作者: Dai, Qi ; Liu, Haozhe ; Chen, Xinrong ; Li, Yuexiang ; Wu, Jianrong ; Ji, Haoqin ; Yu, Hongmeng ; He, Nanjun ; Shi, Yuxuan ; Wang, Hong ; Wei, Dong ; Zheng, Yefeng ; Huang, Yawen

In the field of medical image analysis, accurate lesion segmentation is beneficial for the subsequent clinical diagnosis and treatment planning. Currently, various deep learning-based methods have been proposed to deal with the segmentation task. Albeit achieving some promising performances, the fully-supervised learning approaches require pixel-level annotations for model training, which is tedious and time-consuming for experienced radiologists to collect. In this paper, we propose a weakly semi-supervised segmentation framework, called Point Segmentation Transformer (Point SEGTR). Particularly, the framework utilizes a small amount of fully-supervised data with pixel-level segmentation masks and a large amount of weakly-supervised data with point-level annotations (i.e., annotating a point inside each object) for network training, which largely reduces the demand of pixel-level annotations significantly. To fully exploit the pixel-level and point-level annotations, we propose two regularization terms, i.e., multi-point consistency and symmetric consistency, to boost the quality of pseudo labels, which are then adopted to train a student model for inference. Extensive experiments are conducted on three endoscopy datasets with different lesion structures and several body sites (e.g., colorectal and nasopharynx). Comprehensive experimental results finely substantiate the effectiveness and the generality of our proposed method, as well as its potential to loosen the requirements of pixel-level annotations, which is valuable for clinical applications.

2022-11-01·IEEE Transactions on Medical Imaging

Anti-Interference From Noisy Labels: Mean-Teacher-Assisted Confident Learning for Medical Image Segmentation

Article

作者: Zheng, Yefeng ; Ma, Kai ; Xu, Zhe ; Lu, Donghuan ; Yan, Jiangpeng ; Tong, Raymond Kai-Yu ; Luo, Jie ; Wang, Yixin

Manually segmenting medical images is expertise-demanding, time-consuming and laborious. Acquiring massive high-quality labeled data from experts is often infeasible. Unfortunately, without sufficient high-quality pixel-level labels, the usual data-driven learning-based segmentation methods often struggle with deficient training. As a result, we are often forced to collect additional labeled data from multiple sources with varying label qualities. However, directly introducing additional data with low-quality noisy labels may mislead the network training and undesirably offset the efficacy provided by those high-quality labels. To address this issue, we propose a Mean-Teacher-assisted Confident Learning (MTCL) framework constructed by a teacher-student architecture and a label self-denoising process to robustly learn segmentation from a small set of high-quality labeled data and plentiful low-quality noisy labeled data. Particularly, such a synergistic framework is capable of simultaneously and robustly exploiting (i) the additional dark knowledge inside the images of low-quality labeled set via perturbation-based unsupervised consistency, and (ii) the productive information of their low-quality noisy labels via explicit label refinement. Comprehensive experiments on left atrium segmentation with simulated noisy labels and hepatic and retinal vessel segmentation with real-world noisy labels demonstrate the superior segmentation performance of our approach as well as its effectiveness on label denoising.

2022-05-01·IEEE Transactions on Medical Imaging1区 · 工程技术

Domain Adaptation Meets Zero-Shot Learning: An Annotation-Efficient Approach to Multi-Modality Medical Image Segmentation

1区 · 工程技术

Article

作者: Zheng, Yefeng ; Yuan, Chenglang ; Yu, Shuang ; Bian, Cheng ; Ma, Kai ; Wei, Dong

Due to the lack of properly annotated medical data, exploring the generalization capability of the deep model is becoming a public concern. Zero-shot learning (ZSL) has emerged in recent years to equip the deep model with the ability to recognize unseen classes. However, existing studies mainly focus on natural images, which utilize linguistic models to extract auxiliary information for ZSL. It is impractical to apply the natural image ZSL solutions directly to medical images, since the medical terminology is very domain-specific, and it is not easy to acquire linguistic models for the medical terminology. In this work, we propose a new paradigm of ZSL specifically for medical images utilizing cross-modality information. We make three main contributions with the proposed paradigm. First, we extract the prior knowledge about the segmentation targets, called relation prototypes, from the prior model and then propose a cross-modality adaptation module to inherit the prototypes to the zero-shot model. Second, we propose a relation prototype awareness module to make the zero-shot model aware of information contained in the prototypes. Last but not least, we develop an inheritance attention module to recalibrate the relation prototypes to enhance the inheritance process. The proposed framework is evaluated on two public cross-modality datasets including a cardiac dataset and an abdominal dataset. Extensive experiments show that the proposed framework significantly outperforms the state of the arts.

140

项与 Tencent Healthcare (Shenzhen) Co., Ltd. 相关的新闻（医药）

2024-10-30

·梯瓦医药

再赴“进博之约”：梯瓦在华布局升级，本土“朋友圈”深化拓展

以下内容转自“澎湃新闻”。 “从2018年到现在，在六年的时间里，我们已经有6种品牌药以及1款健康消费品进入中国市场。实实在在看到了中国日益多元的市场需求。”第七届中国国际进口博览会即将开幕，梯瓦大中华区总经理黄迪仁在接受采访时表示，梯瓦将继续深化“在中国，为中国”战略，希望能把更多的优质医药产品带给中国患者。近120多年历史的梯瓦，是全球领先的生物医药企业，因其在仿制药领域上的强劲实力，而被外界熟知。发展至今，梯瓦拥有全面多元的产品线，覆盖仿制药、创新药、生物类似药、非处方药等领域。2018年，梯瓦进入中国，用百年历史积淀形成的多元化产品线，为中国市场提供着覆盖中枢神经系统、肿瘤、皮肤管理、抗感染等领域产品资源。黄迪仁提到，梯瓦受益于进博会的平台优势，已然成为中国市场的深耕者。今年进博会，梯瓦将带来两款中国“首展”、“首秀”的产品，并将进一步深化和拓展与本土伙伴的合作，携手推动医疗行业的高质量发展。 01 赋能健康未来进博老友再上新第七届进博会，梯瓦以全新主题“全力以赴，共筑健康未来”参展。黄迪仁表示，“‘全力以赴，共筑健康未来’是梯瓦在去年发布的全新企业使命，代表着梯瓦创立120多年来的不变初心，和对于改善各国人民健康的坚定决心。以全新主题参展，不仅是对梯瓦企业使命的重申，也展现了我们对中国市场的长期承诺，以及全面助力健康中国2030实现的决心。” 对于很多跨国药企来说，进博会可以让大众了解到他们的最新药品以及能为中国患者提供的价值。在过去两年的进博旅程中，梯瓦不断展示着医药产品方面的深厚积淀，多款产品受益于不断释放的溢出效应，更快、更深入地为中国患者带来福音。其中，创新药安泰坦®（氘丁苯那嗪片）是一个生动的例子。作为中国首个获批的氘代药物，安泰坦®在治疗成人与亨廷顿病有关的舞蹈病（Huntington's Disease, HD）及迟发性运动障碍（Tardive Dyskinesia, TD）方面表现出色，填补了相关治疗领域的空白。2020年，它被纳入医保目录，提升患者治疗的可负担性。在2022年的进博会上，安泰坦®和罕见病亨廷顿病都受到了更广泛的关注。而在2023年，安泰坦®更是成功续约医保目录，长期降低了患者及其家庭的经济负担。到了2024年，梯瓦与江苏恩华药业股份有限公司就安泰坦®达成了在华经销协议，进一步扩大了患者的可及性。可以说，安泰坦®之所以每年都能传来好消息，离不开进博会溢出效应的助力。今年进博会，安泰坦®缓释片剂Austedo XR®将在中国“首秀”，会进一步提高患者的依从性。此外，梯瓦外用药物密丝高（5%米诺地尔溶液）也将迎来中国“首展”，将丰富中国脱发患者的治疗选择。依托进博会这一重要桥梁，梯瓦还不断探索数字化生态机会及深化本土合作的机遇。去年，梯瓦积极推动罕见病的治疗信息普及工作，与多方合作提升大众对疾病的认知。通过与阿里、京东、腾讯等平台合作，且联动专家学者完善了HD罕见病地图，上线了TD及HD疾病医典词条，让患者在查询相关信息时得到权威的了解，同时与京东健康开展了提升药物可及性方面的合作。今年进博会期间，梯瓦还将举行一系列合作签约仪式和医学论坛活动，不断扩大本土“朋友圈”，共同推动行业的高质量发展，打造创新生态。 02 助力健康中国释放医药“向新力” “进博会强大的溢出效应远超我们的预期。进博会的强‘磁吸力’让梯瓦能够和全球同行、本土伙伴等深入交流，对于我们深化在华发展具有强大助益。”黄迪仁说，“每年赴约进博会代表着梯瓦重视和深耕中国市场的诚意和决心。” 进入中国以来，梯瓦的中国战略是基于对市场需求的洞察而确定的。过去六年，梯瓦基于市场需求以创新特药为切口进入中国市场，为患者提供创新治疗方案，在中国市场上逐步建立起自己的竞争优势。创新被梯瓦视为是高质量发展的动力之源。作为百年企业，创新其实根植于梯瓦的品牌基因之中。“梯瓦的仿制药业务备受行业和大众的认可，但大家可能不太了解的是，从1990年代开始，梯瓦已经开始加大全球创新布局，聚焦国际前沿创新领域。例如在帕金森疾病、复发型多发性硬化疾病等方面，我们研发了很多领先且有突破性的治疗方案，为患者带来治疗新选择。” 与此同时，梯瓦一直关注患者所需，助力健康中国发展。近期，进口原研药品的可及性这一问题受到了广泛关注。为了满足中国患者对原研药的需求，今年9月，梯瓦携手海南华蓝医药健康产业有限公司在国内市场上市了舒美特®（阿奇霉素片）。随着更多创新药物的引进和研发成果的落地，梯瓦希望在中国市场上实现更大的突破和发展。黄迪仁表示，未来，梯瓦将在其长期深耕的中枢神经系统治疗领域向中国加速引进多款创新药。例如，梯瓦计划于2028年引进治疗成人精神分裂症的改良型新药——奥氮平长效针剂，将增加患者治疗的便利度，提升患者的依从性，进一步满足中国患者的健康需求。 03 聚焦创新深化“在中国，为中国”战略梯瓦进入中国的六年，正是中国医药行业进入高质量发展新阶段的时间。正如黄迪仁所言，真切感受到了进入中国后的每一步都是机遇。 2018年，梯瓦的肿瘤用药存达®（注射用盐酸苯达莫司汀）国家药监局的批准，这是梯瓦在中国市场迈出的坚实一步。仅仅两年后，治疗舞蹈病及成人迟发性运动障碍的创新药安泰坦®便在华获批，同年更是纳入国家医保目录，极大地提升了药物的可及性，让更多患者受益。随后，梯瓦在进博会的助力下，成功获批神经系统罕见病药物固派松®（醋酸格拉替雷注射液），进一步丰富了产品线。去年，偏头痛创新药物AJOVY®（瑞玛奈珠单抗）在粤港澳大湾区的落地，得益于“港澳药械通”政策的支持，再次展现了梯瓦在中国市场的敏锐洞察力和强大执行力。对梯瓦而言，除了业务增长和营收提升，最欣慰的是在中国服务患者数量的增加。面对不断变化的市场环境和国家政策的调整，如何在这样一个充满机遇的市场与时俱进，是梯瓦愿意持续探索的问题。去年，梯瓦提出“Pivot to Growth”全球战略，目的在于“聚焦创新，重启增长之路”。黄迪仁表示，“‘Pivot to Growth’全球战略的推出，是梯瓦主动顺应市场变革，持续巩固市场地位的必然选择。” 值得关注的是，“Pivot to Growth”战略中“创新”不仅体现在创新药业务布局上，还体现在结构、合作方式的创新布局。这一战略由四大增长支柱——发挥增长引擎潜力、夯实创新能力、巩固优势地位、聚焦核心业务，共同构成了梯瓦在中国市场的未来发展蓝图。作为梯瓦三大国际市场中增长最快的地区之一，梯瓦大中华区将沿袭“Pivot to Growth”战略。黄迪仁强调，“我们注重的是行稳致远的长期效果，希望将更多优质药品及消费品引入中国，并不断提高药品可及性和可负担性，帮助更多患者改善健康状况。”在梯瓦看来，中国医药行业始终展示着巨大的发展潜力。与此同时，日益增长的新型消费趋势也促使梯瓦将好口碑的消费品逐个引入中国市场。去年，梯瓦引进中国首个健康消费品——Sudocrem®（舒多可蕾）。作为一款源自爱尔兰的经典护臀霜，Sudocrem®畅销全球40多个国家。自去年在京东、天猫海外旗舰店上线以来，该产品的销量与口碑并驾齐驱。在本届进博会上，梯瓦将进一步与浙江英特集团深化合作，扩大该产品的可及性。这是梯瓦在中国多元化战略布局的实施，也是梯瓦深入洞察中国健康消费新趋势和前沿风向的快速落地。作为一家在华业务迅速增长的中小型跨国药企，梯瓦除了加速全球优质产品的引入，还不断探索最适合自身的发展模式。黄迪仁介绍，梯瓦目前在中国展开了合作销售模式、授权许可模式等多元合作模式，借此来深耕产品与渠道。此外，在团队打造上，旨在构建一个高效敏捷的扁平化组织结构，为业务发展提供了有力保障。 “ 对于未来，黄迪仁表示 “梯瓦将会把‘Pivot to Growth’的全球战略与中国处境结合起来，让战略本土化。一方面，梯瓦将会加快创新药物的引进和产品管线布局，丰富患者治疗用药的选择；另一方面，梯瓦将积极与本土企业构建合作关系，加速在企业中国的本土化进展以及影响力。” 审批编号：AUST-CN-00479

生物类似药医药出海

2024-10-12

·贵州医科大学

干货满满！考研经验交流分享会来啦~九大专场！总有一场适合你！

研学沙龙进学生社区考研经验交流分享会系列活动思来伴你成长 2025年全国硕士研究生招生考试报名在即。党委研究生工作部、党委学生工作部联合全校各研究生培养单位走进学生社区，举办考研经验交流分享会系列活动，旨在帮助计划考研和正在准备考研的同学们了解考研报名过程中的注意事项、如何选择报考院校和报考类型、如何准备保研、如何备考公共课和专业课等。各位同学，快来Pick你想参加的专场吧！ 01 北京路校区 01 口腔专场时间：2024年10月14日（周一） 18:00 地点：口腔医学院教学楼5楼学术报告厅、腾讯会议主讲内容： 1.学术型硕士和专业型硕士的区别 2.如何备考专业课主讲人： 1.索榕徽，口腔医学院2024级口腔医学专硕，考研初试总分：379 政治：73，英语：67，口腔综合：239 2.李胜男，口腔医学院2024级口腔医学专硕，考研初试总分：374 政治：71，英语：69，口腔综合：234 02 临床专场时间：2024年10月16日（周三） 14:30 地点：道德讲堂主讲内容： 1.考研报名过程中的注意事项 2.学术型硕士和专业型硕士的区别主讲人： 1.孙吉，临床医学院2024级泌尿外科学硕，考研初试总分：327 政治：72 ，英语：71 ，西医综合：184 2.王凤鸣，临床医学院2024级重症医学专硕，考研初试总分：404 政治：74，英语：82，西医综合：248 03 检验专场时间：2024年10月17日（周四） 16：00 地点：基础2号楼2302教室主讲内容： 1.考研准备及注意事项 2.如何备考专业课和公共课 3.学术型硕士和专业型硕士的区别主讲人： 1.郭紫倩，医学检验学院2024级临床检验诊断学学硕，考研初试总分：420 政治：72，英语：86，检验综合：262 2.王冬，医学检验学院2024级临床检验诊断学学硕，考研初试总分：385 政治：78，英语：67，检验综合：240 3.林帅，医学检验学院2024级临床检验诊断学专硕，考研初试总分：351 政治：67，英语：63，西医综合：221 4. 杨亚旭，医学检验学院2024级临床检验诊断学专硕，考研初试总分：346 政治：70，英语：65，西医综合：211 02 云漫湖校区 01 药学专场时间：2024年10月15日（周二） 19:00 地点：药学组团致知楼L108 主讲内容： 1.如何选择考研，如何准备保研 2.如何备考专业课和公共课主讲人： 1.徐应美，药学院2024级药学专硕，考研初试总分：414 政治：73，英语：69 ，药学综合：272 2.王乾军，药学院2024级临床药学学硕，考研初试总分：346 政治：71，英语：58 ，药学综合：217 3.田晓巧，药学院2024级药物化学学硕（保研） 02 生工专场第一场时间：2024年10月13日（周日）14:30 地点：生工组团主讲内容： 1.如何准备考研 2.学术型硕士和专业型硕士的区别 3.如何准备专业课和公共课主讲人： 1.郭鹏，生物与工程学院（健康医药现代产业学院）2024级智能医学学硕，考研初试总分：364 政治：69，英语：40，智能医学综合：255 2.马兴菊，生物与工程学院(健康医药现代产业学院)2024级生物医学工程学硕，考研初试总分:339 政治: 67，英语:52，生物医学工程:220 3. 吴莎莎，生物与工程学院（健康医药现代产业学院）2024级生物与医药专硕，考研初试总分：263 政治：70，英语：49，生物化学：生物医学综合:80 第二场时间：2024年10月17日（周四） 18：30 地点：生工组团L103 主讲内容： 1.如何准备考研 2.学术型硕士和专业型硕士的区别 3.如何准备专业课和公共课主讲人： 1.郭鹏，生物与工程学院（健康医药现代产业学院）2024级智能医学学硕，考研初试总分：364 政治：69，英语：40，智能医学综合：255 2.马兴菊，生物与工程学院(健康医药现代产业学院)2024级生物医学工程学硕，考研初试总分:339 政治: 67，英语:52，生物医学工程:220 3.吴莎莎，生物与工程学院（健康医药现代产业学院）2024级生物与医药专硕，考研初试总分：263 政治：70，英语：49，生物化学：生物医学综合:80 03 护理专场时间：2024年10月17日（周四） 19:00 地点：临床组团酬勤楼M201、腾讯会议主讲内容： 1.如何确定目标院校，如何备考英语 2.如何选择保研/考研，如何准备保研 3.保研报名中的注意事项，以及备考中如何调节心态 4.如何备考公共课、专业课主讲人： 1.杜青青，护理学院2024级护理专硕，考研初试总分：371 政治：71分，英语：69分，护理综合：231 2.何可欢，护理学院2024级护理专硕（保研） 3.艾思思，护理学院2024级护理专硕，考研初试总分：373 政治：73分，英语：62分，护理综合：238 4.张铭蔚，护理学院2024级护理专硕，考研初试总分：403 政治65，英语：56，护理综合：282 04 基础专场时间：2024年10月23日（周三） 14:30 地点：基础组团基础医学院学术报告厅主讲内容：学术型硕士和专业型硕士的区别主讲人：石欢欢，基础医学院2022级细胞生物学，考研初试总分342 政治：74，英语：58，生物综合：114，细胞生物学：96 05 公卫专场时间：2024年10月23日（周三） 19:00 地点：公卫组团R101 主讲内容： 1.如何备考专业课和公共课 2.研究生面试技巧以及备考中如何调节心态主讲人： 1.邓悦云，公共卫生与健康学院2024级公共卫生专硕，考研初试总分：421 政治：67，英语：79，卫生综合：275 2.吴凡，公共卫生与健康学院2024级公共卫生与预防医学学硕，考研初试总分：421 政治：80，英语：73，卫生综合：268 3.王万松，公共卫生与健康学院2024级公共卫生专硕，考研初试总分：319 政治：62，英语55，卫生综合：202 06 人文专场时间：2024年10月23日（周三） 19:00 地点：云漫湖校区人文组团善思楼R105、腾讯会议主讲内容： 1.科研，没有你想的那么难 2.你可以考上研究生主讲人： 1.郭志彧，医学人文学院2024级应用心理专硕，考研初试总分：367 政治：73，英语：79，心理学专业综合：215 2.马靖，医学人文学院2024级应用心理专硕，考研初试总分355 政治：67，英语：54，心理学专业综合：234 成功上岸来源：党委研究生工作部党委学生工作部文字：高越月刘美伶图片：李婷李丽莉宋青芳王小猛排版：沈静婷编辑：田林子沈静婷一审：李牧李菡逸二审：钱禾三审：陈颖往期回顾 RECENTLY RELEASED 贵州医科大学2025年硕士研究生招生章程及专业目录贵州医科大学2025届毕业生冬季校园招聘会邀请函探索校园 | 从临床医学院“协和楼”，探寻中式建筑之美贵州医科大学版权所有期待投稿合作邮箱：gmctougao@163.com

2024-10-10

·药智网

当AI制药成为诺奖的焦点

近日，瑞典皇家科学院宣布，将2024年诺贝尔化学奖授予蛋白质设计先驱David Baker教授与AlphaFold开发者Demis Hassabis、John M.Jumpe。继前几日AI教父John J.Hopfield和Geoffrey E.Hinton获得诺贝尔物理学奖后，AI+制药已成为诺奖的焦点。如果以诺贝尔奖作为人类历年科学发展的缩影，那么对制药业而言，诺贝尔生理学或医学奖提供的是作用机制、诺贝尔化学奖提供的是构建方法、诺贝尔物理学奖提供的是处理效率。技术的不断突破，让AI制药站上风口。百舸争流 AI技术在制药领域的应用已经引起了广泛的关注，有数据显示，截至2023年底，全球共有897家AI制药企业。其中国内AI制药企业就达到了93家，而2020年底时仅为16家。从主要布局来看，大多数AI制药公司还是将重心放在了早期药物开发这一起始阶段上。图1 AI制药公司布局图片来源：参考来源3 从AI制药参与者类型来看，主要分为三大类，IT巨头、AI制药企业和大型药企。三类企业依托各自在研发、生态、算法的优势切入行业。表1 AI制药参与企业分类数据来源：公开资料整理为了降本增效，MNC们对AI充满着无限热情，年初的JPM大会上，谷歌母公司Alphabet旗下的AI生物技术公司Isomorphic Labs宣布与礼来和诺华签署了两笔价值近30亿美元的大额交易；赛诺菲更是在去年宣布了“All in AI”战略；近日礼来也任命Thomas J.Fuchs为公司第一任首席人工智能官，各大跨国制药企业动作不断。经统计，仅2023年MNC在AI+药物研发领域就达成了超30项合作，已披露的总价值约100亿美元，单笔总额最高达27亿美元，其热情可见一斑。而在国内，恒瑞、上海医药等传统企业也早于21年与XtalPi等人工智能企业达成合作。图2 部分药企与人工智能企业合作概况图片来源：参考来源5 对于IT巨头而言，依托自身强大的算法与科技实力，作为“卖铲人”获利也是一条一本万利的道路。根据媒体报道，软银集团宣布计划在2025年前共投资1500亿日元（约9.6亿美元）来增强其人工智能(AI)数据中心的运算能力。而腾讯早已参与其中，其投资的中国AI药物研究公司晶泰科技(QuantumPharm)6月13日在香港上市，成为国产AI制药第一股，并且在不久前结束的腾讯全球数字生态大会上，腾讯健康总裁吴文达在发言中指出，腾讯健康依托于大模型打造的解决方案已经在1300多家企业、医院等机构落地。英伟达的参与更加令人注目，这家全球知名的科技公司，通过旗下的风险投资基金NVentures，积极拓展其在AI制药领域的投资版图。据智药局的数据监测显示，从2023年到2024年6月6日，英伟达共参与投资了10家AI制药公司。此外，其自身研发的生成式AI平台NVIDIA BioNeMo，可用于蛋白质结构预测、蛋白质序列生成、分子优化、生成式化学、对接预测等。据悉，已有100多家生物制药和AI药物研发公司使用其BioNeMo平台，包括安进、安斯泰来制药、Cadence、Iambic、Insilico Medicine、Recursion和Terray Therapeutics，风光无限。对于AI制药初创企业而言，还有很长的路要走。从全球来看，目前海外仅有20余家AI制药企业上市，时间集中在2020年之后。图3 海外已上市AI制药企业图片来源：参考来源6 从公布财报看，2023年美国AI制药公司Schrodinger（薛定谔）年收入2.17亿美元，排名第一，其也是首家实现盈利的AI制药企业：其收入主要由三部分组成：软件收入、药物研发收入和其他收入，全年软件收入占了大头，收入为1.591亿美元，增长17.4%。从研发管线来看，靶向MALT1的SGR-1505和靶向CDC7的SGR-2921均处于临床I期。另外，财报提到，未来薛定谔将会把资源越来越多地放在专利药物发现项目上，这也许意味着薛定谔会在未来锚定“卖铲人”的角色。从国内来看，目前仅有一家上市公司晶泰科技于今年6月13日在香港上市，成为国产AI制药第一股。晶泰科技于2014年成立，在2016年，在辉瑞举办的一场全球晶体结构预测盲测比赛上，刚创立不久的晶泰科技实现了100%准确预测，以此为契机开启了与头部跨国药企的战略合作据招股书数据，在IPO前的融资历程中，晶泰科技共完成了8轮融资，累计金额达7.3亿美元（约合人民币52亿元），在全球AI制药企业中融资额排名第一。目前公司拥有160+授权专利，正在进行超39项药物发现项目，已为全球300多家生物技术与制药公司及研究机构提供服务，其中包括全球前20大生物技术与制药公司（按2022年收入计）中的16家。在国内除了晶泰科技外，目前还有进入到递交招股书环节的英汐智能、B+轮的红云生物和奕拓生物以及C轮的药物牧场、深势科技、甫康药业等企业。 AI制药公司们已经进入到上市竞速赛之中。未来如何？ AI制药红透半边天，但是不可否认的事实是截至目前还没有完全由AI研发的新药物进入市场。从融资的角度来看，2021年行业融资金额达历史高点，超过290亿美元，随后开始大幅下挫。图4 历年AI制药融资情况图片来源：参考来源7 分析原因，主要是由于当前AI制药技术不成熟，技术成果转化有障碍等原因。比如文献显示类药物虚拟筛选库已拥有超过360亿种化合物，对于当下考虑到每个分子估计有10-50个构象异构体，总计超过5000亿个对象。虚拟筛选与实际验证的挑战都是巨大的，遑论常用的AI模型通常针对数万种或更少的化合物进行训练，这引发了人们对其在360亿种化合物的化学空间采样方面的有效性产生疑问。预测的有效性与验证成本限制了AI制药的发展，也是目前为何没有一款上市AI药物的主要原因。此外，另外一方面，则是由于很多公司“挂羊头卖狗肉”。在探究AI制药行业时，波士顿咨询曾提出一个新式的词——“AI原生公司”，指的是那些真正拿AI做实事，而不是借着AI的噱头打广告的公司。在进一步的筛选后，波士顿咨询有了惊人的发现，全世界AI制药企业高达700多家，可真正的“AI原生公司”，竟然只有114家（截至报告时间）。技术的不成熟加上部分入局者的不靠谱，导致AI制药的融资与发展受到阻碍，甚至一些明星公司都受到极大的影响。比如业内的明星公司Exscientia，其市值已经从上市之初的超30亿美元跌到了如今的5.97亿美元（截至2024年10月10日）。并且由于其在管线上的接连失误，以及停止了针对A2A靶点的癌症候选药物EXS-21546的I/II期研究，进一步打击了市场信心。最终只能被英伟达投资的另一家AI制药公司Recursion并购，交易金额仅为6.88亿美元，不足上市之初的30%。领头羊尚且如此，何论那些缺乏资金与技术实力的小型AI制药企业。那么，未来会好吗？答案是一定的。对于AI制药企业而言，其应用框架主要包括三个部分：数据收集和整理、使用分子描述符进行化合物表示、人工智能方法及其应用。 AI训练需要大量的数据验证与反馈，但是每一次的反馈与优化都会对下一次的优化进行拓展与提升。这是一个逐步迭代的过程，随着数据的逐渐沉淀、模型的逐渐优化、算力的逐渐提升，当触发了爱因斯坦称为第八大奇迹的“复利”后，AI赋能制药的效率将会指数级的增长。并且，商业的竞争本质是效率的竞争，新领域“first in class”药物所带来的优势是后来者无法比拟的。更快、更准确的药物发现、构建、验证对药企们来说具有无与伦比的吸引力，大浪淘沙之后，AI制药公司前景无限。最后借用默沙东创始人George W.Merck讲过一句话，“我们应当永远铭记：药品是为人类健康而生产，不是为追求利润而制造的。只要我们坚守这一信念，利润必将随之而来。” 随着科技的进步，制药企业终将拿起AI这把效率之刃，劈开那些侵袭人类的病魔！参考来源： 1.《医药行业估值》 2.Artificial Intelligence for Drug Discovery:Are We There Yet?，https://doi.org/10.1146/annurev-pharmtox-040323-040828 3.《AI制药商业模式分析：以英矽智能、晶泰科技为例》，华创证券 4.《全球AI智能制药公司布局情况现状分析（图）：早期药物开发是主要布局领域》，中研网 5.晶泰科技招股书 6.《中国AI制药企业白皮书》 7.《2024，集体逃离AI制药》，智药局 8.《50亿，AI制药最大并购诞生》，东四十条资本 9.《药物简史》 10.《英伟达、软银入局，AI制药是“王炸”还是概念？》，未来数字城市探索者 11.《AI助力新药研发破局上市公司抢滩黄金赛道》，证券时报网 12.《万字长文：AI制药的前世今生、药物发现、结构预测、从头设计、行业图谱》，BiG生物创新社声明：本内容仅用作医药行业信息传播，为作者独立观点，不代表药智网立场。如需转载，请务必注明文章作者和来源。对本文有异议或投诉，请联系maxuelian@yaozh.com。责任编辑 | 史蒂文转载开白 | 马老师 18996384680（同微信）商务合作 | 王存星 19922864877（同微信）阅读原文，是受欢迎的文章哦

高管变更

100 项与 Tencent Healthcare (Shenzhen) Co., Ltd. 相关的药物交易

登录后查看更多信息

100 项与 Tencent Healthcare (Shenzhen) Co., Ltd. 相关的转化医学

登录后查看更多信息