预约演示
更新于：2025-12-03
Bilastine
比拉斯汀
更新于：2025-12-03
概要
基本信息
原研机构 |
最高研发阶段批准上市 |
最高研发阶段(中国)撤市 |
特殊审评- |
登录后查看时间轴
结构/序列
分子式C28H37N3O3 |
InChIKeyACCMWZWAEFYUGZ-UHFFFAOYSA-N |
CAS号202189-78-4 |
关联
135
项与 比拉斯汀 相关的临床试验TCTR20250909008
A Single Dose, Randomized, Open-label, Two-way Crossover Bioequivalence Study of Generic Bilastine 20 mg Tablets and Reference Product (Bilaxten (20 mg tablets)) in Healthy Thai Volunteers under Fasting Conditions
开始日期2025-11-05 |
申办/合作机构- |
TCTR20241223002
A Bioequivalence Study of Open-label, Randomized, Single Oral Dose, Two-way Crossover Design of Generic Bilastine 20 mg Tablets and Reference Product (Bilaxten) in Healthy Thai Subjects under Fasting Conditions
开始日期2025-10-31 |
申办/合作机构- |
TCTR20250619004
A Single Dose, Randomized, Open-label, Two-way Crossover Bioequivalence Study of Generic Bilastine 20 mg Tablets and Reference Product (BILAXTEN 20 mg tablets) in Healthy Thai Volunteers under Fasting Conditions
开始日期2025-08-01 |
申办/合作机构- |
100 项与 比拉斯汀 相关的临床结果
登录后查看更多信息
100 项与 比拉斯汀 相关的转化医学
登录后查看更多信息
100 项与 比拉斯汀 相关的专利（医药）
登录后查看更多信息
297
项与 比拉斯汀 相关的文献（医药）2025-11-11·ENVIRONMENTAL SCIENCE & TECHNOLOGY
The Next Lithium Boom? Assessment of U.S. Domestic Production Pathways through Economic and Environmental Lenses
Article
作者: Vahidi, Ehsan ; Mousavinezhad, Seyedkamal ; Nikfar, Sima ; Sharifian, Seyedmehdi
This study examines current and future lithium production from primary resources in the United States, with a focus on economic viability and environmental sustainability using factory-level data. Four production methods/resources were evaluated: conventional brine extraction from Silver Peak, direct lithium extraction from Clayton Valley, sedimentary rock in Thacker Pass, and hard-rock spodumene sourced from Canada and refined in Texas. The key economic performance indicators include capital and operational expenditures (CAPEX and OPEX), net present value (NPV), internal rate of return (IRR), and payback period (PBP) across 21 lithium carbonate price scenarios ($10,000 to $50,000/ton LCE) over 20 years. DLE shows the lowest CAPEX but the highest OPEX due to higher energy use. Estimated OPEX per ton LCE is $6350 for Thacker Pass, $4600 for Silver Peak, $7850 for DLE, and $6100 for Hard Rock. Environmental assessments show CO2 emissions (tons per ton LCE) of 10 for Thacker Pass, 4.3 for Silver Peak, 17.4 for DLE, and 17.6 for Hard Rock. While DLE and hard rock methods have higher emissions, Silver Peak stands out as the most environmentally efficient due to its use of solar evaporation and low chemical usage.
2025-11-01·Annales Pharmaceutiques Francaises
Unspecified degradation impurities identification and characterization in bilastine and montelukast tablet formulations by using UPLC and LCMS/MS: Robustness by design expert and green assessment
Article
作者: Mondal, Tanmoy ; Kowtharapu, Leela Prasad ; Konduru, Naresh ; Varkolu, Mohan ; Sayyad, Kousrali ; Kodishala, Raj Kumar ; Gundekari, Sreedhar
OBJECTIVES:
This study introduces a novel ultra-performance liquid chromatography (UPLC) method for the rapid, simple, and accurate detection of contaminants in bilastine (BLS) and montelukast (MTK) tablet formulations.
MATERIAL AND METHODS:
The separation of BLS impurity-A, BLS impurity-B, BLS, MTK impurity-A, MTK, and MTK impurity-B was achieved using an Acquity BEH C18 column (50×2.1mm, 1.7μm) under gradient eluent conditions. The mobile phases consisted of 0.1% triethylamine in water with the pH adjusted to 2.5 using orthophosphoric acid (mobile phase A) and acetonitrile (mobile phase B). The ratio of mobile phase A to B was 70:30 (v/v). The column flow rate was set at 0.2mL/min, and the photodiode array detector (PDA) was used to quantify the analytes. The detection wavelength was set to 224nm.
RESULTS:
In a runtime of just 20minutes, 13 analytes were successfully separated. The retention times for the target compounds and impurities were as follows: BLS impurity-A: 1509min, BLS impurity-B: 3435min, BLS: 5668min, MTK impurity-A: 8137min, MTK: 9784min, MTK impurity-B: 11,853min. The unspecified impurities in the degradation samples were detected at retention times of 2174, 2657, 3368, 4143, 8239, 11,722, and 12,436minutes, and were characterized using liquid chromatography-mass spectrometry (LC-MS).
CONCLUSION:
The UPLC-based analytical method demonstrated in this study is an effective and efficient technique for the quantification of BLS, MTK, and their associated impurities in tablet formulations. This method has been validated in accordance with ICH Q2(R2) and USP <1225> guidelines.
2025-09-01·WATER RESEARCH
Biological ion exchange for natural organic matter removal from drinking water
Review
作者: Zimmermann, Karl ; Chen, William ; Barbeau, Benoit ; Schoutteten, Klaas ; Liu, Zhen ; Mohseni, Madjid ; Bérubé, Pierre
The state of knowledge for ion exchange (IEX) drinking water filters is updated in this review with new understandings that allow for dramatically extending filter run length from days to months or years between regenerations. By simply allowing IEX filters to operate past chloride exhaustion, water practitioners can take advantage of continuing natural organic matter removal through a combination of sulphate-based secondary IEX and bio-removal mechanisms. Herein, we review literature and add new findings to describe all three mechanisms and their relative contributions, and provide insights to design and operate biological IEX, or 'BIEX', drinking water filters. Generalizing with new and literature data on 34 case studies from three continents, the chloride-based primary IEX lasted 3,100 bed volumes (BV) with 69 % DOC removal, while sulphate-based secondary IEX provided an additional 24,400 BV of run length with 51 % DOC removal. Bio-removal provided 5-10 % DOC removal irrespective of the IEX mechanism, although bio-removal mechanisms are less understood. Treatment performance depended on operating conditions and influent water quality, specifically the ratio of [Total Anions]-to-[DOC] concentrations in influent water, for which a linear relationship was described as [%DOCremoval]=0.57-0.0123×[TotalAnions:DOCratio]. Two models are shared to estimate filter run length either from empirical data or by minimizing the operating expenses (OPEX). While OPEX was influenced by either brine disposal or resin replacement costs depending on the system's scale, the total costs were dominated by capital expenses. Meanwhile, resin lifetime was influenced by filter run length and regeneration, and so cleaning approaches are discussed including caustic or citric acid. Understanding the mechanisms for DOC removal and informed with empirical models to predict treatment performance and run length, our renewed knowledge of ion exchange drinking water filters enables water practitioners to capitalize on their low-maintenance and long-term treatment abilities as a tool for safe drinking water in small and large water systems worldwide.
109
项与 比拉斯汀 相关的新闻（医药）2025-12-01
以下内容由Ai辅助生成，目的是整理公开信息，仅供学习参考！
在2024至2025年的科技版图中，人工智能驱动的科学发现（AI for Science, AI4S）已跨越了概念验证的“死亡之谷”，正式进入工业化部署与基础设施整合的关键阶段。这一转变不仅是算法层面的迭代，更是科研范式从“经验试错”向“计算预测”的根本性迁移。
分析表明，AI4S领域正呈现出鲜明的“三层分化”格局：
基础设施与工业层（Infrastructure & Industry Layer）： 以玻尔（Bohrium）和腾讯AI4S为代表。前者通过“深势·宇知”大模型体系确立了在微观粒子模拟与材料科学领域的操作系统地位，深度绑定宁德时代等行业巨头，解决新能源研发的“卡脖子”问题；后者依托腾讯云的强大算力与“混元”医疗大模型，通过与辉瑞（Pfizer）的战略合作，打通了从药物研发（湿实验）到患者服务（微信生态）的商业闭环。这一层级的业务紧迫性最高，直接关联产业生存与国家战略安全。
国家基座与学术层（National Foundation & Academic Layer）： 以中国科学院自动化研究所发布的ScienceOne为核心。作为“科学大脑”，ScienceOne致力于构建自主可控的科学智能基座，通过多模态科学大模型解决跨学科复杂问题。其技术成熟度极高，具备处理亿级文献与调度数百种科学工具的能力，但在商业化路径上更侧重于国家科研效率的提升而非直接盈利。
用户工具与效用层（User Utility & Tool Layer）： 以SCAICH和PaperRed为典型。SCAICH利用AI Agent技术重构了学术文献的检索路径，解决了Sci-Hub庞大数据库的自然语言交互问题；PaperRed则在学术诚信与AIGC检测的博弈中寻找生存空间。这一层级通过解决用户的具体痛点（如文献获取难、查重降重需求）获取流量，但在合规性与长期护城河构建上面临挑战。
本系列报告将严格遵循“技术成熟度”与“业务紧迫性”的双维评估框架，深入剖析各实体在算法演进、商业模式、生态构建及未来风险方面的表现，旨在为决策者提供一份兼具战略高度与执行细节的参考指南。
腾讯AI for Science (AI4S) 深度研究报告：基础设施架构、算法原理与工业化应用实践
深度解析 | AI for Science
执行摘要
随着量子力学与计算机科学的深度融合，基于第一性原理（First Principles）的计算模拟已成为现代材料科学与药物研发的基石。通过求解薛定谔方程（如密度泛函理论DFT），科学家理论上可以在原子层面精确预测材料的性质。然而，传统DFT计算的计算复杂度随原子数量呈立方级增长（O(N3)），这一无法逾越的物理与数学屏障，长期以来限制了工业界处理超过数千个原子或纳秒级时间尺度体系的能力。
本报告旨在详尽分析腾讯“AI for Science”（AI4S）战略如何通过构建异构基础设施与深度学习算法矩阵，突破这一算力瓶颈。我们深入剖析了腾讯在基础设施层（Infrastructure Layer）的布局，从底层的高性能计算集群（HPC）、RDMA网络架构，到上层的TEFS（腾讯弹性第一性原理模拟）与iDrug平台。报告详细拆解了“深度势能”（Deep Potential）与DeePHF等核心算法如何将计算复杂度从 O(N3) 降低至线性 O(N)，从而实现对高熵合金、固态电池电解质及复杂药物分子的精准模拟。基于对数十份技术文档、学术论文及产品手册的深度梳理，本报告提供了从平台搭建、算法调用到成本核算的详细操作指南，并结合高熵合金筛选与抗癌药物前药活化等真实案例，论证了AI4S在缩短研发周期、降低实验成本方面的颠覆性效能。
1. 理论框架：第一性原理的计算瓶颈与AI范式转移1.1 第一性原理计算的物理极限与工业痛点
在材料科学、化学及生物医药领域，"第一性原理"计算指的是仅从物理学基本定律出发，不依赖任何经验参数，直接求解多体系统的薛定谔方程来预测物质性质的方法。其中，密度泛函理论（Density Functional Theory, DFT）是目前应用最广泛的方法。
然而，尽管DFT在理论上具备极高的精确度，但在实际工业应用中面临着严峻的“维度灾难”。DFT的计算成本与体系中电子数（或原子数）N 的三次方成正比，即 O(N3) 。这意味着，如果将模拟体系的原子数量增加一倍，计算所需的算力资源将增加八倍。
这种立方级增长导致了所谓的“模拟墙”（Simulation Wall）：空间尺度限制：
传统DFT难以处理超过数千个原子的体系。这对于需要模拟晶界、缺陷、蛋白质折叠或纳米颗粒界面的工业问题来说，往往显得捉襟见肘。时间尺度限制：
在动力学模拟（如分子动力学MD）中，为了捕捉化学反应或离子迁移，往往需要模拟纳秒（ns）甚至微秒（μs）级的时间跨度。而在DFT精度下，每一步迭代都极其昂贵，导致实际可模拟的时间尺度往往局限在皮秒（ps）级别。
在电池研发中，电解液的分解反应、离子的长程扩散等关键过程往往发生在复杂的大尺度体系中，且涉及长时间的动力学演化。传统方法要么精度不足（使用经验力场），要么计算太慢（使用DFT），迫使研发人员不得不回归到昂贵且低效的“试错法”（Trial-and-Error）实验中。1.2 AI4S的介入：从 O(N3) 到 O(N) 的范式革命
腾讯AI for Science（AI4S）的核心逻辑，在于利用深度学习（Deep Learning）构建物理模型的“代理”（Surrogate Model）。这种方法并不试图直接求解薛定谔方程，而是通过学习大量由高精度量子力学计算产生的数据（“真值”），训练神经网络来拟合原子构型与势能面（Potential Energy Surface, PES）之间的映射关系。
这一范式转移带来了两个决定性的突破：线性标度（Linear Scaling）：
训练好的深度势能（Deep Potential）模型，其推理（Inference）计算量与原子数量呈线性关系 O(N)。这使得模拟数百万甚至上亿原子的体系成为可能，且保持了接近量子力学的精度。兼顾精度与效率：
通过如DeePHF（Deep Post-Hartree Fock）等算法，AI可以在保持Hartree-Fock计算效率的同时，预测出达到耦合簇（CCSD(T)）级别的能量校正，从而在保证化学精度的前提下大幅降低计算成本。
2. 基础设施层：支撑科学计算的异构算力基座
AI4S的成功不仅仅依赖于算法的精妙，更通过底层基础设施的强力支撑得以实现。腾讯云针对科学计算（Scientific Computing）的特殊需求，构建了一套包含异构计算、高性能网络与分层存储的完整基础设施堆栈。2.1 异构计算资源池（Heterogeneous Computing Resources）
科学计算负载具有高度的多样性：DFT计算通常需要双精度（FP64）浮点运算能力，而AI模型的训练与推理则更依赖于混合精度（FP16/FP32）的高吞吐量。腾讯云通过提供多样化的计算实例来满足这些需求。GPU计算集群：
对于AI训练和大规模分子动力学模拟，GPU是核心引擎。腾讯部署了包括NVIDIA H100、A100及V100在内的高性能GPU实例。例如，在训练大型图像识别或分子图神经网络模型时，GPU能够并行处理成千上万个线程，将训练时间从数天压缩至数小时。特别是在涉及高熵合金等复杂体系的模拟中，GPU加速是实现时间尺度跨越的关键。弹性裸金属与高主频CPU：
对于部分难以并行化的传统计算任务，腾讯提供了基于Intel Xeon Cascade Lake等架构的高主频CPU实例。这些实例通过“裸金属”形态交付，消除了虚拟化带来的性能损耗，确保了计算资源的极致利用。专用加速器（FPGA/ASIC）：
针对特定的推理场景，腾讯还探索了FPGA和自研芯片的应用，以优化单位能耗下的算力输出。2.2 高性能网络互连（High-Performance Networking）
在分布式计算中，节点间的通信延迟往往是制约整体性能的瓶颈。特别是在基于MPI（Message Passing Interface）的并行计算中，数千个核心需要频繁交换数据。RDMA网络：
腾讯云采用了基于RoCEv2（RDMA over Converged Ethernet）的高性能网络架构。RDMA（Remote Direct Memory Access）技术允许一台服务器的内存直接访问另一台服务器的内存，而无需CPU的干预。这极大地降低了通信延迟（低至微秒级）并释放了CPU算力。高带宽设计：
支持25Gbps、100Gbps甚至更高的网络带宽，确保在进行大规模AllReduce操作（如AI分布式训练中的梯度同步）时，网络不成为短板。2.3 分层存储架构（Tiered Storage Architecture）
科学计算产生的数据量巨大且访问模式复杂，从海量的初始结构文件到巨大的波函数文件，再到最终的分析结果，对存储系统的吞吐量和IOPS提出了极高要求。高性能文件存储（CFS/Lustre）：
为了满足计算节点对数据的高频读写，腾讯提供了基于Lustre或自研并行文件系统的高性能存储服务。这类存储支持极高的并发吞吐，是运行VASP、LAMMPS等软件时的首选工作目录。对象存储（COS）：
对于海量的非结构化数据（如原始轨迹文件、训练数据集），腾讯云对象存储（COS）提供了低成本、高可靠的归档方案。COS支持标准存储、低频存储和归档存储等多种层级，允许用户根据数据热度自动分层，优化成本。2.4 资源编排与调度（Orchestration & Scheduling）BatchCompute：
这是一个专为大规模批处理作业设计的调度系统。在材料筛选场景中，研究人员可能需要提交数万个独立的计算任务（例如计算不同配比合金的形成能）。BatchCompute能够自动管理这些任务的队列、分发、重试及资源释放，极大简化了操作复杂度。弹性微服务（TEM）与Serverless（SCF）：
对于轻量级的后处理任务或事件驱动的流程（如计算完成后自动触发通知或数据清洗），腾讯的无服务器架构（SCF）允许按实际运行时间（毫秒级）计费，避免了资源的闲置浪费。
3. 算法与模型层：突破 O(N3) 的核心引擎
基于强大的基础设施，腾讯AI Lab与量子实验室研发了一系列核心算法与模型，构成了AI4S的软件灵魂。这些算法致力于在保持第一性原理精度的同时，实现计算效率的指数级提升。3.1 DeePHF：以Hartree-Fock成本实现CCSD(T)精度
在化学反应能垒和分子性质预测中，电子相关能（Correlation Energy）的计算至关重要。传统的Hartree-Fock（HF）方法虽然计算量较小（O(N3)或更低），但忽略了电子相关效应，导致精度不足。而高精度的耦合簇方法（如CCSD(T)）虽然准确，但计算复杂度高达 O(N7)，无法应用于大分子。
腾讯开发的DeePHF（Deep Post-Hartree Fock）方法巧妙地解决了这一矛盾。它利用深度神经网络，以HF计算得到的局域电子密度矩阵或轨道信息作为输入，直接预测体系的能量校正项（即高精度计算结果与HF结果的差值）。算法原理：
DeePHF通过建立局域电子密度矩阵特征值与高阶相关能之间的直接映射，规避了复杂的波函数展开。性能表现：
在小分子反应数据集上训练后，DeePHF表现出了卓越的迁移能力。它可以被应用于比训练集更大的分子体系，且计算成本维持在HF方法的量级（O(N3)），实现了精度与效率的完美平衡。应用场景：
特别适用于有机分子反应路径的搜索、过渡态能量的精确计算以及药物分子的活性预测。3.2 Deep Potential（深度势能）：分子动力学的革命
Deep Potential Molecular Dynamics (DPMD) 是腾讯AI4S体系中用于解决大尺度分子动力学模拟的核心技术。它结合了第一性原理数据的精度和经典力场（Force Field）的效率。E(3)等变神经网络：
为了准确描述原子间的相互作用，模型必须遵守物理学的对称性原理（平移、旋转、置换不变性）。腾讯采用基于E(3)等变神经网络的架构，确保了预测的势能面在空间变换下保持物理一致性。主动学习（Active Learning）与3T工作流：
为了高效地探索巨大的化学空间，腾讯采用了“3T”方法（Train, Test, Train）。- Train： 利用少量的高精度DFT数据训练初始势能模型。- Test： 使用该模型进行大规模分子动力学探索。在探索过程中，利用模型集（Ensemble）的预测方差来评估不确定性。- Label & Train： 当遇到模型“不确定”的构型（即高方差区域）时，自动调用DFT计算进行标注（Labeling），并将新数据加入训练集重新训练。
这种闭环机制使得模型能够以最小的DFT计算代价，覆盖最关键的相空间。3.3 iDrug算法矩阵
在药物发现领域，腾讯构建了针对特定任务的算法矩阵：tFold：
基于深度图学习的蛋白质结构预测算法，能够从氨基酸序列快速重构蛋白质的三维结构，为靶点发现提供基础。其在CAMEO竞赛中屡获殊荣。ADMET预测：
利用图神经网络（GNN）预测药物分子的吸收、分布、代谢、排泄和毒性。通过融合大量私有与公开数据，iDrug平台的ADMET预测模块在多项指标上比传统方法提升了30%以上的准确率。分子生成：
基于骨架跃迁（Scaffold Hopping）和生成对抗网络（GAN）的算法，能够在保持特定药效团的同时，生成具有自主知识产权的新颖分子结构。
4. 平台层：TEFS与iDrug的深度解析
腾讯将上述基础设施与算法封装为两大核心平台：面向材料科学的 TEFS 和面向药物研发的 iDrug 。这两个平台通过云端SaaS（Software as a Service）或PaaS（Platform as a Service）的形式，向工业界和学术界提供服务。4.1 TEFS (Tencent Elastic First-principles Simulation)
TEFS是腾讯量子实验室推出的旗舰级材料计算平台。它不仅是一个作业提交入口，更是一个集成了高性能计算环境、专业软件栈和AI辅助工具的一站式解决方案。核心功能：
- 弹性算力调度： 用户无需自建集群，即可按需调用数千核心的算力。TEFS通过后台对接腾讯云BatchCompute，实现了任务的自动化分发与管理。- 软件生态集成： 平台预置并优化了主流材料计算软件（如VASP、LAMMPS）。特别是通过与Intel合作，利用oneAPI工具包对VASP进行了指令集级别的优化（如AVX-512指令集），使得在相同硬件上的计算效率显著提升。- AI辅助工作流： TEFS内置了上述的“3T”主动学习工作流模板，用户可以通过简单的配置，自动化地执行“采样-训练-模拟-再采样”的闭环过程，大幅降低了使用AI进行材料发现的门槛。- 可视化与交互： 平台提供基于Web的远程可视化功能，研究人员可以直接在浏览器中查看三维晶体结构、电子密度图或能带结构，无需下载庞大的数据文件到本地。4.2 iDrug (AI驱动的药物发现平台)
iDrug平台旨在打通临床前药物研发的全链条，从靶点发现到先导化合物优化。数据层：
iDrug整合了海量的公共数据库（如PDB、ChEMBL）以及腾讯自建的 Alchemy数据集 。Alchemy数据集包含了超过13万个有机分子的12种量子力学性质，是目前业界用于训练药物化学AI模型的重要基准数据集之一。模型层：
集成了蛋白质结构预测（tFold）、虚拟筛选、分子生成、ADMET预测及合成路线规划五大核心模块。服务模式：
iDrug不仅提供Web端的在线预测服务（部分功能免费开放），还支持通过API接口与药企内部的研发管线进行深度集成。
5. 详细使用步骤与操作指南
本节将还原一个科研人员利用腾讯AI4S平台进行大规模材料筛选或药物设计的标准操作流程。5.1 账户注册与环境配置注册与认证：
- 访问腾讯云官网注册账号。- 由于涉及高性能计算资源的调用，通常需要完成 企业实名认证 。这一步是获取高配额GPU实例（如H100/V100）的前提。资源开通：
- 进入控制台，开通 BatchCompute 、 COS （对象存储）及 CFS （文件存储）服务。- 对于TEFS平台用户，需单独申请TEFS的使用权限，通常通过邮件（tefscloud@tencent.com）或合作渠道开通。5.2 作业提交与工作流构建（以TEFS为例）
第一步：数据准备与上传
用户在本地准备初始结构文件（如VASP的POSCAR文件或药物分子的SMILES字符串）。
利用 COS Browser 或命令行工具（COSCMD）将大规模数据集上传至云端对象存储桶中。对于高频读写的数据，建议直接上传至CFS挂载点。
第二步：计算环境定义
在TEFS控制台或BatchCompute界面，定义计算环境镜像（Image）。腾讯云提供了预装好DeePMD-kit、VASP、PyTorch及Intel oneAPI环境的公共镜像，用户也可自定义Docker镜像。
选择机型：对于AI训练任务，选择 GN系列 （GPU实例）；对于DFT计算，选择 高主频计算型 实例（如HC系列）。
第三步：配置AI+DFT工作流参数设置：
设置DFT计算的收敛标准（如能量截止EDIFF、K点网格）、AI模型的超参数（如学习率、网络层数）。定义3T循环：
在TEFS的高级设置中，配置主动学习的迭代次数。例如，“每模拟100步MD，检测一次不确定度；若不确定度高于阈值σ，则触发VASP计算并更新模型”。
第四步：作业提交与监控
通过CLI命令行或Web界面提交作业。系统会自动根据任务量申请后端计算节点。
利用云监控（Cloud Monitor）实时查看集群的CPU/GPU利用率、内存带宽及网络流量，确保资源高效利用。
第五步：结果回收与分析
计算完成后，结果文件自动回写至COS或CFS。
利用平台内置的可视化工具进行初步分析，或将关键数据（如筛选出的Top 1%候选材料）下载至本地进行深入研究。
6. 成本分析与商业模型
腾讯AI4S采用了典型的云服务商业模式，将高昂的固定资产投资（CapEx）转化为灵活的运营支出（OpEx），极大地降低了科研门槛。6.1 定价模型详解
AI4S的成本主要由计算、存储和网络三部分组成。
6.1.1 计算资源成本（Compute）
计算费用通常占据总成本的70%-80%。按量计费（Pay-As-You-Go）：
适合突发性的科研任务。CPU实例：
标准计算型实例价格约为 $0.03 - $0.10 USD/核/小时 。例如，租用一个96核的节点进行一天的DFT计算，成本约为$100 - $200 USD。GPU实例：
价格较高，视GPU型号而定。V100/A100实例通常在 $3.00 - $10.00 USD/小时 不等。竞价实例（Spot Instances）：
对于容错性强、可中断的任务（如大规模蒙特卡洛采样），使用竞价实例可节省 50%-80% 的成本。阶梯定价：
对于长期大规模使用的企业用户，腾讯云提供阶梯折扣。例如，二级阶梯的CVM单价可能仅为一级阶梯的50%。
6.1.2 存储资源成本（Storage）高性能存储（CFS/SSD）：
用于运行时的中间数据存储。价格：约为 $0.368 USD/GiB/月 （中国大陆金融区价格）。如果项目期间占用了1TB的高性能存储，月成本约为$376 USD。标准对象存储（COS）：
用于数据归档。价格：约为 $0.02 - $0.026 USD/GiB/月 。存储10TB的数据，月成本仅需$200 - $260 USD。
6.1.3 API调用与网络成本API调用：
iDrug等SaaS服务的API调用通常按百万次计费。例如，TDMQ消息队列的API调用价格约为 $0.2857 USD/百万次 。流量费：
公网出流量（下载数据）通常按GB计费，约为 $0.08 - $0.12 USD/GB 。内网流量（如计算节点与存储桶之间）通常免费或极低。6.2 成本效益案例分析：新型电池电解液筛选项目
假设一个实验室计划筛选5000种候选电解液分子的扩散性能。
方案A：传统DFT计算资源需求：
每个分子跑10ps的AIMD，需消耗约5,000核·小时。总计算量：
5,000分子 × 5,000核·小时 = 2,500万核·小时。预计成本：
按$0.05/核·小时计算，总成本高达 $1,250,000 USD 。时间：
即便拥有千核集群，也需要数年才能完成。
方案B：腾讯AI4S（TEFS + Deep Potential）AI训练与推理：
- 训练数据生成（3T采样）：仅需对约100-200个典型构型进行DFT计算。成本：200 × 5,000核·小时 × $0.05 = $50,000 USD 。- 模型训练（GPU）：使用V100集群训练24小时。成本：10卡 × 24小时 × $4.00 = $960 USD 。- 大规模推理（5000分子）：AI推理速度比DFT快10000倍以上，计算成本几乎可忽略不计（约 $500 USD ）。验证计算：
- 选取Top 50个候选分子进行全精度DFT验证。成本：50 × 5,000 × $0.05 = $12,500 USD 。总成本：
$50,000 + $960 + $500 + $12,500 ≈ $64,000 USD 。
结论： AI4S方案相比传统方案， 成本降低了约95% ，且时间周期从数年压缩至数周。
7. 成功案例与成效分析
腾讯AI4S平台并非仅停留在理论验证阶段，其已经在材料科学和药物研发的多个前沿领域取得了实质性的突破。以下为具体的成功案例分析。7.1 案例一：高熵合金（HEA）电极材料的发现背景挑战：
高熵合金由5种或更多种元素以近乎等原子比混合而成，其组分空间极其巨大（超过1050种组合）。传统的实验试错法在如此巨大的空间中寻找具有高导电性和稳定性的电池电极材料，无异于大海捞针。解决方案：
研究团队利用腾讯量子实验室的算法和TEFS平台，构建了一个两阶段的机器学习工作流：- 特征空间构建：利用机器学习模型分析物理化学性质（如电负性、原子半径），建立组分与电压输出之间的映射关系。- 主动学习筛选：利用贝叶斯优化算法，对包含 3,656 种潜在材料的数据库进行高效筛选。成效指标：
- 系统成功识别出 41种 新型电极材料，这些材料同时具备良好的电子导电性和高电负性阴离子宿主特性。- 效率提升： 相比传统的随机实验，AI辅助筛选将候选范围缩小了 98.8% ，极大地减少了合成与测试的工作量，不仅节省了昂贵的金属原材料，更挽救了数月甚至数年的实验时间。7.2 案例二：固态电池电解质的长时程模拟（3T方法）背景挑战：
固态电池是下一代电池技术的制高点，其核心在于寻找高离子电导率的固态电解质。离子在固体中的扩散是跨越能垒的稀有事件，需要纳秒级以上的模拟时长才能观测到统计显著的扩散行为。传统AIMD受限于 O(N3) 复杂度，只能模拟皮秒级，无法捕捉长程扩散。解决方案：
研究人员在TEFS平台上部署了Deep Potential模型，并采用了 3T（Train, Test, Train） 的主动学习策略。- 利用 Intel Xeon Cascade Lake 8255C CPU和 NVIDIA V100 GPU组成的异构集群，实现了模型的高频迭代与更新。- 通过特定的 周期/步数设置（cycle/step number settings） ，优化了从经典力场预平衡到VASP DFT采样再到AI训练的平滑过渡。成效指标：
- 实现了对锂离子在电解质中扩散行为的 纳秒级 模拟，精度与全DFT计算一致。- 揭示了离子传输的微观机制，为设计新型固态电解质提供了理论指导。- 该研究明确致谢了腾讯云及TEFS平台的支持，验证了平台在处理复杂电化学反应体系中的可靠性。7.3 案例三：抗癌药物前药活化机制研究背景挑战：
前药（Prodrug）设计需要在特定生理环境下发生化学反应（如共价键断裂）以释放活性药物。精确预测这一反应的吉布斯自由能（Gibbs Free Energy）变化对于评估前药的有效性至关重要。传统力场无法描述化学键断裂，而DFT对大分子体系又太过昂贵。解决方案：
腾讯量子实验室联合中国药科大学等机构，针对抗癌前药 β-拉帕醌（beta-lapachone） 和KRAS抑制剂 Sotorasib ，开发了一套混合量子计算与AI的模拟流水线。针对Sotorasib，研究团队利用混合计算方法模拟了药物与KRAS G12C突变蛋白之间的共价键相互作用。成效指标：
- 该流程成功预测了前药活化的能垒，结果与高精度实验数据吻合。- 方法论突破： 证明了混合管线在处理涉及共价键断裂和复杂酶促反应的真实药物设计问题上的可行性，展示了从概念验证向实际工业应用跨越的潜力。7.4 案例四：蛋白质结构预测与tFold背景挑战：
蛋白质结构决定功能，是理性药物设计的起点。解决方案：
腾讯iDrug平台的 tFold 模型，利用深度学习技术预测蛋白质三维结构。成效指标：
- tFold在国际权威测试平台 CAMEO 上多次获得周冠军，证明其预测精度达到国际领先水平。- 商业落地： 在与药企的合作中，基于iDrug的ADMET预测模型将预测准确率在内部基线上提升了 30% 以上，关键属性的相关系数超过 90% ，显著降低了候选药物在后期临床试验中因毒性或代谢问题失败的风险。
8. 战略总结与未来展望8.1 基础设施即科研生产力
腾讯AI4S的实践表明，算力不仅仅是辅助工具，而是直接的生产力。通过构建针对科学计算优化的异构云基础设施（RDMA网络、分层存储、弹性调度），腾讯解决了制约第一性原理计算的物理瓶颈，使得原本需要举国之力建设的超算能力，变得触手可及。8.2 混合计算的未来：量子+AI
从Alchemy数据集的发布到混合量子计算流水线的探索，腾讯正积极布局“后硅基时代”的计算范式。尽管量子计算机目前仍处于NISQ（含噪声中等规模量子）阶段，但腾讯已经开始探索如何将量子计算的量子优势（Quantum Advantage）与AI的泛化能力结合，预示着未来科学计算将是“经典HPC + AI加速 + 量子关键步计算”的三元融合体系。8.3 工业研发的数字化转型
AI4S正在推动工业研发从传统的“实验试错”模式向“计算设计-实验验证”模式转变。这种转变不仅大幅降低了研发成本（如电池材料筛选成本降低95%），更重要的是极大地加快了创新迭代的速度。对于制药、新能源、半导体等研发密集型行业而言，掌握AI4S能力将成为未来十年的核心竞争力。
附表：数据对比表1：传统研发模式与腾讯AI4S模式对比分析
维度
传统研发模式
腾讯AI4S模式
核心影响
方法论
实验试错 / 经验直觉
预测模拟 / 主动学习 (Active Learning)
候选材料筛选范围缩小 98.8%
模拟尺度
约100个原子 (DFT)
数百万原子 (Deep Potential)
线性 O(N) 复杂度突破立方级瓶颈
研发周期
数年 (合成与表征)
数周 (虚拟筛选)
显著加速产品上市时间
成本结构
高昂的设备折旧 (CapEx)
按需付费的云算力 (OpEx)
降低95%以上的算力与实验成本
精度
高(实验) 或 低(力场)
量子级精度 (DeePHF/DPMD)
以低成本实现“黄金标准”精度表2：腾讯AI4S典型工作流云资源成本估算表
资源类型
规格说明
预估单价
典型应用场景
计算 (CPU)
Intel Xeon (Standard)
~$0.10 USD / 核·小时
VASP/DFT 基准计算与数据标记
计算 (GPU)
NVIDIA V100/H100
阶梯/竞价定价
AI模型训练 (DeePMD/tFold)与大规模推理
高性能存储
CFS / SSD Turbo
~$0.368 USD / GB / 月
活跃模拟过程中的高频I/O数据存储
归档存储
COS (对象存储)
~$0.02 USD / GB / 月
长期保存轨迹文件与训练数据集
API 调用
iDrug / TDMQ
~$0.28 USD / 百万次
自动化工作流触发与消息传递
— 腾讯AI for Science 深度研究报告 —
2025-11-28
·地球之选
坚守爱的方向《地球之选·主题曲》
摘要
从抗组胺药到生物制剂，过敏性疾病治疗领域正迎来前所未有的创新浪潮。近日，诺华的瑞米布替尼片在中国获批上市，引发过敏治疗领域广泛关注。这款BTK抑制剂并非瞄准血液肿瘤，而是选择了慢性自发性荨麻疹这一过敏性疾病作为首发适应症。随着过敏性疾病全球患病率的持续攀升，抗组胺药、生物制剂和小分子靶向药物共同构成了日益丰富的治疗选择。本文将深入解析瑞米布替尼、度普利尤单抗和比拉斯汀这三款各具特色的过敏治疗药物。
一、核心产品信息（一）基本信息1. 瑞米布替尼：高选择性口服布鲁顿酪氨酸激酶（BTK）抑制剂，通过阻断BTK信号通路抑制组胺及促炎介质释放。原研为诺华，2025年9月获FDA批准，2025年11月26日中国NMPA获批（商品名瑞普多®），适用于H1抗组胺药控制不佳的成人慢性自发性荨麻疹（CSU）。
注：获批主要基于两项全球Ⅲ期研究（REMIX-1和REMIX-2）快速起效：患者在治疗第2周，每周荨麻疹活动度（UAS7）评分（综合了瘙痒和风团）即较安慰剂组显著下降。治疗至第12周时，与安慰剂组相比，有显著更高比例的患者实现了症状的完全控制（UAS7=0）或极佳控制（UAS7≤6），意味着他们的症状近乎完全消失，该疗效持久，并伴随患者生活质量的全面提升。
2. 度普利尤单抗：全人源IL-4Rα单克隆抗体，可同时阻断IL-4/IL-13信号通路过度激活。原研为赛诺菲与再生元联合研发，2017年3月获FDA批准上市，2020年2月在中国获批（商品名达必妥®），获批适应症涵盖中重度特应性皮炎、哮喘、慢性鼻窦炎伴鼻息肉、CSU等。2025年11月25日，欧洲委员会已正式批准赛诺菲与再生元合作的度普利尤单抗，用于治疗对H1抗组胺药（H1AH）应答不足的中度至重度慢性自发性荨麻疹（CSU）成人和青少年（12岁及以上）患者。这是十多年来欧盟批准的首个针对CSU的靶向药物，并可被用作符合条件的患者的一线靶向治疗。
注：本次获批基于两项名为LIBERTY-CSU CUPID A和B的Ⅲ期临床试验的积极结果。研究证实：与安慰剂组相比，接受度普利尤单抗治疗的患者在每周瘙痒严重程度评分（ISS7）和每周风团数量评分（HSS7）上均获得了统计学意义的显著改善。治疗组患者在第2周即出现症状显著减轻，并且疗效持续贯穿整个52周的研究周期。更多患者实现了瘙痒和风团的近乎完全消除，从而在生活质量评分上取得显著进步。
3. 比拉斯汀片（含口崩剂型）：第二代非镇静性H1抗组胺药，选择性结合外周H1受体，轻中枢抑制作用。2017年欧盟上市，国内，山东新时代口崩片今年获批上市，包括原研，江苏华阳制药有限公司共有3家企业产品上市，包括普通片剂和口崩片。 （二）医保与销售数据医保状态：瑞米布替尼尚未纳入国家医保目录；度普利尤单抗于2021年纳入《国家基本医疗保险、工伤保险和生育保险药品目录》，比拉斯汀全剂型未纳入医保销售表现：瑞米布替尼全球销售，诺华预测其峰值销售额超30亿美元；度普利尤单抗市场表现强劲，2022年全球销售额82.95亿欧元，2023年达85.06亿欧元，2024年全球销售额进一步攀升至142亿美元；比拉斯汀全球市场2024年规模6.62亿美元，中国市场随仿制药推进逐步放量。 二、独特临床价值1. 瑞米布替尼：全球首个获批CSU的口服BTK抑制剂，两项全球多中心Ⅲ期研究（REMIX-1和REMIX-2）显示，对二代抗组胺药控制不佳的CSU患者，治疗2周即可显著改善症状，疗效持续至第52周，近半数患者实现症状完全消除（UAS7=0），同时改善睡眠及日常活动干扰，口服剂型提升患者依从性和疾病管理能力。2. 度普利尤单抗：全球首个全人源化IL-4Ra单克隆抗体，从病因层面阻断过敏性疾病发病通路，适用范围广，可用于中重度特应性皮炎、哮喘、慢性鼻窦炎伴鼻息肉、CSU等多种疾病，为合并多系统过敏性疾病的患者提供综合治疗方案，重度患者疗效显著且长期安全性良好。度普利尤单抗（法国·赛诺菲与美国·再生元联合开发）：同时治疗＿中重度特应性皮炎（AD），哮喘，慢性鼻窦炎伴鼻息肉等共病新选择3. 比拉斯汀片：非镇静、无心脏毒性，肝肾功能不全患者无需调整剂量；口崩片剂型无需用水送服，溶解速度快，适合吞咽困难人群（如老年人）及儿童，，可作为轻度过敏疾病的一线治疗选择，长期使用耐受性稳定。荨麻疹治疗：新一代抗组胺药物的理想选择＿比拉斯汀片 三、安全性与副作用瑞米布替尼：常见不良反应（＞3%）包括头痛、上呼吸道感染、口腔疱疹、恶心等，严重副作用有感染、出血、心律失常等，肝功能指标与安慰剂组相近，无严重不可逆不良反应。度普利尤单抗：主要副作用为注射部位反应、结膜炎、口咽疼痛、发热、耳部不适等，严重副作用包括超敏反应、严重眼部炎症等，无明显全身毒性，长期使用安全性稳定。比拉斯汀片：不良反应罕见，偶见头痛、嗜睡（发生率低于第一代抗组胺药），无抗胆碱作用及体重增加，未发现严重心脏传导异常，儿童与成人安全性数据一致。 四、三产品优劣势对比特性 ：瑞米布替尼 /度普利尤单抗/ 比拉斯汀片（含口崩剂型） 核心优势 ：口服靶向、起效快、疗效持久；首个获批CSU的BTK抑制剂 /适应症广、多系统覆盖；纳入医保，价格亲民；生物制剂疗效强/ 非镇静安全、剂型便捷（口崩片）；儿童适用；肝肾功能不全无需调量 潜在劣势 ：上市时间短，临床使用经验较少；未入医保，价格较高/ 需皮下注射，使用便利性不足；部分患者对注射存在恐惧或抗拒/ 中重度CSU疗效有限；未纳入医保 适用场景 ：抗组胺药无效的成人CSU患者 多系统过敏性疾病、中重度患者；/合并多种过敏病症的患者/ 轻度荨麻疹、过敏性鼻炎；儿童及吞咽困难人群 五、三甲医院专家临床建议1. 中华医学会皮肤性病学分会主任委员、中国医科大学附属第一医院皮肤科教授高兴华指出：“超过50%的CSU患者单用标准剂量H1抗组胺药无法有效控制症状，瑞米布替尼的获批填补了临床空白，其快速起效、长期疗效及安全性优势，有望成为新一代CSU治疗选择，口服剂型更利于提升患者治疗依从性。”2. 陆军军医大学第一附属医院（西南医院）皮肤科主任宋志强教授表示：“度普利尤单抗为中重度特应性皮炎患者带来革命性治疗方案，能显著改善皮肤症状和生活质量，长期安全性良好。临床需结合患者病情严重程度、个体差异，合理选择治疗方案，适合的患者应坚持规范治疗以获最佳疗效。”3. 首都医科大学附属北京儿童医院皮肤科主任马琳教授建议：“儿童过敏性疾病治疗需兼顾疗效与安全性，比拉斯汀口崩片无需用水送服，解决了儿童吞咽困难的痛点，且非镇静特性不影响学习生活，可作为儿童轻度过敏的优选药物，肝肾功能不全儿童也无需调整剂量。” 六、总结瑞米布替尼、度普利尤单抗、比拉斯汀片分别代表靶向抑制剂、生物制剂、传统抗组胺药三大类别，在过敏领域形成“三足鼎立”格局。瑞米布替尼以口服靶向优势填补中重度CSU治疗空白，度普利尤单抗凭借多适应症与医保覆盖惠及广泛人群，比拉斯汀片则以安全便捷的特点成为轻度过敏及特殊人群的优选。临床应用中，医生需根据患者疾病类型、严重程度、年龄、依从性及经济状况，制定阶梯式个性化治疗方案：轻度患者首选比拉斯汀片，中重度或合并多系统疾病者可选度普利尤单抗，抗组胺药无效的成人CSU患者可考虑瑞米布替尼。随着临床数据持续积累，三款药物将共同推动过敏领域治疗精准化、个体化升级，造福更多患者。 申明本文为原创内容，数据均来自国家药品监督管理局（NMPA）、国家医保局、Ⅲ期临床试验结果及权威临床专家观点，仅用于医学科普，不构成医疗建议。具体用药请遵医嘱。 权威资料来源1. 国家药品监督管理局（NMPA）药品获批公告（2020年、2025年）2. 《国家基本医疗保险、工伤保险和生育保险药品目录（2021年、2024年）》3. 诺华REMIX-1/REMIX-2 III期临床试验数据公告4. 赛诺菲2022-2024年全球业绩报告5. 中国医药信息查询平台（比拉斯汀药品说明书）6. 中华医学会皮肤性病学分会《慢性自发性荨麻疹诊疗指南（2024版）》7. 三甲医院专家临床访谈公开内容
《地球之选》石心石意谢谢您关注！！
临床3期上市批准引进/卖出
2025-11-28
以下内容由Ai辅助生成，目的是整理公开信息，仅供学习参考！
在2024至2025年的科技版图中，人工智能驱动的科学发现（AI for Science, AI4S）已跨越了概念验证的“死亡之谷”，正式进入工业化部署与基础设施整合的关键阶段。这一转变不仅是算法层面的迭代，更是科研范式从“经验试错”向“计算预测”的根本性迁移。
分析表明，AI4S领域正呈现出鲜明的“三层分化”格局：
基础设施与工业层（Infrastructure & Industry Layer）： 以玻尔（Bohrium）和腾讯AI4S为代表。前者通过“深势·宇知”大模型体系确立了在微观粒子模拟与材料科学领域的操作系统地位，深度绑定宁德时代等行业巨头，解决新能源研发的“卡脖子”问题；后者依托腾讯云的强大算力与“混元”医疗大模型，通过与辉瑞（Pfizer）的战略合作，打通了从药物研发（湿实验）到患者服务（微信生态）的商业闭环。这一层级的业务紧迫性最高，直接关联产业生存与国家战略安全。
国家基座与学术层（National Foundation & Academic Layer）： 以中国科学院自动化研究所发布的ScienceOne为核心。作为“科学大脑”，ScienceOne致力于构建自主可控的科学智能基座，通过多模态科学大模型解决跨学科复杂问题。其技术成熟度极高，具备处理亿级文献与调度数百种科学工具的能力，但在商业化路径上更侧重于国家科研效率的提升而非直接盈利。
用户工具与效用层（User Utility & Tool Layer）： 以SCAICH和PaperRed为典型。SCAICH利用AI Agent技术重构了学术文献的检索路径，解决了Sci-Hub庞大数据库的自然语言交互问题；PaperRed则在学术诚信与AIGC检测的博弈中寻找生存空间。这一层级通过解决用户的具体痛点（如文献获取难、查重降重需求）获取流量，但在合规性与长期护城河构建上面临挑战。
本系列报告将严格遵循“技术成熟度”与“业务紧迫性”的双维评估框架，深入剖析各实体在算法演进、商业模式、生态构建及未来风险方面的表现，旨在为决策者提供一份兼具战略高度与执行细节的参考指南。
玻尔平台简介
摘要：
本研究旨在探讨在“AI for Science”范式驱动下，高性能计算基础设施向云原生模式转型的路径与价值。通过深入解构深势科技开发的玻尔（Bohrium）科研空间站，本研究采用技术架构分析与多维案例研究相结合的方法，从基础设施层与工业应用层两个维度进行了系统评估。结果表明，在基础设施层面，Bohrium通过Lebesgue Utility作业调度系统、容器化隔离技术及竞价实例动态计费模式，有效解决了科研算力的“潮汐效应”与成本瓶颈；其独创的“惰性计算”与“零拷贝”机制显著提升了异构计算效率。在应用层面，平台集成了DeepMD-kit与Uni-Mol等核心算法，成功助力宁德时代、中石化等企业实现了从微观机理模拟到宏观工业设计的跨尺度贯通，将研发周期缩短数倍并创造了显著经济效益。结论认为，Bohrium平台代表了科研计算的未来趋势，通过构建“算法-算力-数据”闭环，为材料科学与生物医药领域的数字化转型提供了关键支撑。
关键词：AI for Science；云原生高性能计算；玻尔平台；分子动力学；工业研发数字化Deep Analysis of Bohrium Platform: Cloud-Native HPC Architecture and AI4S Industrial Applications
Abstract:
This study aims to explore the transformation path and value of high-performance computing infrastructure towards a cloud-native model under the "AI for Science" paradigm. By deconstructing the Bohrium Scientific Research Space Station developed by DP Technology, this research adopts a combination of technical architecture analysis and multi-dimensional case studies to systematically evaluate the platform from both infrastructure and industrial application layers. The results indicate that at the infrastructure level, Bohrium effectively resolves the "tidal effect" of scientific computing power and cost bottlenecks through its Lebesgue Utility job scheduling system, containerized isolation technology, and spot instance dynamic billing model. Its original "Lazy Evaluation" and "Zero-Copy" mechanisms significantly improve heterogeneous computing efficiency. At the application level, the platform integrates core algorithms such as DeepMD-kit and Uni-Mol, successfully assisting enterprises like CATL and Sinopec in achieving cross-scale integration from microscopic mechanism simulation to macroscopic industrial design, shortening R&D cycles by several times and creating significant economic benefits. The conclusion suggests that the Bohrium platform represents the future trend of scientific computing, providing critical support for the digital transformation of materials science and biomedicine by constructing a closed-loop of "Algorithm-Compute-Data".
Keywords: AI for Science; Cloud-Native HPC; Bohrium Platform; Molecular Dynamics; Digital Industrial R&D执行摘要
在“AI for Science”（AI4S）范式重塑全球科研与工业研发格局的当下，高性能计算（HPC）基础设施正经历着从传统的“计算中心模式”向“云原生智能计算模式”的剧烈转型。传统的超算架构，受限于静态的资源调度、复杂的环境配置以及高昂的准入门槛，已难以适应现代分子动力学（MD）、电子结构计算以及科学大模型训练所需的弹性与高吞吐量需求。本报告旨在对深势科技（DP Technology）开发的 玻尔（Bohrium）科研空间站 进行详尽的解构与分析。
本研究将Bohrium平台剖析为两个核心维度： 基础设施层（Infrastructure Layer）与工业应用层（Industry Layer） 。在基础设施层面，Bohrium通过独创的Lebesgue Utility作业管理系统、容器化的环境隔离技术以及类似于公有云“竞价实例（Spot Instance）”的动态计费模式，成功解决了科研算力“潮汐效应”带来的成本与效率矛盾。其“惰性计算（Lazy Evaluation）”与“零拷贝（Zero-Copy）”通信机制，有效突破了异构计算中的PCIe带宽瓶颈，为Python原生科学计算提供了接近底层的执行效率。
在工业应用层面，Bohrium不仅仅是算力的堆砌，更是领域知识的载体。通过集成DeepMD-kit（深度势能）、Uni-Mol（分子表征大模型）等核心算法，以及Piloteye（电池设计）、Hermite（药物设计）等垂直应用平台，Bohrium实现了从微观机理模拟到宏观工业设计的跨尺度贯通。本报告通过深入剖析其在 新能源电池（宁德时代案例） 、 石油化工（中石化案例）以及生物医药 领域的落地实践，揭示了该平台如何帮助企业将研发周期缩短数倍，并创造出数千万美元的直接经济效益。第一章：科学计算的新范式与玻尔平台的诞生1.1 从试错实验到理性设计的演进
在过去的数个世纪里，科学发现主要依赖于以爱迪生为代表的“试错法”（Edisonian Approach）。无论是在寻找更耐用的灯丝，还是筛选更高效的电池电解液，研发人员往往需要在巨大的化学空间中进行随机游走式的实验。这种方法不仅成本高昂、周期漫长，而且产生的数据往往是碎片化、非结构化的，难以被复用。
随着量子力学与计算机科学的发展，基于第一性原理（First Principles）的计算模拟成为可能。通过求解薛定谔方程（如密度泛函理论DFT），科学家可以在原子层面预测材料的性质。然而，传统DFT计算的计算复杂度随原子数量呈立方级增长（O(N³)），这使得它难以处理超过数千个原子或纳秒级时间尺度的体系。
“AI for Science”范式的出现，打破了精度与效率的“跷跷板”困境。以DeepMD-kit为代表的深度势能方法，利用神经网络拟合第一性原理产生的势能面，既保留了量子力学的精度，又具备了经典力学的计算速度（线性复杂度 O(N)）。这种能力的爆发，对底层计算设施提出了全新的挑战：计算不再是偶尔的辅助手段，而是研发流程的核心引擎；作业规模不再是单一的大型任务，而是海量的高通量并发任务。玻尔（Bohrium）平台正是在这一背景下应运而生。1.2 传统超算的局限性与云原生架构的崛起
传统的超算中心（Supercomputing Centers）通常采用SLURM或PBS等调度系统，用户需要预先申请机时、排队等待，且往往面临着软件环境配置的“依赖地狱”（Dependency Hell）。例如，一个复杂的MD模拟可能依赖于特定版本的CUDA、GCC编译器以及数十个Python库，环境的微小差异都可能导致结果无法复现。
此外，科研负载具有极强的“突发性”（Bursty）。在模型训练阶段，研究组可能在几天内需要数百张GPU卡；而在数据分析阶段，可能仅需要一台低配CPU服务器。传统自建集群或超算中心的静态配额模式，导致了严重的资源闲置或排队拥堵。
Bohrium平台采用了云原生（Cloud-Native）的PaaS（平台即服务）架构。它通过容器技术（Docker）实现了计算环境的标准化与可移植性，确保了“一次构建，到处运行”；通过对接公有云的弹性资源池，它能够实现近乎无限的算力扩容；通过按秒计费与竞价机制，它极大地降低了算力成本。Bohrium不仅是一个计算平台，更是一个连接算法开发者、算力提供方与工业用户的生态系统。第二章：基础设施层深度解析——架构逻辑与技术实现
Bohrium的核心价值在于其基础设施层对底层硬件复杂度的抽象。用户无需关心底层的服务器型号、网络拓扑或驱动版本，只需关注科研任务本身。这一层主要由Lebesgue Utility调度系统、异构计算虚拟化技术以及高效的数据存储与传输机制构成。2.1 核心调度引擎：Lebesgue Utility
Bohrium的作业管理系统被称为 Lebesgue Utility （简称 lbg）。与传统的批处理脚本不同，lbg 是一套基于命令行接口（CLI）的现代化作业编排工具。它的设计哲学借鉴了微服务架构中的任务分发理念，将复杂的科学计算任务封装为标准化的JSON对象。2.1.1 任务抽象与容器化
在Lebesgue体系中，每一个计算作业（Job）本质上都是在一个独立的容器（Container）中运行的。这种设计带来了两大优势：环境隔离与复现性：
传统的HPC环境中，全局安装的库经常发生冲突。而在Bohrium中，用户通过指定镜像（Image）来定义运行环境。例如，针对DeepMD-kit的任务，用户可以直接拉取 dp.tech/dptech/deepmd-kit:2.1.5-cuda11.6 镜像，该镜像内部已经预装了经过优化的LAMMPS、PLUMED以及所有必要的CUDA库。这种“代码即基础设施”（Infrastructure as Code）的实践，彻底解决了科研中的复现性危机。动态资源绑定：
作业提交时，用户无需指定物理节点的IP或队列。Lebesgue调度器会根据作业描述中的资源需求（如 gpu_type: "V100", number_of_gpu: 1），自动在云端资源池中寻找匹配的实例，并在几秒钟内完成容器的拉起。2.2 计算资源的双模态管理：管理节点与计算节点
为了优化成本结构，Bohrium将计算资源严格划分为 管理节点（Management Node）与计算节点（Compute Node） ，这种分离机制是其经济模型的核心。2.2.1 管理节点：持久化的指挥中心
管理节点类似于传统超算的“登录节点”（Login Node），但它是用户独享的轻量级虚拟机或容器。功能定位：
用于编写代码、准备输入文件、提交作业、监控进度以及进行轻量级的数据后处理（如绘图、简单统计）。成本特性：
通常配置较低（如2核CPU，4G内存），价格低廉。用户可以长时间保持开启状态，作为其在云端的“个人工作站”。交互方式：
支持Web Shell（浏览器内的终端）、SSH远程连接以及VS Code Remote开发。2.2.2 计算节点：弹性的算力引擎
计算节点是实际执行繁重科学计算任务的地方。生命周期：
它们是瞬态的（Ephemeral）。当作业开始时创建，作业结束时立即销毁。计费逻辑：
仅在作业运行期间计费。这意味着用户在准备数据或分析结果时，无需为昂贵的GPU（如A100/H100）支付每小时数美元的费用。硬件异构性：
Bohrium支持多种架构，包括多核CPU以及各类高性能GPU（NVIDIA V100, A100, H100等）。平台会自动适配不同硬件的驱动程序。2.3 极致性能优化：惰性通信与零拷贝机制
在Python生态中进行高性能计算，最大的瓶颈往往在于Python解释器与底层C/C++/CUDA内核之间的数据传输，以及全局解释器锁（GIL）带来的开销。Bohrium在运行时层面进行了深度优化。2.3.1 Lazy CPU/GPU Communication（惰性通信）
Bohrium运行时引入了“惰性求值”（Lazy Evaluation）策略。当Python代码调用Bohrium数组操作时，系统并不会立即执行计算，而是构建一个计算图（Computation Graph）。只有当数据被显式访问（如打印结果、保存文件）或必须进行流控制时，计算图才会被发送到后端引擎执行。
优势：这种机制允许运行时引擎对操作序列进行融合（Kernel Fusion），减少了内核启动的开销，并最小化了CPU与GPU之间的数据传输次数。对于迭代次数极多、单步计算量较小的MD模拟，这种优化至关重要。2.3.2 Zero-Copy Interoperability（零拷贝互操作）
为了融入现有的科学计算生态，Bohrium实现了与NumPy、PyTorch、CuPy等库的“零拷贝”互操作。
机制：Bohrium可以直接通过指针共享内存地址，而无需在不同库的内存空间之间复制数据。这不仅节省了内存，更极大地降低了延迟。
兼容性：用户只需使用 python -m bohrium 启动脚本，即可让标准的NumPy代码自动获得Bohrium的加速能力，无需修改源代码。2.4 文件系统与数据可视化架构
Bohrium的文件系统设计兼顾了性能与便利性。分层存储：/personal
：用户私有存储，默认500GB。用于存放个人代码、配置和草稿数据。/share
：项目共享存储，默认1TB。用于存放大型数据集、训练好的模型以及团队协作文件。这种设计天然支持多人协作的科研模式。智能文件识别：
平台内置了对科学数据格式的解析引擎。当用户在文件管理器中浏览时，系统会根据后缀名（如 .poscar, .lammpstrj, .pdb）自动识别文件类型，并在浏览器端直接渲染出3D分子结构或轨迹动画。这种“所见即所得”的能力极大地提升了科研效率，省去了将数据下载到本地再使用VMD或Ovito查看的繁琐步骤。第三章：操作规程与最佳实践——从入门到精通
本章将基于Bohrium的官方文档与实际使用逻辑，详细阐述在平台上开展一项典型科学计算任务（以DeepMD-kit训练与LAMMPS模拟为例）的全流程操作规程。3.1 第一阶段：环境初始化与资源配置
步骤 1：创建项目与管理节点
用户登录Bohrium控制台后，首先需要创建一个“项目”（Project）。项目是资源计费与成员管理的边界。进入“节点”（Nodes）页面，点击“创建容器”。镜像选择：
对于通用任务，选择 ubuntu:20.04-py3.7 等基础镜像；对于特定任务，如DeepMD，应直接选择预装好环境的镜像，如 dp.tech/dptech/deepmd-kit:2.1.5-cuda11.6。选择正确的镜像可以节省数小时的环境配置时间。节点配置：
对于管理节点，建议选择最低配置（如2 vCPU, 4GB RAM），因为其主要用于文件编辑和任务提交，不参与重计算。启动与连接：
点击启动后，系统通常在10秒内完成实例的拉起。状态变为“Running”后，点击“Web Shell”即可在浏览器中打开终端界面。3.2 第二阶段：数据准备与预处理
步骤 2：数据上传与格式规范
在Web Shell或文件管理界面中，用户需要上传训练数据或模拟初始结构。上传方式：
支持直接拖拽上传小文件，或通过 lbg 命令行工具上传大文件。对于TB级数据，建议使用Bohrium提供的数据集挂载功能。格式检查：
确保文件名符合Bohrium的自动识别规则。例如，VASP的结构文件应命名为 POSCAR 或包含 .vasp 后缀，以便平台能正确解析并提供预览功能。数据预处理：
在管理节点上，用户可以使用Python脚本对数据进行清洗。由于管理节点即使是低配版也拥有完整的Linux环境，用户可以安装Pandas、ASE等库进行数据转换。3.3 第三阶段：作业定义与提交
步骤 3：编写 job.json 配置文件
这是Bohrium作业提交的核心。job.json 文件定义了作业的一切属性。一个典型的DeepMD训练任务配置如下：
{ "job_name": "DeepMD-Training-001", "project_id": 12345, "image_address": "dp.tech/dptech/deepmd-kit:2.1.5-cuda11.6", "job_type": "container", "resources": { "cpu": 8, "memory": 32, "gpu": 1, "gpu_type": "nvidia-v100" }, "cmd": "dp train input.json", "work_dir": "/personal/project_a/train"}
参数解析：image_address
：指定计算节点使用的镜像，必须与任务需求匹配。gpu_type
：指定GPU型号。用户可以根据任务紧迫程度和预算选择。例如，测试任务可选较便宜的卡，生产任务选A100。cmd
：实际执行的命令。这里调用了 dp train。
步骤 4：使用CLI提交作业
在管理节点的终端中，执行以下命令：
# 安装CLI（如果是基础镜像）pip install bohrium # 提交作业lbg job submit -i job.json
系统会返回一个 Job ID，用于后续追踪。3.4 第四阶段：监控、调试与结果回收
步骤 5：全链路监控
作业提交后，用户可以通过多种方式监控状态：命令行：lbg job list
查看列表，lbg job log 实时查看标准输出日志。这对于捕捉早期报错（如输入文件格式错误）非常关键。Web控制台：
在“Jobs”页面，可以看到可视化的状态流转图，以及实时的CPU/GPU利用率曲线。如果发现GPU利用率长期为0，可能意味着程序卡死或数据传输瓶颈，应及时终止任务止损。
步骤 6：数据回收与后处理
作业完成后，生成的文件（如模型文件 .pb，轨迹文件 .lammpstrj）会自动保存在 job.json 指定的输出目录（通常在共享存储中）。在线分析：
用户无需下载数据，可以直接在管理节点上启动 Jupyter Lab，利用 %%bohrium 魔法命令调用GPU资源进行可视化分析或模型评估。清理资源：
这是极为重要的一步。完成分析后，务必在控制台“停止”或“删除”管理节点，以停止计费。虽然管理节点便宜，但长期遗忘也会积累不小的费用。第四章：计算经济学与成本模型分析——云端算力的ROI
Bohrium的商业模式并非简单的硬件租赁，而是一种基于“竞价实例”（Spot Instance）逻辑的动态算力市场。这种模式对于科研用户和企业研发部门来说，意味着计算经济学的根本性转变。4.1 竞价实例（Spot Instance）机制的经济学逻辑
Bohrium文档明确指出，计算资源是“根据作业使用的时长计费，价格动态变化，以选择配置时显示的价格为准”。这一描述暗示了其背后采用的是类似于AWS Spot Instances或Google Cloud Spot VMs的机制。4.1.1 市场机制与价格波动
公有云提供商通常拥有巨大的冗余算力以应对峰值需求。在非峰值时段，这些闲置资源（尤其是昂贵的GPU）会以极低的折扣（通常为按需价格的10%-20%）出售，即“竞价实例”。价格优势：
以NVIDIA A100为例，按需价格可能高达$3-$4/小时，而竞价价格可能低至$1-$1.5/小时。对于需要数千小时GPU时的科学计算任务，这种成本差异是决定性的。抢占风险（Preemption）：
竞价实例的代价是“不可靠性”。当云端此时此刻有高优先级的按需客户进入时，竞价实例可能会被强制回收（通常有30秒到2分钟的通知期）。Bohrium的适配：
科学计算任务通常具有良好的“检查点”（Checkpoint）机制。例如，MD模拟每隔几千步就会保存一次 restart 文件；深度学习训练每个 epoch 都会保存权重。因此，Bohrium利用这种特性，在底层自动处理实例的中断与恢复，用户享受到的是低廉的价格，感知到的是连续的任务流，这种“以可靠性换价格”的策略是Bohrium高性价比的核心。4.2 计费模型详解
Bohrium的计费结构设计得非常精细，旨在鼓励高效利用资源。
欠费熔断机制：平台设置了严格的信用控制。当余额低于设定阈值（默认100元）时发送提醒，归零时禁止提交新作业。这种“预付费”模式有效防止了用户因代码死循环或配置错误导致的天价账单。4.3 TCO（总拥有成本）对比分析：自建 vs 云端
对于一个典型的研发团队，决策的核心在于TCO对比。假设一个团队需要进行为期一年的高强度材料筛选，预计需要10万GPU时。自建集群方案：
CapEx（资本支出）：购买8卡A100服务器，硬件成本约$200k+。
OpEx（运营支出）：电费、冷却、机房租金、运维人员工资。
利用率陷阱：在项目初期（算法调试）和后期（论文撰写），集群利用率可能极低；而在项目中期（大规模筛选），算力又远远不够，导致排队数周。这种“平时闲置，忙时不够”是本地集群的死结。Bohrium云端方案：
CapEx：0。
OpEx：按实际使用的10万小时付费。利用竞价机制，单价极低。
弹性优势：在筛选高峰期，可以瞬间调用1000张卡，将一个月的计算量压缩到一天完成（Bursting）；在低谷期，成本降为0。
技术迭代：自建集群三年后硬件即落伍，而云端可以随时使用最新的H100或B200芯片。
结论：对于具备“潮汐特性”的科学研发负载，Bohrium模式在TCO和时间成本上具有压倒性优势。第五章：工业层软件生态系统——从算法到应用
Bohrium的基础设施之上，生长着一套独特的工业软件生态。这不仅包括通用的计算工具，更核心的是深势科技自研的“AI for Science”核心算法库。5.1 DeepMD-kit：原子世界的通用逼近器
DeepMD-kit是Bohrium生态的基石。它解决的是分子动力学模拟中的核心矛盾：精度与效率。
原理：利用深度神经网络来拟合第一性原理（DFT）计算得到的势能面（PES）。神经网络以原子坐标及其邻域环境为输入，输出系统的能量和受力。
Bohrium集成：DeepMD-kit对CUDA环境和编译选项极其敏感。Bohrium通过预置镜像，将复杂的编译过程黑盒化。此外，利用Bohrium的自动微分和GPU优化，DeepMD可以在保持DFT精度的前提下，将模拟规模扩大到 亿原子级 ，时间尺度延长到 纳秒级 ，这是传统DFT完全无法企及的。5.2 Uni-Mol：化学分子的“大语言模型”
如果说DeepMD解决的是物理运动问题，Uni-Mol解决的就是化学理解问题。这是一个基于Transformer架构的3D分子表征学习框架。预训练机制：
Uni-Mol使用了超过2亿个分子的3D构象数据进行预训练。与NLP模型通过“掩码语言建模”学习语法不同，Uni-Mol通过“掩码原子位置预测”和“去噪”任务，学习原子在三维空间中的相互作用规律。能力涌现：
经过大规模预训练的Uni-Mol，在分子性质预测（如溶解度、毒性）、蛋白-配体结合构象预测等任务上，展现出了超越传统物理模型和普通机器学习模型的性能。工业应用：
在Bohrium上，Uni-Mol被封装为各种APP（如Uni-ELF），用户无需懂深度学习，只需输入分子式，即可获得高精度的性质预测。第六章：战略案例分析 I——新能源与电池材料（宁德时代 & Piloteye）
新能源电池研发是“AI for Science”落地最快、成效最显著的领域。Bohrium平台通过 Piloteye（电池设计自动化平台） ，深度介入了全球电池巨头宁德时代（CATL）的研发流程。6.1 行业痛点：多尺度与多物理场的复杂性
电池研发极其复杂。微观上，锂离子在电极材料中的嵌入与脱出涉及量子力学过程；介观上，电解液的浸润、SEI膜（固体电解质界面膜）的生长涉及流体与界面化学；宏观上，电芯的热管理与机械结构涉及连续介质力学。传统方法只能在单一尺度进行模拟，且严重依赖实验试错，被称为“爱迪生式的赌博”。6.2 Piloteye解决方案：全链路数字化闭环
Piloteye平台在Bohrium算力的支持下，构建了“ Read-Design-Make-Test ”（读-算-做-测）的智能化研发闭环。6.2.1 Read（数据摄取与知识构建）
利用AI技术自动从海量文献、专利以及企业历史实验数据中提取结构化信息，构建专属的材料数据库。这解决了“数据孤岛”问题。6.2.2 Design（理性设计与高通量筛选）电解液设计：
使用 Uni-ELF 模型，针对电导率、粘度、闪点等关键指标，在数以万计的分子空间中进行高通量筛选。Uni-Mol的预训练表征使得模型在小样本数据下也能极其精准。微观机理模拟：
利用DeepMD-kit模拟锂离子在固态电解质中的传输路径，直接观测枝晶（Dendrite）的形成过程，从而指导抑制枝晶生长的材料改性方案。这种“上帝视角”是实验手段无法提供的。6.2.3 Make & Test（实验验证与反馈）
筛选出的高潜力配方被送入自动化实验室进行合成与测试。测试结果（无论是成功还是失败）都会被反馈回模型，通过主动学习（Active Learning）策略，不断提升AI模型的预测精度。6.3 宁德时代合作成果与量化指标
宁德时代与深势科技建立了联合实验室，将这种新范式全面引入其研发体系。研发效率革命：
通过Bohrium平台，双方实现了对 万级别 材料体系的交互式筛选。官方数据显示，新材料的研发周期被缩短至原来的 1/3 ，甚至在某些特定环节达到了 10倍 的加速。技术突破：
在固态电池电解质掺杂、高电压正极材料稳定性等关键难题上，AI辅助设计提供了传统实验难以发现的非直觉（Counter-intuitive）解决方案。第七章：战略案例分析 II——石油化工与催化剂设计（中石化 & Deepbits）
在更传统的重工业领域，Bohrium同样展现了惊人的破坏式创新能力。与中国石化（Sinopec）的合作，展示了如何通过微观计算撬动宏观效益。7.1 挑战：异相催化的黑盒
石油裂解制备轻质烯烃（乙烯、丙烯）是化工行业的基石。该过程依赖于沸石（Zeolite）催化剂。沸石内部拥有复杂的孔道结构，反应物分子在其中的扩散、吸附与反应过程极其复杂。传统的催化剂开发依赖经验，难以精确控制孔道结构以平衡收率与积碳（Coke，副产物）之间的矛盾。7.2 解决方案：数字化的催化剂设计
依托Bohrium平台，研发团队利用DeepMD构建了沸石催化反应的深势模型。模拟过程：
在原子尺度模拟烃类分子在不同拓扑结构沸石孔道中的扩散行为。DeepMD的高效率使得研究者可以模拟足够长的时间，以观察到稀有的扩散事件和反应过渡态。结构优化：
基于模拟结果，设计出了具有特定孔径分布的新型专有催化剂，旨在最大化丙烯的选择性并抑制大分子积碳的生成。7.3 商业回报与环境效益
这一新型催化剂的工业化应用带来了立竿见影的财务回报：收率提升：
轻质烯烃的总收率达到了 36.5% ，比原有催化剂提升了约 2.6% 。其中乙烯收率从12.97%提升至 14.05% ，丙烯提升了 1.49% 。在万吨级产能的化工厂，每一个小数点的提升都意味着巨大的利润。积碳降低：
积碳率从10.92%降低至 9.58% 。积碳的减少意味着催化剂再生频率的降低和能耗的下降。ROI分析：
根据原材料与产品价差计算，仅轻质烯烃增产一项，该催化剂每年可为工厂带来约8000万美元（$80 MM/yr）的额外利润。ESG价值：
积碳减少直接导致二氧化碳排放量每年减少约 21,000吨 。这证明了AI4S不仅是经济工具，也是实现“双碳”目标的有力武器。第八章：战略案例分析 III——生物医药与药物发现（Hermite & Uni-Mol）
在Bohrium支持的 Hermite 药物计算设计平台上，AI与物理模型的结合正在重构药物发现漏斗。8.1 痛点：结合亲和力预测的准确性
药物发现的核心是找到能与靶点蛋白紧密结合的小分子。传统的分子对接软件（如AutoDock）受限于刚性受体假设和简化的打分函数，预测准确率往往不尽如人意，导致后期实验的高失败率。8.2 Uni-Mol Docking：超越物理极限
Bohrium上运行的 Uni-Mol Docking V2 ，利用预训练大模型对分子三维构象的敏锐感知，实现了对接精度的跃升。性能基准：
在国际公认的PoseBusters基准测试中，Uni-Mol Docking V2成功预测了 77%以上 配体的结合姿态（RMSD < 2.0 Å），且通过了所有立体化学质量检查。相比之下，许多传统SOTA方法的准确率仅在60%左右。避免物理谬误：
由于Uni-Mol学习了海量的真实分子构象，它生成的预测结果有效避免了传统AI模型常见的“手性翻转”和“原子重叠”等非物理现象。8.3 工业级自由能微扰（FEP）
除了对接，Bohrium还支持大规模的自由能微扰（FEP）计算。FEP是预测结合亲和力的“金标准”，但因计算量巨大（通常需数千GPU时/分子）而难以普及。优化实现：
Bohrium利用DeepMD加速采样过程，并配合云端的海量并发算力，使得药企可以在先导化合物优化阶段（Lead Optimization），对成百上千个分子进行FEP级别的精确筛选，大幅提升临床前候选药物（PCC）的成功率。Uni-pKa：
针对药物的理化性质，Bohrium提供的Uni-pKa工具结合了热力学原理与机器学习，能够实现对小分子解离常数的高通量、高精度预测，直接指导药物的ADMET性质优化。第九章：结论与展望
通过对Bohrium平台的全面剖析，我们可以清晰地看到，它不仅仅是一个集成了CPU和GPU的云端机房，而是科学计算领域的一次生产力革命。9.1 核心价值总结基础设施层：
Bohrium通过“竞价实例+容器化+惰性通信”的技术组合拳，成功将高性能计算的门槛降到了前所未有的低点，解决了“算力贵”和“环境乱”两大顽疾。工业应用层：
DeepMD-kit和Uni-Mol等核心算法的工业化部署，将“AI for Science”从学术概念转化为生产力工具。CATL的10倍研发加速和Sinopec的8000万美元增收，是这一价值最直接的证明。9.2 未来展望
随着Bohrium平台的不断成熟，我们预见未来的科学研发将呈现显著的“去本地化”趋势。实验室将变身为数据的采集终端，而核心的假设生成、模拟验证与设计优化将全面迁移至以Bohrium为代表的云端智能中枢。对于能源、化工、医药等行业的企业而言，拥抱这一平台，构建“计算-数据-实验”的闭环能力，将不再是可选项，而是决定其未来十年竞争力的必选项。
参考文献
Amazon Web Services. (n.d.). Amazon EC2 spot instances pricing. Retrieved November 25, 2025, from https://aws.amazon.com/ec2/spot/pricing/
Bohrium. (n.d.). Usability evaluation of cloud for HPC applications. Retrieved November 25, 2025, from https://www.bohrium.com/paper-details/usability-evaluation-of-cloud-for-hpc-applications/1136997937671307271-108604
Cast AI. (n.d.). Spot instances: How to reduce AWS, Azure, and GCP costs by up to 90%. Retrieved November 25, 2025, from https://cast.ai/blog/reduce-cloud-costs-with-spot-instances/
CloudZero. (n.d.). Spot instances explained: How they can lower cloud costs. Retrieved November 25, 2025, from https://www.cloudzero.com/blog/spot-instances/
DeepModeling. (n.d.). Official repository for the Uni-Mol series methods [Software repository]. GitHub. Retrieved November 25, 2025, from https://github.com/deepmodeling/Uni-Mol
DP Technology. (n.d.). Bohrium®️ space station. Bohrium Docs. Retrieved November 25, 2025, from https://bohrium-doc.dp.tech/en/docs/
DP Technology. (n.d.). DeePMD-kit. Bohrium Docs. Retrieved November 25, 2025, from https://bohrium-doc.dp.tech/en/docs/software/DeePMD-kit/
DP Technology. (n.d.). File management. Bohrium Docs. Retrieved November 25, 2025, from https://bohrium-doc.dp.tech/en/docs/userguide/FileManage/
DP Technology. (n.d.). Run your first job. Bohrium Docs. Retrieved November 25, 2025, from https://bohrium-doc.dp.tech/en/docs/quickstart/FirstRun/
DP Technology. (n.d.). Top-up and billing. Bohrium Docs. Retrieved November 25, 2025, from https://bohrium-doc.dp.tech/en/docs/userguide/Billing/
DP Technology. (n.d.). Welcome! — Bohrium 0.11.0 documentation. Retrieved November 25, 2025, from https://bohrium.readthedocs.io/
DP Technology. (n.d.). 新能源研发 [New energy R&D]. Retrieved November 25, 2025, from https://www.dp.tech/services/battery
Gasgoo. (n.d.). CATL, DP Technology to build joint lab for new energy materials R&D, design. Retrieved November 25, 2025, from https://autonews.gasgoo.com/new_energy/70019243.html
Google Cloud. (n.d.). Spot VMs pricing. Retrieved November 25, 2025, from https://cloud.google.com/spot-vms/pricing
ScienceNet. (2021, December). 宁德时代与深势科技共推先进算法落地新能源 [CATL and DP Technology jointly promote advanced algorithms in new energy]. Retrieved November 25, 2025, from https://news.sciencenet.cn/htmlnews/2021/12/470087.shtm
Sha, Y. (2023, May). Catalysts. Hydrocarbon Processing. Retrieved November 25, 2025, from https://read.nxtbook.com/gulf_energy_information/hydrocarbon_processing/may_2023/catalysts_sha_sinopec_.html
Wang, D., et al. (2024). Uni-ELF: A multi-level representation learning framework for electrolyte formulation design. arXiv. https://arxiv.org/html/2407.06152v1
Wang, Y., et al. (2024). Intelligent R&D of battery design automation in the era of artificial intelligence. Journal of Energy Storage Science and Technology.
Zeng, J., Zhang, L., Wang, H., & E, W. (2023). DeePMD-kit v2: A software package for deep potential models. The Journal of Chemical Physics, 159(5), 054801.
Zhang, L., et al. (2024). Bridging machine learning and thermodynamics for accurate pKa prediction. PMC.
Zhou, G., et al. (2024). Uni-Mol2: Exploring molecular pretraining model at scale. arXiv. https://arxiv.org/html/2406.14969v1
100 项与 比拉斯汀 相关的药物交易
登录后查看更多信息
研发状态
批准上市
10 条最早获批的记录, 后查看更多信息
登录
| 适应症 | 国家/地区 | 公司 | 日期 |
|---|---|---|---|
| 慢性荨麻疹 | 加拿大 | 2016-12-02 | |
| 皮炎 | 日本 | 2016-09-28 | |
| 湿疹 | 日本 | 2016-09-28 | |
| 瘙痒 | 日本 | 2016-09-28 | |
| 瘙痒 | 日本 | 2016-09-28 | |
| 过敏性鼻炎 | 日本 | 2016-09-28 | |
| 过敏性鼻炎 | 日本 | 2016-09-28 | |
| 季节性过敏性鼻炎 | 加拿大 | 2016-04-21 | |
| 过敏性鼻结膜炎 | 奥地利 | 2010-09-08 | |
| 过敏性鼻结膜炎 | 比利时 | 2010-09-08 | |
| 过敏性鼻结膜炎 | 保加利亚 | 2010-09-08 | |
| 过敏性鼻结膜炎 | 塞浦路斯 | 2010-09-08 | |
| 过敏性鼻结膜炎 | 捷克 | 2010-09-08 | |
| 过敏性鼻结膜炎 | 丹麦 | 2010-09-08 | |
| 过敏性鼻结膜炎 | 爱沙尼亚 | 2010-09-08 | |
| 过敏性鼻结膜炎 | 芬兰 | 2010-09-08 | |
| 过敏性鼻结膜炎 | 法国 | 2010-09-08 | |
| 过敏性鼻结膜炎 | 德国 | 2010-09-08 | |
| 过敏性鼻结膜炎 | 希腊 | 2010-09-08 | |
| 过敏性鼻结膜炎 | 匈牙利 | 2010-09-08 |
未上市
10 条进展最快的记录, 后查看更多信息
登录
| 适应症 | 最高研发状态 | 国家/地区 | 公司 | 日期 |
|---|---|---|---|---|
| 变应性结膜炎 | 临床3期 | 美国 | 2018-04-07 | |
| 常年性变应性鼻炎 | 临床3期 | - | 2004-05-01 | |
| 季节性过敏性结膜炎 | 临床2期 | 美国 | 2007-12-01 | |
| 鼻结膜炎 | 临床2期 | 加拿大 | 2007-10-01 |
登录后查看更多信息
临床结果
临床结果
适应症
分期
评价
查看全部结果
| 研究 | 分期 | 人群特征 | 评价人数 | 分组 | 结果 | 评价 | 发布日期 |
|---|
| - | 288 | 餘鹽壓夢餘膚簾網衊鬱(糧製築襯構觸鹹鬱壓鏇) = 選遞獵簾鹽憲鹹窪鏇製 遞選鹹遞積艱艱餘餘構 (繭築遞獵鹽窪蓋遞憲蓋 ) | 非劣 | 2023-06-26 | |||
餘鹽壓夢餘膚簾網衊鬱(糧製築襯構觸鹹鬱壓鏇) = 鏇積淵鹹繭蓋築齋遞觸 遞選鹹遞積艱艱餘餘構 (繭築遞獵鹽窪蓋遞憲蓋 ) | |||||||
临床3期 | 228 | (Bilastine Ophthalmic Solution 0.6%) | 遞構醖鏇選積壓簾廠獵(構構鹽糧簾構窪製夢遞) = 餘襯糧壓積繭壓築鏇艱 鏇繭構憲願蓋簾壓廠築 (齋觸網繭選艱襯構積鑰, 0.9013) 更多 | - | 2021-12-14 | ||
(Ketotifen Ophthalmic Solution 0.025% (Zaditen)) | 遞構醖鏇選積壓簾廠獵(構構鹽糧簾構窪製夢遞) = 齋艱鏇醖壓網壓鑰簾構 鏇繭構憲願蓋簾壓廠築 (齋觸網繭選艱襯構積鑰, 0.9504) 更多 | ||||||
临床2期 | 121 | (Bilastine 0.2%) | 積憲遞蓋齋顧淵鬱鹹鹽(願淵襯壓構糧醖蓋夢壓) = 齋夢鹹廠願憲蓋膚淵繭 簾鹹願蓋願積窪鑰衊廠 (獵積衊夢範艱淵鏇遞廠, 0.7809) 更多 | - | 2021-11-24 | ||
(Bilastine 0.4%) | 積憲遞蓋齋顧淵鬱鹹鹽(願淵襯壓構糧醖蓋夢壓) = 選製顧鑰製構壓積鹹鏇 簾鹹願蓋願積窪鑰衊廠 (獵積衊夢範艱淵鏇遞廠, 0.9449) 更多 | ||||||
临床1期 | 一线 | 12 | Bilastine Eye Drops | 憲鏇獵艱淵網獵衊淵膚(鹽鑰鑰鹽衊窪築蓋構鏇) = 壓夢醖齋獵鑰鏇選願繭 鬱襯衊積窪醖製憲醖艱 (鹽鹽窪窪膚願醖齋範觸 ) 更多 | - | 2020-06-01 | |
临床4期 | 454 | (Bilastine+Montelukast) | 築構壓醖範憲簾積廠繭(遞淵鏇衊廠積範襯遞鹹) = 襯壓願網選齋鑰築觸蓋 願獵醖艱鏇獵窪膚襯齋 (範壓構餘糧鏇膚選網蓋, 積膚鏇積膚願餘淵襯網 ~ 觸餘積鹹壓蓋簾淵糧窪) 更多 | - | 2019-07-12 | ||
Placebo Montelukast 10mg+Bilastine 20mg (Bilastine+Placebo Montelukast) | 餘鏇夢窪憲衊衊範襯獵(窪壓遞製淵齋範艱繭淵) = 觸鹹衊築夢遞齋繭觸獵 顧獵壓範遞衊鬱醖壓淵 (醖繭膚廠淵製夢衊鏇範, 壓夢網積淵膚構鹽淵獵 ~ 憲醖構鬱鬱憲遞簾鏇獵) 更多 | ||||||
临床4期 | 19 | Placebo+Bilastine | 築構衊夢遞蓋醖廠築窪(衊廠選餘蓋鏇製積構觸) = 蓋繭遞遞膚簾醖鹹廠襯 艱鹽築構遞壓淵壓積襯 (範選鹹願簾蓋觸糧範憲, 憲艱淵廠醖顧衊選願鬱 ~ 獵襯膚夢襯蓋餘窪襯膚) 更多 | - | 2017-01-16 | ||
临床1期 | - | 12 | 20-mg oral tablet | 鏇選選餘憲鹽觸鏇糧獵(鑰構獵廠鏇鹹糧鏇鹽觸) = 鹽顧憲鹹鹽齋憲糧糧願 憲選餘築網製製觸廠廠 (遞顧壓憲壓廠衊獵製築, 53.79 ~ 67.56) | - | 2013-05-01 | |
临床1期 | - | 30 | 選獵繭鹹夢窪選獵網餘(餘淵鹽網網鹹齋鹽壓製) = 齋膚遞餘艱簾廠膚鹽範 餘齋廠鑰蓋繭淵夢憲鏇 (繭衊遞選淵顧糧選壓齋 ) | - | 2012-06-01 | ||
選獵繭鹹夢窪選獵網餘(餘淵鹽網網鹹齋鹽壓製) = 鏇夢範鏇繭願遞鹽範鏇 餘齋廠鑰蓋繭淵夢憲鏇 (繭衊遞選淵顧糧選壓齋 ) | |||||||
临床3期 | 683 | 構製憲積憲鏇廠蓋觸餘(艱繭鑰簾簾糧製窪製鬱) = 憲鬱製簾襯齋衊襯憲窪 鑰願糧淵範膚鑰製廠艱 (觸繭範繭餘醖遞鏇鹹艱 ) | 积极 | 2009-09-01 | |||
構製憲積憲鏇廠蓋觸餘(艱繭鑰簾簾糧製窪製鬱) = 網網選衊鏇窪蓋壓觸簾 鑰願糧淵範膚鑰製廠艱 (觸繭範繭餘醖遞鏇鹹艱 ) |
登录后查看更多信息
转化医学
使用我们的转化医学数据加速您的研究。
登录
或
药物交易
使用我们的药物交易数据加速您的研究。
登录
或
核心专利
使用我们的核心专利数据促进您的研究。
登录
或
临床分析
紧跟全球注册中心的最新临床试验。
登录
或
批准
利用最新的监管批准信息加速您的研究。
登录
或
特殊审评
只需点击几下即可了解关键药物信息。
登录
或
生物医药百科问答
全新生物医药AI Agent 覆盖科研全链路，让突破性发现快人一步
立即开始免费试用!
智慧芽新药情报库是智慧芽专为生命科学人士构建的基于AI的创新药情报平台，助您全方位提升您的研发与决策效率。
立即开始数据试用!
智慧芽新药库数据也通过智慧芽数据服务平台，以API或者数据包形式对外开放，助您更加充分利用智慧芽新药情报信息。
生物序列数据库
生物药研发创新
免费使用
化学结构数据库
小分子化药研发创新
免费使用