Zafirlukast

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、VIVA观点 | 巅峰对话:CADD到AIDD--新药研发反内卷的“破局者” 2、创新药研发九死一生，CADD/AIDD是答案吗? 3、从CADD到AI，新药的发现最终会交给机器吗? 一、VIVA观点 | 巅峰对话:CADD到AIDD--新药研发反内卷的“破局者” （原创 维亚生物 维亚生物） “计算机辅助的药物设计（CADD）——为药物设计按下快进键” 维亚生物生物部高级主任钱玥博士 都说ChatGPT人工智能颠覆了大家对AI的看法，但这背后计算工具功不可没。钱玥博士以此为出发点，介绍了CADD如何帮助药物化学团队快速推进药物设计流程，并通过实践案例深入阐述了CADD中那些至关重要的计算工具在具体场景中的落地。以CFD靶点为例，在药物设计前期，数据收集是第一步，对于给定的基因，首先需要在数据库中收集并整合已有的结构信息、骨架的分析及活性数据等，以帮助后续研究快速了解启动。然后，维亚CADD团队一般会通过SiteMap、Binding response以及Cosolvent MD从零开始寻找结合位点，再基于自有的超算中心平台，结合维亚200k结构多样性化合物库进行高通量虚筛，接着通过分子生成对此前得到的小分子进行一系列的迭代，从而筛选出比较有潜力的骨架。此外，从头设计也是维亚寻找苗头化合物及先导化合物的强有力工具，CADD团队从已发表的药物分子研究中提炼出其药效团模型，并且可以结合分子生成及小分子片段的连接，设计出一整套自动化De novo设计的流程。进入先导化合物优化阶段，对于计算化学来说，最重要的步骤在于做自由能微扰，也就是计算某一分子从A转变到B的自由能变化，得到结果后再与药化团队合作，以展开后续的优化。在此她强调道，对比薛定谔的模块，维亚自有的自由能微扰对应自由能变化（dG）误差在1kcal/mol之内，可信度较高。 “基于AI的药靶相互作用预测” 中国科学院上海药物研究所研究员郑明月博士 药物靶标相互作用预测一直是药物设计的核心和难点问题，那么如何解决这一难题？郑明月博士提出了药物-靶标作用识别可以类比为人脸识别问题的思路，并列举多个案例分享了基于序列的药靶作用预测、基于转录组的药靶作用预测及基于AI的多靶标药物设计。同时，郑明月博士也表示，更精准的药物靶标相互作用预测仍需要探索。 “药物研发新范式，AI+如何赋能药物创新？”圆桌讨论 在维亚生物首席创新官兼维亚生物创新中心负责人戴晗博士主持下，华东理工大学教授兼康仁汇诚创始人唐赟博士、索智生物创始人兼首席执行官许大强博士、湃隆生物首席执行官李铭曦博士、英矽智能联合首席执行官、首席科学官及药物研发负责人任峰博士、晶泰科技首席科学官张佩宇博士（从左往右排序）共同讨论了3个议题： Q1 很多人将CADD/AIDD称为药物研发新范式，各位是如何看待药物研发从结构驱动到数据驱动这一趋势的？ 嘉宾们结合自己在医药行业多年的从业经验及公司布局情况发表了个人看法。唐赟博士表示，AI三要素是数据、算法和算力，其概念早在20世纪50年代就出现了，但此后由于数据匮乏而经历了很长一段时间的停滞。后来，随着互联网时代的到来，数据共享得以推动，特别是近年来AlphaGo、AlphaFold2、ChatGPT等的出现带动人工智能火了起来，但是这是否会颠覆传统模式，取代人工操作仍有待商榷。传统意义上讲，CADD被称为结构驱动，AIDD被称为数据驱动。基于此，唐赟博士认为，AIDD是CADD发展演变的高级阶段，就好比一个硬币的两面，缺一不可。两者结合起来，共同促进药物研发。 许大强博士表示，新药发现无外乎设计、合成、测试、分析四步，AI制药亦是如此，但AI可以大大提高效率和精度。AI在新药研发中潜力巨大，不过目前仍处于过渡阶段，未来仍有一段很长的路要走。那么现阶段该如何运用AI技术呢？许大强博士表示，索智通过自有的“端-到-端”的CADD/AIDD技术平台“AIxMol”，大大地提高了活性分子设计和优化的效率。同时，根据索智公司管线研发需求，搭建了包括多靶点分子设计等特有的技术平台，专门赋能产品的差异化创新。 李铭曦博士认为，CADD/AIDD没有明显的定义，两者是相互融合的。AI是一个很好的工具，帮助研发人员去提升效率，降低成本，是未来5-10年，甚至10-20年的一大趋势，也许在未来我们会看到很多创新药背后都有AI的身影，且这个趋势是不可逆转。同时，新工具的出现，像ChatGPT等，还会推进整个医药研发往前迈进。 任峰博士从传统药化专家的角度进行了分享，他认为，从CADD到AIDD，两者都是基于计算机，都可以降本增效，但前者侧重于评价，后者更多的在于创造性，从蛋白的结构到生成化合物，最终目的在于生成first-in-class的hit。 张佩宇博士表示，CADD和AIDD是很好的互补。AIDD是自上而下的过程，从数据出发去找出物理规律的一种方法，而CADD是自下而上的，从原子-原子、分子-分子相互作用出发，找到其中的物理规律。 Q2 目前AI制药公司的数据源多来自于公开资料，如已发表的医学文献，公开的靶点库、药企、科研机构或院校的公开数据等，但专业的高质量数据、失败的数据依然难以获得。如何打破数据缺乏的困境，各位有什么好的想法吗？ 唐赟博士表示，数据的数量和质量都很重要，尤其是质量。我搭建的预测模型基本都是依靠网上公开的数据，但是还是比较有限，大部分都是小样本数据，这极大地阻碍了AIDD的发展。尤其是阴性数据很缺乏，在公开文献中也不多见，鉴于此，我们是不是可以呼吁学术界在发表文章时把阴性数据也公布出来。对于企业界而言，每个公司有自己的内部数据，但都是分割的，那么是否能够几家公司达成协议，在小范围内进行数据共享，从而达到双赢的目标。 李铭曦博士分享了湃隆生物在面临数据缺乏问题时的应对方法：第一，有意识选择公开数据丰富且高质的靶点，就比如我们的CDK靶点，从一个CDK积累数据，在此基础上不断学习，一直到目前的3个CDK产品。第二、有意识地收集底层的一些小数据，比如阴性数据等，这些在domain类似的靶点中会起到很大的作用。 张佩宇博士认为，数据主要有drylab和wetlab两个来源。drylab对于某一些与结构相关的研究来说，是一个很好的数据来源，晶泰的XFEP等计算工具可以产生大量的干实验数据支持AI建模。对于wetlab而言，小分子合成相对比较耗时，抗体药则可以快速地表达几百个序列。晶泰科技通过自动化机器人与实验人员协作，不仅能实现7X24小时连续实验，更可以快速地拿到高质量的结构化数据进行反馈迭代，效率更高。 Q3 近日，科学家们采用类似ChatGPT的蛋白质工程深度学习语言模型——ProGen，首次实现了AI预测蛋白质的合成，研究成果已在Nature子刊上发表。生物版ChatGPT未来发展趋势如何？将会使药物发现哪些环节受益？ 许大强博士表示，ChatGPT是一个自监督学习预训练的语言大模型，它在文本的生成和语言的处理上比较前沿，但可能需要进行针对性训练（包括高质量数据的finetuning和更多的相关的人类反馈强化学习—RLHF）才会更加适用于生物医药领域的应用。他觉得可以应用在生物医药的场景包括蛋白设计和核酸药物设计，因为氨基酸序列及核酸碱基碱基更适用于语言的读取和编辑。 任峰博士表示，ChatGPT应用的gpt模型，我们是全球第一家应用它来生成分子的公司，且现在ChatGPT的出现，进一步证明了gpt模型在生物医药上的可行性。另外，AIDD之所以被称为工具，主要在于它的局限性，不能make decision。但是如果未来有一个Transformer模型可以训练机器去学习并消化药化知识，那对于AI制药来说也许将是一种颠覆性的突破。 二、创新药研发九死一生，CADD/AIDD是答案吗? （原创 灵魂工作室 速石科技） 创新药内卷严重，九死一生，而且烧钱速度惊人。 不管Big Pharma还是Biotech都压力山大，销售额、利润要涨，研发费用要边涨边控。 Biotech求活下去，求快速具备造血能力； Big Pharma求踩稳创新药这一条新成长曲线，探索国际化的发展模式。 如何做到： 速度要快，姿势还要帅？ 第一：堆新药研发人才 自己培养和直接抢人，这两条路一般同时进行。 培养一个新药研发人才和培养一个飞行员差不多，得用昂贵的试飞成本才能换来一点感觉。 外部就从跨国药企抢，从大厂抢。既要懂研发，还要懂市场，最好还要懂资本的多面手，最重要的是，要留得住。 第二：外包，买现成管线 一定程度上解决问题，快是快了，但终究不是长久之计。 而且核心知识产权不在自己手上，姿势不够帅。 第三：堆CADD/AIDD人才 关于为什么CADD（计算机辅助药物研发）/AIDD（AI辅助药物研发）能够加速新药研发进展，去年，我们在这篇《【2021版】全球44家顶尖药企AI辅助药物研发行动白皮书》里已经解释过了，不再赘述。 CADD和AIDD的区别就是，一个重“人工”，一个重“智能”。 不必取舍，两者殊途同归。 国内企业在找CADD/AIDD人才方面现在是什么情况？ 我们在国内9个主流招聘平台，相隔半年先后调查了两次，一共覆盖134家公司，职位关键词包括：AI、人工智能、CADD、计算化学等。 再说一遍：“别看他的眼睛，你看他的手”，行动永远胜过言语。 结论如下： 1、招聘CADD/AIDD相关职位的公司总量从78家增加到了106家，增幅36%； 2、半年内实际新增招聘公司数量，56家； 3、八成以上公司明确表示正在进行创新药研发，其中近四分之一应用了AI技术； 4、2014年以后成立的公司明确表示使用AI技术的比例大幅提升； 5、30家公司正在招聘CADD/AIDD团队负责人，占比28%，其中有9家在JD中明确提出要组建CADD/AIDD新团队； 6、最受欢迎CADD/AIDD应用前三名：Schrodinger、MOE和AutoDock。 第三plus：堆资源，或者找个新药研发平台？ 为啥堆资源就快了？ 1、充足的资源会给研发人员带来充足的想象力和试错空间，而不是束手束脚施展不开。 就像有人问一位Google芯片设计师：在Google做芯片，是一种什么体验？他说：就像小朋友走进了一家糖果店，开心疯了。（做芯片设计也是需要大量资源的 2、充足的资源能够提供更高的计算精度和准确性，提高结果的质量和可用性。 2020年3月，哈佛大学医学院在《Nature》发表的论文《An open-source drug discovery platform enables ultra-large virtual screens》就明确推导了真阳性率与所筛选化合物数量的函数关系的概率模型，证明：化合物的最高打分随着规模增加而提高。 作者分别从10万、100万、1000万、1亿、10亿个化合物中进行了5次筛选，挑选了得分最高的前50个化合物进行对比，从图中可以很清楚地看到筛选的规模越大，得分越高（位置越靠上）。 3、出结果快。 比如我们帮助一家大型药企使用AutoDock Vina对整个VS数据库（2800万个分子）做小分子对接，本地104核CPU需2.6至5年，在云上自动化构建并调度10万核大规模算力集群后只用15.23小时就完成了所有任务。 去哪里堆？ 企业自己采购机器，搞机房，或者直接用云，都可以。 那么，直接找个新药研发平台呢？ 让CADD/AIDD研发人员不用身兼数职，甚至要干运维的活； 更轻松、高效地获取超大规模资源，还可以自动化变大变小弹性伸缩； Workflow自定义制作模板，降低团队整体学习和沟通成本； 自动化的方式替代人工，提高研发整体效率和管理效率。 新药研发平台36问 一、云平台支持哪些CADD/AIDD场景？ 二、云平台支持哪些应用？支持自定义工作流吗？ 三、对CADD/AIDD研发部门来说，有哪些好处？ 四、对IT部门来说，有哪些好处？ 一 云平台支持哪些CADD/AIDD场景？ 1、如何支持AIDD场景？ 在AIDD方面，我们支持AlphaFold、RoseTTAFold等常用AI框架所需资料和快速环境的搭建，并支持更多组件按需集成。 2、平台支持分子对接吗？支持基因测序吗？还支持哪些CADD场景？ 平台可支持CADD中典型场景分子动力学模拟、分子对接、虚拟筛选等，并支持单细胞测序、全基因测序场景。 3、蛋白与蛋白docking可以在平台中运行吗？ DOCK发展到现在整合多步骤的HADDOCK、ClusPro、SwamDock、RosettaDock等等，该领域的算法不断地升级迭代。 平台也能够很方便地集成相关软件，提供验证环境。 4、想要通过平台筛选一些特定结构的分子，是否可以优化化合物库？ 如果您能够提供确切信息，可以一同讨论优化。 同时，我们也准备了很多开源的分子库供大家使用，现在已支持Zinc、Drugbank、Maybridge、Enamine等。 5、目前平台中是否有自建的化合物数据库？ CADD研究过程中，不论是靶点的发现和优化、还是先导化合物的发现和优化，开源的分子库是必不可少的基础数据。目前开源的分子库数据分散各地，下载缓慢，格式不统一，更新频率不等，导致无法统一使用和管理，数据资产作用发挥有限。 所以我们构建了fastone自有的分子库，并做好了进一步的数据准备。 例如： 1、数据预处理，合并或格式转换； 2、数据后处理，去重或力场优化。 6、你们可以协助做小分子设计吗？ 我们不直接提供具体的小分子设计，我们负责搭建IT和信息平台，协助您完成相关的研发工作。 7、基因数据量很大，平台有什么好的解决办法？ 对于GB级别的增量数据，我们支持以混合云组网专线的方式优化上传线路。 传输通道使用DM工具，支持全自动化数据上传，可充分利用带宽，帮助用户快速上传、下载海量数据。 对于PB级别的存量数据，建议通过离线方式快速传输。 8、最终结果能否在线可视化查看？ 平台支持图片、表格、HTML等多种形式展现。 二 云平台支持哪些应用？支持自定义工作流吗？ 9、云平台能覆盖到我常用的软件吗？ 我们支持常用的生物/化学计算类应用，包括：生物化学与分子生物学/化学工程/生物化学/应用化学/生物工程/药物化学/分析化学/物理化学/高分子化学与物理。 10、具体来说，支持哪些生物/化学计算类应用/工具？ 我们支持几乎所有的生物/化学计算类应用/工具，包括：AutoDockVina、Amber、FastQC、DeltaVina、GATK、Gromacs、Schrödinger、NetMHC、Rosetta、BCFtools等。 11、你们支持Alphafold吗？ 我们可以快速提供Alphafold等常用环境，方便用户快速进行后续研究。 12、我们用的软件是自己编译的，你们平台支持吗？ 支持。我们提供的集群环境镜像已包含常见应用工具运行所需的依赖库，用户也可以自行安装配置。 13、对于一些商业软件例如Schrödinger，你们提供License吗？ 商业软件的License文件需要客户自行提供，fastone提供License Server进行统一管理。 14、分子对接流程能不能自定义？上云之后每次都要重新弄一遍吗？ 很多时候，现成的应用往往无法满足用户的需求，需要根据自己的模型和研究目标，自定义设置一套独有的工作流程。 特别是新药研发所涉及的应用上，可以说几乎没有一模一样的工作流。  我们已经实现了多款应用（如Vina、Amber）的自定义工作流，可以根据用户的实际使用场景（包括入参文件、结果文件、流程使用方式、步骤以及相关说明等）实现自定义模板和脚本自动化。用户也可以提供脚本，由我们协助完成并行化改造。 15、你们是否提供固定的工作流模板？ 提供。 用户在进行了一次或多次复杂的设定之后，能把这些设定保存成固定模板，不用重复手动去一步步重新设置。一次制作，反复使用，省时省力，还不用担心中间出错。 而且，这套自定义的设置是可以跨应用存在的，不一定局限在一个应用范围内。自己重复用，共享给团队的其他人用，都可以。 16、你们是怎么帮助我们做工作流优化的？ 我们有通用的框架。 我们也有对应的CADD专家，可理解您的业务需求，快速设计出合理的相关流程。 17、你们的云平台如何与CADD应用相结合适配？ 我们提供两种模式进行适配：任务模式和集群模式。 集群模式为用户提供了一个灵活的环境，用户可在集群模式下进行一系列的调整和优化，自由度非常高。 如果您习惯使用图形化界面操作，我们也提供图形桌面，您可通过Web浏览器启动集群，跳转到虚拟桌面，并可在该桌面直接操作应用进行相应设置以开启云端任务。 当用户在集群模式下跑通了之后，可以选择将整个流程固化下来，方便更多研发人员使用。此时我们可以帮助用户将此套流程转换成固定的任务模式，让更多的人可以使用这个成熟的框架，从而加速后续的整体研发效率。 三 对AIDD/CADD研发部门来说，有哪些好处？ 18、你们的平台容易操作吗？用起来会不会很麻烦？ 我们为AIDD/CADD研发人员提供了一整套即开即用的新药研发环境，从登录桌面、打开应用、配置、提交任务、自动上云开机运行任务并自动关机、查看结果进行调试……用户所需要的操作与本地几乎完全一致，每一步只需在平台上使用鼠标简单点选即可完成。 19、有些应用需要先跑完主任务再跑其他任务，上云可以智能化跑任务吗？ 有些应用在运算时存在依从机制，每若干个任务中包含1个主任务，只有当主任务运行结束后，其他任务才能开始并行运算。 由于任务有先后，所以需要先跑主任务，在每个主任务完成之后自动调度资源并行运算其他任务。 而不同任务完成时间可能不同，对资源的需求量可能时高时低有波动，最终结束关机时间也不同。 我们使用Slurm调度器按顺序调度任务排队，Auto-Scale功能可自动监控任务和资源需求，动态按需地开启与关闭所需资源。 详细的自动化过程可参考27问。 20、做分子对接，动不动就是几百万上千万个分子，太贵了，有节约成本的方案吗？ 分子对接规模如果巨大，有什么好的解决办法能加快这个过程？怎么做到的？ 分子对接的一大特征是任务数量庞大而单个任务计算时间短，单个分子对接的时间通常在几分钟以内（与参数设置有关）。 这一特征天然匹配云端的SPOT实例。 当便宜且随时可能被抢占中断的SPOT实例遇到迷你却海量的分子对接任务，简直就是天造地设的一对。 1、常规分子对接任务几分钟即可算完，特别适合SPOT这种分分钟可能被抢走的状态； 2、fastone平台具备自动重试功能，一个任务被中断可以自动重新提交，任务之间互相不影响，重新提交单个任务影响很小。 21、任务量比较大，想提前预估一下费用再做决策，有没有什么好办法？ 我们平台预设了智能预测功能，以MOE为例。用户在fastone平台的图形化操作界面运算MOE任务，完成以下步骤： 1、用户上传数据文件（平台自动解析文件，判断其中包含的分子数量） 2、用户输入期望的运算时间（平台推荐用户适配机型或用户自行选择机型） 3、系统得出预测成本 项目负责人能够非常方便地使用该功能预估项目费用，完成项目规划和申请。 22、我要跑TPU，你们支持吗？ 支持。 用户可以通过我们平台获取到TPU资源。 23、有时会遇到CADD模拟出的结果与实际结果有一定出入，这是为什么？ CADD本身是模拟的结果，通过不断的迭代，力场的优化，会不断接近实际情况。 CADD和实际的实验数据相结合，反复设计和迭代，可以达到很好的效果。 24、有些任务需要使用大量的GPU资源，你们有吗？ 当单个云厂商的GPU资源难以满足需求时，我们会根据用户任务需要和特性，跨多家公有云厂商，智能自动化调度云端GPU异构资源，保证用户对GPU的需求得到满足。 25、GPU资源很贵，有没有节约成本的方案？ GPU资源在不同云厂商之间有着显著的差异，而且往往资源多的售价高，便宜的资源少，同时兼顾成本和效率是必须要考虑的问题。 以各大公有云厂商在北京地区的GPU实例（V100）按需价格为例，最高价格超过最低价2倍。 我们平台可综合考量用户对完成任务所需时间和成本的具体要求，在多个云厂商的资源之间选择最适配的组合方案，为用户跨地区、跨云厂商调度所需资源。 26、用Amber跑任务，用GPU跑非常快，但是有时候会跑失败，用CPU虽然稳定但是慢，你们怎么解决？ 这是Amber18版本的固有问题，在使用GPU时计算时有10-15%概率失败，需要及时调度CPU资源重新计算。我们平台支持优先使用GPU计算，当任务失败时，自动调用CPU重新计算。 该问题已在Amber20中修复。 四 对IT部门来说，有哪些好处？ 27、现在公司里才几台机器，天天维护头就很大了，云上这么多机器还不得把自己搞秃了？ 云上的运行环境都是自动化配置的，不需要人工干预，用户还可以通过平台进行统一管理和监控，方便易操作。 举个例子，我们的Auto-Scale功能可以自动监控用户提交的任务数量和资源的需求，动态按需地开启和关闭所需算力资源，在不够的时候，还能根据不同的用户策略，自动化调度本区域及其他区域的目标类型或相似类型实例资源。 所有操作都是自动化完成，无需用户干预。 下图就是开启Auto-Scale功能后，用户某项目一周之内所调用云端计算资源的动态情况。 其中橙色曲线为OD实例的使用状况，红色曲线为SPOT的使用状况。 Auto-Scale功能可以根据任务运算情况动态开启云端资源，并在波峰过去后自动关闭，让资源的使用随着用户的需求自动扩张及缩小，最大程度匹配任务需求。 28、你们是什么存储策略？费用呢？ 冷存储和热存储的费用是不一样的，我们会根据用户的情况提供个性化的解决方案。 29、数据备份的频率如何？最高可以达到多少？现有策略怎样？ 默认每周六进行数据备份，也可以根据客户需求按天或按小时备份。 30、使用平台的工作人员比较多，能否对每个人设置使用资源的上限？ fastone平台的权限和角色管理功能，支持管理员角色对每一个用户进行相关权限设定，包括预算使用上限和CPU核数使用上限，从而在全局角度管控项目的资源消耗。该功能与智能预测配合使用，能够从多个层面对预算和资源进行全方位规划。 31、公司里还有些机器能用，你们支持混合云模式吗？ 支持。 可以将本地机器做成集群，也可以基于本地机器搭建混合云平台。 我们支持本地资源不足的时候，自动溢出到云上。 32、你们怎么实现混合云？ 云资源和本地之间通过安全的数据通道连接，所有资源在fastone平台统一管理，有统一视图，并按需智能调度，不改变用户的使用习惯。 33、公司里已经有机器了，再增加一套云环境，IT管理上会不会变麻烦？ 通过我们可以在不增加负担的情况下对接多云，减少IT管理压力。 我们的自动化管理平台很容易上手，对提升研发效率和资源利用率都有很大帮助。 34、我们公司有海外研发部门，用你们平台方便吗？ 我们的平台支持全球部署，我们会全球的优化组网，统一用户管理，数据管理，优化的远程接入方式，保持一致的用户体验。 35、云上云下的安全如何保障？ 安全是一个立体的概念，包括系统安全、应用安全、流程安全、数据安全等很多方面。 云的基础架构和传统IT架构在安全方面并没有本质上的区别，依然是利用计算节点和存储资源。很多人觉得这两者之间存在差异，我们认为这取决于个人的认知。 本地的安全措施在云上都可以实现，同时云厂商本身还提供更强大的安全保障。 36、数据安全如何实现？ 数据全部通过安全协议传输，并支持RBAC的数据访问认证鉴权。 同时，我们还支持数据加密存储，算法可自定义。 三、从CADD到AI，新药的发现最终会交给机器吗? （原创 咖啡与茶 AIDD Pro） 1计算机辅助药物设计（CADD） 新药发现，是融合基因组学、蛋白组学、分子生物学、结构生物学、生物信息学，以及组合化学、计算化学、高通量筛选等相互渗透、紧密结合的多学科协同工作；而随着计算机算力的提升，计算已更多的应用于新药研发的各个环节当中。 CADD，是以计算机化学为基础，通过模拟来预测和计算配体与受体之间的作用特点，从而进行先导化合物的发现和优化。自1894年“锁钥模型”首次被提出，CADD的研究正在走向成熟，并逐步成为药物发现过程中的必备技术手段之一。 从计算方式来看，CADD可分为间接药物设计即基于配体的药物设计(LBDD)和直接药物设计即基于结构的药物设计(SBDD)两种。LBDD一般适用于药物三维结构未知，仅仅已知活性化合物；SBDD一般适用于已通过实验方法(如X射线晶体衍射或核磁共振等)或者用理论模拟预测方法(如从头设计、虚拟筛选、同源模建等方法)得到受体或与配体复合物的三维结构关系。 图1.1  计算机辅助药物设计流程图 （图片源：见参考文献1） 2CADD的新药成功案例 CADD的推广应用，经过数十年的积累，已成为当今药物研发不可或缺的一部分，且国内外产出了部分实质性的成果。国外一些大型制药公司如默克、罗氏、诺华等，已经有一些领域通过CADD技术获得了更优的产品，甚至已成功上市，如血管紧张素转化酶抑制剂卡托普利、HIV-1蛋白酶抑制剂沙奎那韦、神经氨酸酶抑制剂扎那米韦等，均用到了一定的CADD来辅助结构优化设计。 举例如下：流感治疗药物扎那米韦，科研人员以已知的NA抑制剂为设计模板，根据结构中羟基与NA活性位点的作用特点，使用电子等排的氨基取代羟基（同步保留氢键作用）得到了相应的化合物，该化合物可以形成盐桥，从而与NA产生了更高的亲和力，在此基础上又进一步使用胍基取代氨基，最终得到了扎那米韦。 图2.1  使用CADD成功上市的药物案例 （图片源：见参考文献1） 3 CADD和AI的区别 AI，是近年来非常火热的技术应用，且已经介入到新药设计到研发的大部分环节当中，为新药发现与开发带来了极大的助力。不过，虽然AI和CADD的硬件基础都是计算机，但本质上还是存在着很大的区别。 首先，CADD的基础学科是计算化学，是通过计算机模拟来计算受体与配体之间的作用强弱，从而进一步为优化化合物的结构提供方向；相对而言，这一过程参与了更多的人的智慧和对药物结构的敏感经验。 而AI，更倾向于机器对数据库信息的自我学习，可以对数据进行提取和学习，一定程度上避免了化合物设计过程中的试错路径，同时还会带来很多全新的结构，为药物发现打破常规的结构壁垒。 4 AI逐步介入到新药设计 AI，范围来说覆盖了机器学习和深度学习，能与新药研发相结合并实质性的应用到靶点预测、高通量筛选、药物设计、药物的ADMET性质预测，等；且算力方面，由早期应用于药物发现领域的决策树、随机向量机等机器学习模型，进展到深度神经网络、卷积神经网络、循环神经网络等深度学习算法。 图4.1  人工智能&机器学习&深度学习的关系 （图片源：见参考文献2） 具体到新药研发环节：如靶点识别，基于决策树来预测与疾病相关的基因，有研究者发现了多种EF在信号通路和胞外定位中的调控作用，并进一步基于靶点的结构和几何特征，选取一定量蛋白的数十个结合位点以及大量的非药物结合位点，构建随机森林分类器来预测药物靶点，并有研究者进一步采样提升了随机森林算法，成功的从非药物靶点中区分了药物靶点。 再如，活性筛选方面，AI可以对候选化合物进行筛选，从而更快的筛选出作用于特定靶点且具有较高活性的化合物。通过采用决策树和随机森林的机器算法，国内研究者分别对脾酪氨酸激酶Syk抑制剂和非抑制剂建模，并从相应的分子数据库筛选得到了极具潜力的Syk抑制剂。 此外，近年来随着新冠病毒肆虐全球，针对于此的药物开发得到了集中的关注，AI技术更是凭借这种特殊环境下的优势推动了一些候选药物的开发，如Zafirlukast，即是通过AI技术快速推进到临床的重要品种。 图4.2  基于人工智能的covid-19药物发现筛选示意图 （图片源：见参考文献3） 5全球致力于AI技术的新药研发技术平台 通过AI技术推进药物研发，不仅获得了国外大型药企极大的投入和关注，国内很多AI技术平台更是搞得风生水起。医药行业自身，基于AI制药全球相继成立了Schrodinger、Exscientia、Benevolent、Insilico Medicine、晶泰科技、望石智慧、冰洲石生物、Relay Therapeutics、深度智耀、智化科技、剂泰医药等50多家AI新药研发技术平台；另，如国内家喻户晓的腾讯、百度、阿里等公司也相继成立了与制药业相关的AI公司。 这里要强调的是，不同的AI公司所关注于药品开发的方向有所不同，大都存在一定的差异。国外，如早期成立的Schrodinger，其产品主要是提供药物发现的计算软件解决方案，其竞争对手主要集中于国外如Entelos、Genedate AG，等。国内，如晶泰科技，其对外服务项目包括药物固态研发、药物设计和人工智能，但核心业务还是在药物固态研发方向上，且与辉瑞等药企已建立了长期的合作模式；再如深度智耀，其产品主要包括药物研发知识图谱、早期研发平台、化学工艺辅助决策平台、医学写作、医学翻译等。 6是否能完全取代传统新药发现模式？ 传统的新药研发，模式大概为科研人员根据文献、自身经验去选择、优化、制备出理想的化合物、候选药物，再逐步进行动物试验，乃至临床试验；这一过程，即使是对于me-too类品种，化合物数量没有几百个几千个的物质基础，可以说，很难对一类结构产生深入的“感觉”；而在具备了这种感觉的基础上，进一步的“努力+运气”，可能有幸产出一个IND品种。 而如今，在AI的助力下，科研人员的部分工作将转入至自动化阶段，数据将获得极大的积累与丰富，试验时间成本将被大大压缩；但，从经济成本和成功率来说，目前AI尚不能成为项目支出的日常消耗，尚不能突破性的解决未被满足的临床需求，尚不足以支撑新药研发系统而庞大的工作以及衔接；故，真正的接管新药研发系统，还需要一定时间。不过，不可否认的是，任何一个环节一旦取得突破性进展，将很容易带来颠覆性的变革。 7参考文献 1. In Silico Drug Design. doi.org/10.1016/B978-0-12-816125-8.00002-X 2. Drug Discovery Today  Volume 26, Number 1  January 2021. doi.org/10.1016/j.drudis.2020.10.010 3. Medicine in Drug Discovery 9 (2021) 100077. doi.org/10.1016/j.medidd.2020.100077 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。

近日，国家药监局对孟鲁司特制剂说明书进行修订，新增“黑框警示”，明确标注其可能引发抑郁、自杀倾向、攻击性行为等严重神经精神不良反应。这一调整并非禁用信号，而是提醒医患双方需更谨慎评估用药风险。若您或家人正在使用该药，无需恐慌，本文将结合权威指南与临床数据，提供科学替代方案。 01 黑框警告的背景与核心风险 孟鲁司特作为白三烯受体拮抗剂，曾广泛用于哮喘、过敏性鼻炎及儿童喘息治疗。然而，其神经精神副作用逐渐显现： 风险范围 涵盖全年龄段，儿童因神经系统发育未成熟，症状更隐匿（如口吃、情绪低落易被误判）。 数据支撑 国家药监局监测显示，2020-2024年孟鲁司特相关不良反应中，32.6%为神经精神系统反应，儿童占比达68.4%，严重不良反应（如自杀意念）发生率逐年上升。 国际共识 美国食品药品监督管理局早在2020年已添加黑框警告，欧盟药品管理局同步更新安全信息，我国此次修订与国际监管标准接轨。 02 哮喘患者的替代方案：精准抗炎是关键 哮喘治疗的核心是控制气道炎症，孟鲁司特仅为辅助药物，临床有更成熟的替代选择：1. 首选方案：吸入性糖皮质激素 代表药物 布地奈德、氟替卡松。 优势 直接作用于肺部炎症部位，全身吸收极少，几乎无精神副作用，安全性极高。 使用技巧 掌握正确吸入方法，用药后及时漱口，可避免口腔真菌感染。 数据支持 国内外指南均推荐吸入性糖皮质激素为哮喘控制首选药，长期使用可降低急性发作风险。2. 联合方案：吸入性糖皮质激素+长效支气管舒张剂 适用场景 单用吸入性糖皮质激素控制不佳的患者。 代表药物 布地奈德/福莫特罗、沙美特罗/氟替卡松。 优势 抗炎与持续扩张气道双管齐下，控制效果更稳定。3. 急救与特殊情况用药 短效支气管舒张剂 沙丁胺醇喷雾（哮喘急性发作“救急药”，不可长期依赖）。 抗胆碱能药物 噻托溴铵（适合合并慢性阻塞性肺疾病的哮喘患者）。 生物制剂 奥马珠单抗（重度难治性哮喘的精准靶向治疗，需注射给药，价格较高）。4. 同类替代：其他白三烯调节剂 代表药物 扎鲁司特、曲尼司特。 优势 作用机制类似孟鲁司特，但临床数据显示精神副作用风险更低。 注意 疗效通常不如吸入性糖皮质激素联合方案，仅作为备选。 03 过敏性鼻炎患者的替代方案：灵活选择，对症下药 过敏性鼻炎治疗中，孟鲁司特并非一线药物，以下方案更安全有效：1. 口服首选：新一代抗组胺药 代表药物 西替利嗪、氯雷他定、左西替利嗪。 优势 快速缓解打喷嚏、流鼻涕、鼻痒等症状，安全性高，几乎不引起嗜睡或精神副作用，成人和儿童均可使用。 数据支持 《变应性鼻炎指南》明确其为一线治疗用药，儿童版指南强调其抗炎作用及长效性。2. 局部王牌：鼻用激素喷雾 代表药物 糠酸莫米松、丙酸氟替卡松。 优势 直接作用于鼻腔黏膜，全身吸收可忽略不计，长期使用安全，对中重度鼻炎效果优于孟鲁司特。 使用技巧 每日1-2次，按压喷头时同时吸气，可提高药物沉积率。3. 温和预防：色甘酸钠滴鼻液 优势 副作用极轻微，适合症状轻微或对激素有顾虑的患者。 局限 起效较慢，更适合作为预防用药。 04 特殊人群用药：谨慎评估，优先安全 以下人群使用孟鲁司特需格外谨慎，建议优先选择替代方案： 儿童 神经系统发育未成熟，症状易被忽视，需密切监测情绪、行为变化。 孕妇及哺乳期女性 药物可能通过胎盘或乳汁影响胎儿/婴儿，需医生评估获益-风险。 老年人及有精神健康病史者 基础疾病可能加重药物副作用，需调整剂量或换药。 05 关键提醒：理性用药，全程监测 1.勿自行停药换药 需由医生评估后调整方案，突然停药可能引发哮喘急性发作。 2.加强不良反应监测 情绪与心理抑郁、焦虑、攻击性行为。 行为与认知口吃、幻觉、注意力障碍。 睡眠与神经梦游、头痛、肢体麻木。 3.停药标准 出现上述信号需立即停药并就医，多数不良反应在停药后1-2周内可缓解。 结语：科学替代，守护呼吸健康 孟鲁司特的黑框警告是用药安全的“升级提示”，而非“禁用信号”。若您或家人正在使用该药，无需过度恐慌，但需密切观察用药反应；若有顾虑，及时咨询医生更换更合适的药物。理性看待药物风险，遵循指南选择一线用药，才能更精准地抵御疾病困扰，守护全家健康。