AccutarBio

数据显示，全球AI制药市场预计将从2019年的53.7亿美元飙升至2032年的746亿美元。虽然入局者众，但真正占据关键生态位的巨头屈指可数。本文将基于行业格局，深度拆解Schrödinger、晶泰科技与英矽智能的核心竞争力。 01 薛定谔 (Schrödinger)：无处不在的“守门人” Schrödinger 的名字几乎出现在了每一个环节： 靶点发现 化合物筛选 先导化合物设计 ADMET预测 【公司画像】 Schrödinger是AI制药领域的“活化石”和“基建狂魔”。它不跟你讲什么颠覆，它卖的是 行业标准 。 它的核心逻辑是“物理计算驱动” 。在图谱中，它牢牢占据了 ADMET预测（药物吸收、分布、代谢、排泄和毒性）这一高技术壁垒环节。 竞争优势： 全球几乎所有的头部药企都是它的客户。它就像是制药界的Adobe，你可能不喜欢它，但你离不开它。 局限性： 它的商业模式更偏向软件授权（SaaS），虽然稳，但想象空间受限于药企的研发预算总额。 02 英矽智能 (Insilico)：最激进的“全能战士”  英矽智能 的出现频率极高，且位置非常特殊——它不仅在前端的 靶点发现、化合物筛选 与巨头厮杀，更罕见地出现在了后端的“临床前结果预测”环节。 【公司画像】 如果说薛定谔是卖铲子的，英矽智能就是亲自下场挖金矿的。 图谱显示，英矽智能打通了从Biology（生物学靶点） 到 Chemistry（化学分子） 再到 Clinical（临床预测）的全链条。 核心看点： 它是图谱中极少数敢于涉足“临床前结果预测”的公司。这说明它对自己算法的置信度极高，敢于直接挑战药物研发的高风险环节。其核心管线进入临床II期，正是这种全流程能力的验证。 商业底色： AI+Biotech。它的估值逻辑不取决于它签了多少软件单子，而取决于它自研的那几款药能不能成。 03 晶泰科技 (XtalPi)：工业化的“破局者”  化合物筛选、先导化合物设计与合成、ADMET预测 ， 晶泰科技 不仅在列，而且是绝对的主力。 【公司画像】 晶泰科技的打法与前两者截然不同。请注意图谱中它在“合成” 和 “ADMET” 环节的卡位。 这两个环节最痛的痛点是什么？是 湿实验（Wet Lab）。算法算得再快，没人做实验验证也是白搭。 核心壁垒： 晶泰的护城河在于“智能化自动化实验室”。它不仅用AI算，还用机器人做实验。在图谱所示的“化合物筛选”环节，晶泰能通过海量的真实实验数据，去喂养和修正AI模型。 商业底色： AI+CRO（高端研发服务）。它实际上是在把药物研发变成流水线工厂，赚取的是“确定性”的现金流。 04 新兴势力：细分领域的“狙击手” 除了上述三巨头，图谱中还涌现了一批在特定环节极具杀伤力的中国科技公司： 深势科技 (DP Technology) & 百图生科 (BioMap)： 在“先导化合物设计” 和 “靶点发现” 环节，这两家公司代表了 “AI for Science” 和 “大模型”的新范式。深势科技侧重于微观层面的分子动力学模拟，百图生科则侧重于生命科学大模型的宏观理解。它们是典型的技术驱动型新贵。 零氪科技 (WeDoctor/LinkDoc)： 请注意图谱的倒数第二行—— “临床试验设计/患者招募” 。这个环节玩家极少，而零氪科技赫然在列。 这切中了临床试验最大的痛点： 找人难 。利用医疗大数据精准匹配患者，这是与前端分子发现完全不同的商业逻辑，是一片巨大的蓝海。 冰洲石生物 (Accutar) & 望石智慧 (StoneWise)： 它们在“临床前结果预测” 和 “ADMET预测”等高难度环节均有布局，显示出在特定技术领域的深厚积淀。 05 结语：谁能笑到最后？ AI制药的“草莽时代”已经结束，现在是“巨头划地盘”的时代。 想要 稳健 的现金流，看 晶泰科技 （工业化服务）； 想要 高爆发 的管线价值，看 英矽智能 （全流程自研）； 想要 标准化 的底层工具，看 薛定谔 （软件基建）。 在746亿美元的未来市场中，手里已经握住了通往下一个十年的入场券。 #AI制药 #晶泰科技 #英矽智能 #Schrödinger #深势科技 #百图生科 #产业链图谱 #商业模式 #硬科技 #产业分析

新药研发周期长、成本高、成功率低的行业痛点，正被人工智能（AI）技术逐步破解。记者近日从相关行业研讨会上获悉，随着AlphaFold等核心技术的持续突破，AI已深度渗透到新药研发的全流程，从药物靶点发现、分子设计到临床试验优化，全方位提升研发效率、降低研发成本，推动全球生物医药产业进入智能化转型的关键阶段。我国凭借坚实的生物医药产业基础与蓬勃发展的AI技术优势，正加速布局人工智能制药领域，在政策扶持、企业创新等方面多点发力，力争破解发展短板，抢占全球产业竞争新高地。生物医药产业是关乎国民健康、经济发展与国家安全的战略性新兴产业，而新药研发作为产业核心环节，长期面临着“十年磨一药、百亿投一药”的困境。传统新药研发模式下，一款新药从实验室研发到推向市场，平均需要10至12年时间，研发成本高达数十亿美金，且成功率仅为40％至65％，漫长的研发周期与高昂的投入成本，严重制约了产业创新活力。近年来，以AI为代表的新一代信息技术的崛起，为生物医药产业带来了革命性变革。AI凭借强大的数据处理、模式识别与预测分析能力，打破了传统新药研发的固有逻辑，将海量生物医药数据转化为研发动能，在新药研发的各个关键环节实现高效赋能，成为破解行业痛点的核心抓手。在药物发现阶段，AI技术实现了靶点识别与分子筛选的效率飞跃。传统药物研发中，寻找合适的药物靶点并确定其结构是耗时最长、难度最大的环节之一，而谷歌DeepMind公司研发的AlphaFold算法，通过深度学习蛋白质数据库中的实验结构，可实现蛋白质结构的高精度预测，破解了困扰生物医药领域五十年的生物大分子折叠难题。其升级版本AlphaFold3，更是能以超出当前行业水平50％的准确率，预测蛋白质与其他生物分子的相互作用，大幅提升癌症、病毒等疾病治疗药物的研发效率。除了靶点发现，AI技术在苗头化合物筛选、分子生成、化学合成等细分环节也发挥着重要作用。依托机器学习、深度学习与自然语言处理等技术，AI可快速处理基因组学、蛋白质组学等海量数据，快速锁定潜在有效分子，优化分子结构，提升实验验证成功率，将传统药物发现阶段的耗时缩短50％以上，大幅降低研发前期的人力与资金投入。在临床前与临床开发阶段，AI技术有效解决了临床试验成本高、效率低的难题。临床试验成本通常占新药研发总成本的一半以上，尤其是罕见病新药研发，因试验样本稀缺，成本更是居高不下。AI技术通过模拟分析药物的吸收、分布、代谢、排泄和毒性等性质，可提前预判药物安全性，减少无效临床试验；同时，借助自然语言处理与机器学习技术，可快速筛选符合试验要求的患者，优化临床试验设计，实时监控分析试验数据，不仅提升了临床试验的效率，更降低了研发风险。值得关注的是，AI技术正推动生物医药产业从“通用治疗”向“精准治疗”转型。通过整合患者基因组数据、遗传信息、生理特征及生活方式等多维度信息，AI可精准预测患者对不同药物的反应与疗效，为患者量身定制个性化治疗方案，提升治疗的精准性与有效性，让“一人一药”的个性化医疗从理念走向现实。随着AI技术在生物医药领域的应用成效日益凸显，全球主要发达国家纷纷加快布局步伐，抢占产业发展制高点。在技术研发方面，欧美国家持续突破核心技术，英国Recursion公司2024年开发的超级计算机BioHive－2，可加速大型通用基础模型的扩展与训练，推动药物研发向工业化转型；截至2023年底，全球已有24个人工智能发现的药物分子进入I期临床，其中21项取得成功，成功率达到80％至90％，远高于行业历史平均水平。在企业布局方面，全球医药巨头与科技巨头纷纷跨界入局、加速布局。辉瑞、强生、阿斯利康等跨国药企，要么与IBM、微软等科技公司强强联合，借助其技术优势优化新药研发流程；要么通过收购人工智能初创公司，构建自主研发体系。谷歌、亚马逊等科技巨头也加大投入，深耕AI制药领域，推动技术成果转化，形成了“科技＋医药”的协同创新格局。投融资市场的持续升温，也为全球AI制药产业发展注入了强劲动力。据相关数据统计，截至2023年底，全球人工智能制药公司的累计融资额已达到629亿美元，年投资额在9年间增长了27倍。2024年上半年，全球AI制药领域共发生69起融资事件，融资总额达33亿美元，是2023年上半年的两倍多，其中美国占比高达85％。半导体头部企业英伟达更是持续加码，2024年连续投资13家AI制药企业，彰显了资本对该领域发展前景的高度认可。与此同时，欧美各国政府持续加大政策引导力度，完善行业发展环境。美国FDA先后发布多份指导性文件，明确支持AI在药物研发与生产中的应用，举办专项研讨会推动技术规范发展；欧洲药品管理局也发布相关工作计划，推动AI辅助新药研发项目落地，优化监管流程，为产业发展提供清晰的政策指引。我国高度重视生物技术与信息技术的融合发展，在政策扶持下，AI制药产业实现快速起步，逐步形成了具有一定规模的产业集群。2017年以来，我国先后出台《新一代人工智能发展规划》《“十四五”生物经济发展规划》等一系列政策文件，明确支持AI在生物医药领域的应用，科技部与国家自然科学基金委2023年启动的“人工智能驱动的科学研究”专项，进一步为产业发展提供了政策与资金支撑。目前，我国已有超过10家AI药物研发企业的管线进入临床阶段，英矽智能、未知君、冰洲石生物等企业脱颖而出，成为行业发展的中坚力量。其中，英矽智能通过自主研发的Pharma．AI平台，仅用18个月就完成了特发性肺纤维化新药从靶点发现到临床Ⅱ期的全流程研发，较传统周期缩短70％；冰洲石生物基于AI平台开发的乳腺癌新药，成为国内首款进入临床的PROTAC技术药物，彰显了我国AI制药领域的创新实力。尽管我国AI制药产业发展势头良好，但与美国等发达国家相比，仍存在诸多突出短板，成为制约产业高质量发展的瓶颈。首先，科研生态不完善，企业与高校、科研机构的协同合作不够紧密，基础研究投入不足，核心技术突破能力有待提升；其次，高质量数据供给短缺，医疗机构与企业的数据难以共享，数据标注成本高、质量参差不齐，无法满足AI模型训练需求；再次，药物大模型研发缺乏系统性政策支持，复合型人才短缺，关键共性技术平台缺失，产业协同创新能力不足；此外，AI制药领域的伦理规范与监管体系尚未完善，数据隐私保护、责任界定等问题亟待解决。业内专家表示，我国既有坚实的生物医药产业基础，又有AI技术蓬勃发展的优势，当前正是抢占AI制药产业发展先机的关键时期。为推动产业高质量发展，需从多方面协同发力：一是优化科研生态，加强产学研深度融合，加大基础研究投入，鼓励各类创新主体参与核心技术研发；二是强化数据整合共享，加快生物信息数据库建设，完善数据授权机制，提升数据质量与利用效率；三是加大对生物基础大模型研发的政策与资金支持，搭建关键共性技术平台，推动技术成果转化；四是加强复合型人才培养与引进，完善引才育才政策，破解人才短缺难题；五是构建完善的伦理规范与监管体系，明确数据权责与专利规则，保护创新主体合法权益，推动产业规范有序发展。随着AI技术的持续迭代与产业布局的不断完善，人工智能必将进一步重塑生物医药产业发展格局，为新药研发带来更深刻的变革。我国若能抓住发展机遇，破解发展短板，持续推动AI与生物医药产业深度融合，必将加速抢占全球产业竞争新高地，推动生物医药产业实现创新转型、提质增效，为国民健康提供更有力的保障。（南昌大学焕奎书院 赵晨硕） 【责任编辑：郭旭】

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。