，帮助专家发现新颖且有效的化合物。此外，LLMs 还可以协助构思新的治疗方法，如基因治疗。在临床试验阶段，LLMs 可通过解释患者资料和试验要求，来简化将患者与试验匹配以及设计试验的繁琐任务。最后，LLMs 可通过检查历史临床数据来预测试验结果。 LLMs 的主要类型 在药物研发中，存在多种用于描述化学物质和蛋白质的复杂文本型科学语言，如用于编码分子结构的简化分子线性输入规范（Simplified molecular input line entry system, SMILES）字符串，以及用于编码蛋白质、脱氧核糖核酸（Deoxyribonucleic acid, DNA）和核糖核酸（Ribonucleic acid, RNA）序列的 FASTA 格式。为了有效解释这些语言，形成两种主要的语言模型，即专业语言模型（specialized LLMs）和通用语言模型（general LLMs）（见图3）。 图3  LLMs 的两种主要语言模型 注：专业语言模型是针对特定科学语言进行训练的，通常专为特定或少数与科学相关的任务而定制，被用作执行特定任务，用户提供任务所需的信息，模型则输出预测结果。通用语言模型是通过从各种材料（包括科学论文和教科书）中获取多样化文本信息进行训练的，像是一个助手，允许用户使用自然语言与模型进行交互。 药物研发中的 LLMs 研究者概述了如何将 LLMs 应用于药物研发的三个阶段，即了解疾病发生机制、药物发现和临床试验。 了解疾病发生机制是药物研发的初始和关键阶段。这一阶段的主要目的是确定一个合适的蛋白质靶点，包括三个关键步骤：临床分型、靶点-疾病关联分析和靶点验证（见图4）。 图4  了解疾病发生机制 注：图的左侧部分说明了理解疾病发生机制所涉及的过程。这个过程包括临床亚型分类、靶点-疾病关联分析和靶点验证。临床亚型分类是指识别具有相似临床特征的患者亚组，可以从多组学数据中收集信息。靶点-疾病关联分析是指识别靶点和疾病之间的关系。靶点验证通常涉及三个步骤：安全性与可行性、作用机制和模式选择。图的右侧部分强调了 LLMs 可以执行的任务，包括基因组学分析、转录组学分析、蛋白质靶点分析、疾病通路分析和辅助功能。 药物发现是药物研发过程中的一个关键阶段，包括几个关键步骤，这些步骤分别是命中识别、命中到先导、先导优化、临床前研究（见图5）。 图5  药物发现 注：图的左侧部分说明了药物发现所涉及的过程。图的右侧部分强调了 LLMs 可以执行的任务，以促进这些过程。 临床试验是药物研发过程的最后阶段，对评估候选药物的安全性和有效性至关重要。临床试验分四个阶段，第一阶段是在健康志愿者（n=15-50）中评估药物的安全性和耐受性，第二阶段是在较多患者（n<100）中评估疗效和副作用，第三阶段是在更多患者（n>100）中比较新治疗方法与现有治疗方法的疗效和安全性，最后一个阶段是上市后在使用者（n>1000）中监测长期不良反应（见图6）。 图6  临床试验 注：图的左侧部分说明了临床试验所涉及的过程，分为四个阶段。图的右侧部分强调了 LLMs 可以执行的任务，以促进这些过程。 LLMs 的成熟度评估 研究者使用从“不适用”到“成熟”的四层系统对药物研发过程中 LLMs 的成熟度进行分类（见图7）： ①不适用：LLM 不适用于给定的下游任务，或与其不相关。 ②初级阶段：LLM 仅在初步、计算机模拟的环境中应用于该任务，尚未通过现实世界实验进行验证。 ③高级阶段：LLM 已超越理论应用，在相关场景下的现实世界实验中验证了其有效性。 ④成熟阶段：LLM 应用已被整合并部署在实际、真实的环境中，如医院或制药公司，且有证据表明其有效性和实用性。 图7  LLMs 的成熟度评估 注：此图被分为成熟度级别图例、理解疾病发生机制、药物发现和临床试验四个部分，详细说明了 LLMs 在不同任务和阶段中的成熟度。 未来方向及建议 文章最后，研究者讨论了9个未来需要改进的领域，并针对现存问题分别提出修改建议，它们分别是： 1.大语言模型对于药物研发过程的理解能力问题：要提高大语言模型对药物研发过程的理解能力，应该使用更加严格和定制化的方法来评估和提升 LLMs 对科学概念的理解能力，例如将统计力学或分子动力学等领域开发的先进计算技术整合到用于药物研发的 LLMs 中； 2.伦理、隐私和滥用问题：为解决这些问题，需确保数据匿名化，采取一种谨慎平衡的监管方法，既保障 LLMs 安全性也不妨碍技术进步； 3.“幻觉”问题：“幻觉”是 LLMs 生成的错误或不相关的结果，使得研究人员和临床医生被这些结果误导，从而产生一系列不良后果。为解决这些问题，可以使用多种缓解策略来引导模型生成更准确、更相关的答案，如调整模型参数或整合其他来源的数据来填补模型理解空白，在无偏数据集上进行微调等； 4.公平和偏见问题：建立允许错误纠正的机制、促进跨学科合作以及就 LLMs 在药物研发中的责任开展对话，将有助于确保医疗公平；增强 LLMs 的透明度和可解释性，通过使用各种数据源，利用包容性的数据收集、分析方法以及严格的伦理评估来解决偏见； 5.量化分析问题：可以通过逐位编码、使用十进制改进 LLMs 对数值信息的编码，引入适当的归纳偏差，确保数字的连续性； 三、回顾大模型在药物设计方面的应用 （来源：AIDD Pro  文本加工：菊梅睿研） 今天给大家讲一篇2024年10月在预印版arxiv上发表的一篇利用大模型应用于药物设计的文章。现今大语言模型在特定领域如药物研发中仍然存在一定挑战性。为此，作者提出一种多方面知识引导的大语言模型应用于药物设计领域，名为Y-Mol，旨在完成从先导化合物发现到临床前和临床预测的任务。通过结合药物数据库、知识图谱和专家设计的合成数据作为模型微调的数据以增强其在生物医学领域的推理能力。实验评估表明，它在发现先导化合物、预测分子性质和识别药物相互作用方面的能力显著优于LLaMA2，展现了其在药物研发中的巨大潜力。 1 引言 大语言模型（LLMs）在大量的文本数据上进行训练，以理解和生成可交互的文本和易于理解的上下文。它们通常包含数亿甚至数千亿个参数，能够捕捉到语言的复杂模式和细微差别。然而其在特定领域的应用能力上存在限制，因此研究人员设计了与任务相关的指令来微调模型，使其能够获得特定任务的知识和模式，从而提高在目标领域的表现。然而，将该方法放在药物研发领域也存在一定的挑战，如获取与药物相关的数据成本高昂，且标注生物医学实体之间的交互数据需要相当精准的领域知识方可标注。为此作者基于大语言模型设计了一套药物研发的框架，经过特定的指令进行微调可以高效地完成药物发现、临床前研究及临床预测等多个任务。 2 Y-Mol设计流程 2.1构建数据集 为了丰富大语言模型的输入信息，作者从三个来源构建了与药物相关的数据，其一是从PubMed等数据库中提取了超过3300万个不同药物的介绍信息，并将其中的实体抽取出来，然后用SMILES 序列来替换每个药物名称的方式重构文本，以此来保证药物实体间的一致性（图1A）。为了增强模型的预测能力，作者还基于知识图谱抽取了目标事实周围的上下文信息来构建问答对，并将其上下文信息输入到模型中（图1B）。此外，还利用RDKit来提取公开的分子数据集中的属性值（如QED、SAs等），从而丰富其输入数据的形式（图1C）。 图1 预训练数据来源 2.2 Y-Mol设计架构 作者基于LLaMA2-7b架构来设计药物研发的大语言模型Y-Mol。该方法由两阶段构成，第一阶段首先在生物医学语料库上进行自监督预训练，使Y-Mol能够理解药物研发相关背景知识。然后，在药物相关领域知识和专家合成数据上进行监督微调，希望增强其理解药物相互作用机制的能力。第二阶段在上述预训练-微调的基础上，用三个不同来源的数据集进一步为它量身定制了多个下游任务，包括先导化合物的发现、临床前和临床预测等任务（图2）。 图2 Y-Mol模型架构 3 实验结果 3.1先导化合物优化的性能评估 为了验证Y-Mol在优化先导化合物属性方面的性能，作者分别进行了单目标和多目标优化实验。可以发现无论是单目标优化还是多目标优化任务，该方法几乎可以生成合法有效的分子，且在同时优化多个属性时，多样性均能维持在0.9以上，可见其探索更广阔的化学空间的能力（图3）。 图3  分子设计性能评估 3.2 药物相互作用预测 在药物开发的临床阶段，预测潜在的药物-药物相互作用是确保药物安全使用的关键。为此，作者将Y-Mol与LLaMA2分别在药物间相互作用及药物靶标相互作用任务上进行了实验，可以发现Y-Mol在两个任务上均取得了优越的分类性能。这表明通过引入生物医学知识更有利于临床阶段的预测任务（图4）。作者展示了Y-Mol推理的例子，基于事实信息，Y-Mol分析出Abametapir可能会影响Dronedarone的代谢，导致Dronedarone在体内的浓度发生变化的现象。此外，还分析出Topotecan 也可通过影响 BCL-2 基因家族成员的表达来抑制肺癌细胞的生长和转移。这些案例均表明Y-Mol在解决药物设计任务中是极为有效的（图5）。 图4 药物相互作用性能评估 图5 基于Y-Mol的药物相互作用预测的案例分析 3.3 分子属性预测任务 为了进一步评估Y-Mol的性能，作者还设计了分子属性预测任务，并将其建模为回归任务，以LLaMA2为基准模型，通过决定系数（R²）来评估其预测能力。可以发现在12种物理化学属性上的预测任务相较于LLaMA2均有显著优势。表明Y-Mol在预测物理化学性质方面具有较好的通用性，这一现象也证明了Y-Mol在临床前预测中的可参考性（图6）。 图6 分子属性预测性能评估 4 结论 作者提出了一种多方面知识引导的大语言模型（LLM）应用于药物设计领域，名为Y-Mol，它旨在整合专家知识及相关文献数据以提高药物研发的效率和准确性。 为此，基于药物数据库、药物相关的知识图谱及可合成的数据均整合至Y-Mol中，增强了模型对药物开发知识的理解能力。实验结果表明，Y-Mol在多个药物开发相关任务中的表现均优于现有的LLaMA2-7b模型。这证明了Y-Mol在处理药物靶点预测、药物-药物相互作用预测以及药物设计等任务时的有效性。在未来，将进一步推进Y-Mol在药物开发中更多领域的应用，以提供更为有效的预测，从而加速药物设计的进程。 参考文献 Ma T, Lin X, Li T, et al. Y-Mol: A Multiscale Biomedical Knowledge-Guided Large Language Model for Drug Development[J]. arXiv preprint arXiv:2410.11550, 2024. 四、550万美元A轮融资，Converge Bio用生物大语言模型革新药物研发 （HealthX HealthX AI 停止更新） 在人工智能浪潮席卷各个领域的今天，生物科技行业正经历着前所未有的技术变革。近日，生物信息学初创公司Converge Bio传来喜讯，宣布完成550万美元种子轮融资，由TLV Partners领投。这家年轻的公司正在通过革命性的人工智能平台，重新定义药物研发的未来。 "单纯的模型是不够的。"Converge Bio的CEO兼联合创始人Dov Gertz如是说。在他看来，生物科技领域的人工智能应用远比表面看起来要复杂得多。与我们熟知的ChatGPT这样的通用大语言模型不同，生物科技领域的AI模型需要应对更为专业和严苛的挑战。 从左起：Converge Bio 的首席科学官伊多·韦纳；首席执行官多夫·格茨；首席技术官奥德·卡列夫。 想象一下，在茫茫的生命密码中，这些模型需要理解和处理数不清的DNA序列、复杂的蛋白质结构、庞大的基因组数据，以及错综复杂的生物分子相互作用网络。更具挑战性的是，这些数据常常充满噪声，可能并不完整，而且分散在不同的研究领域中。将如此复杂的数据转化为实验室科研人员可以日常使用的工具，这项任务的难度可想而知。 正是看到了这一巨大挑战，Converge Bio开发出了一套独特的技术解决方案。以抗体研究为例，他们的平台首先会通过独特的数据增强技术，将抗原-抗体作用、蛋白质相互作用等关键信息整合到模型中。接着，系统会根据研究团队的具体需求和专有数据对模型进行精细调教，使其更好地服务于特定的研究方向。 最令人印象深刻的是平台的可解释性分析能力。在传统的药物研发过程中，研究人员常常需要面对"黑盒"般的实验结果。而Converge Bio的系统能够精确定位到氨基酸残基层面，告诉研究人员为什么某个序列表现更好，哪些结构特征对功能起着关键作用。这种透明度不仅加速了研发进程，更为科研人员提供了宝贵的见解。 Converge Bio的技术创新不止于此。他们开发的序列优化引擎能够同时权衡多个关键指标，如结合亲和力、稳定性和可生产性等。系统会根据实验室的实际条件，通过多轮预测和验证，逐步提出优化建议。这种迭代式的优化过程，让药物研发变得更加高效和可控。 公司的技术优势还体现在其独特的训练方法上。他们不仅开发了专有的数据增强"课程"体系，还建立了能够适应不同应用场景的模型训练流程。更重要的是，他们成功地将开源模型与专有技术无缝集成，创建了一个完整的数据处理体系。 目前，这个强大的平台已在多个领域展现出惊人的潜力。在抗体药物研发中，它能帮助优化抗体序列设计，提升亲和力和稳定性；在疫苗设计领域，它可以预测抗原表位，优化免疫原性；在蛋白质工程方面，它更是能全方位地提升蛋白质的功能性能、稳定性和产量。 展望未来，Converge Bio计划将这笔融资用于进一步扩充研发团队，特别是在机器学习和生物信息学领域招募顶尖人才。同时，他们也将开发更强大的专有基础模型，并计划发表关于抗体设计的实证研究论文，用科学数据证实平台的效能。 "这可能是过去50年来生物科技领域最大的机遇，"Gertz这样描述他们正在开拓的领域。在人工智能与生物科技的交汇处，Converge Bio正在书写着新的篇章。他们不仅在为传统的药物研发流程带来革新，更有望成为推动整个行业数字化转型的重要力量。 在这个生物科技与人工智能加速融合的时代，让我们期待这家充满创新精神的公司为生物医药领域带来更多突破性进展！ 五、基于昇思MindSpore打造的药灵大模型SciMind赋能新药研发 （昇思MindSpore） 背景 在华为全联接大会2024（HUAWEI CONNECT 2024）期间，昇思MindSpore专题论坛顺利举办。该论坛聚焦大模型与科学智能创新成果，汇聚近百位国内外AI领域领军学者、技术领袖及开发者演讲、参会，共同分享AI领域发展趋势与产业机遇。 在昇思MindSpore专题论坛中，中国科学院上海药物所研究员，质子展开联合创始人郑明月研究员分享了《基于昇思MindSpore打造药物学大模型赋能新药研发》报告。他表示，人工智能的快速发展使得我们可以将新药研发的部分环节进行数字化，从而大幅提升新药研发的效率。郑明月团队与华为昇思团队、华为中央研究院先进计算与存储实验室共同开发药灵大模型，在药物领域知识提取、合成规划和多模态交叉下游任务等可以实现工业级可用，为生物医药领域带来了巨大的助力。 药灵大模型SciMind模型架构的概览见下图。A，SciMind接受四种模态的输入，针对不同的模态用不同的Token来表示它们的序列；B，在原始模型Llama-2-7B的基础上，根据前馈层的权重使用受限K-均值聚类分成16名专家，在前馈层之前添加了一个路由层，使用领域数据对路由层进行预训练或微调，以实现针对不同Token选择不同的专家。 SciMind包含了以下四个创新应用场景： 01 专利数据解析服务 SciMind能够高效提取专利文件中的分子和生物数据，包括复杂的化学结构、多肽序列、抗原表位、抗体序列以及生物活性等信息。与传统人工解析相比，SciMind将处理时间从2天缩短至1小时，同时将准确率提高了20%以上。 02 国产化学信息数据库 借助SciMind的信息提取能力自主研发化学信息数据库，以其高精度和高覆盖率，有望实现国产替代，为国内用户提供更加可靠的数据支持。 03 多模态交互应用 SciMind的新兴应用能够根据分子的结构特征及性质描述生成符合要求的分子结构，或者在给定分子结构的情况下给出结构及性质的描述，展现了强大的多模态交互能力。 04 化学合成规划 SciMind在化学合成规划方面表现出高准确率和可控性，通过指定断键位置作为模型的“提示词”，更好地融入药化专家的经验和知识，优化合成路径。 这些应用场景展示了SciMind在化学和生物信息处理领域的强大实力和广泛应用前景。针对通用模型在药学领域应用准确性和实用性不足的问题，SciMind利用更多的领域数据和独创的分子编辑语言提升了准确性和实用性，并且在领域知识提取和合成规划等下游应用场景达到当前最优的表现，实现工业级可用。此前SciMind在ACL 2024 Language and Molecules Workshop举办的分子-语言描述多模态大模型生成竞赛中取得第一名的成绩。 end 本公众号声明： 1、如您转载本公众号原创内容必须注明出处。 2、本公众号转载的内容是出于传递更多信息之目的，若有来源标注错误或侵犯了您的合法权益，请作者或发布单位与我们联系，我们将及时进行修改或删除处理。 3、本公众号文中部分图片来源于网络，版权归原作者所有，如果侵犯到您的权益，请联系我们删除。 4、本公众号发布的所有内容，并不意味着本公众号赞同其观点或证实其描述。其原创性以及文中陈述文字和内容未经本公众号证实，对本文全部或者部分内容的真实性、完整性、及时性我们不作任何保证或承诺，请浏览者仅作参考，并请自行核实。