100 项与 Dongguan Wenxin Biotechnology Co., Ltd. 相关的临床结果
0 项与 Dongguan Wenxin Biotechnology Co., Ltd. 相关的专利(医药)
近日,全球制药公司赛诺菲宣布与法国制药技术公司Aqemia达成合作,旨在为多项未公开的治疗领域开发小分子候选药物。后者将通过其平台优势,将深度物理与大规模生成人工智能相结合,加速药物发现。从内容来看,此次合作将是一场跨越药物的“探索之旅”,也是赛诺菲践行“All in AI”全球战略的又一步。由于医药行业的特殊性,数字化发展进程对比于其他行业而言相对滞后。即便它已成为一股时髦之风,在各种行业会议中被讨论、鼓舞,但在实际行动上真正拥抱数字化的并非多数。在全球医药巨头中,赛诺菲可谓是翘楚代表。早在2021年,公司就与百度展开了mRNA疫苗算法研发合作。两年后,双方再度携手,达成了一项基于医疗大模型的10亿美元长期战略协议,为“All in AI”的全球战略实施保驾护航。“ 对此,赛诺菲首席执行官Paul Hudson表示:“我们的目标是成为第一家大规模基于人工智能驱动的制药公司。””值得一提的是,此次合作是生命科学行业首次基于基础模型的最大规模合作,或许将为AI制药公司新商业模式开辟道路。扫描二维码立即体验灵医大模型制药+ AI:从“气氛组”到“参与其中”全球AI制药行业市场规模逐年攀升,从2017年的2.41亿美元增长至2022年的62.02亿美元,复合增长率为91.47%,高歌猛进。从实践来看,包括罗氏、诺华、辉瑞等全球TOP 10药企在内的传统药企纷纷与AI制药企业携手,平均合作次数已达六次以上。从观望到涉足,AI+ 掐中了这些巨头们的哪些点?让医药研发,降本增效辉瑞首席数字和技术官Lidia Fonseca在早前接受媒体采访时曾表示,超级计算机、AI和机器学习模型的使用可以将整体的计算时间减少80%-90%。大分子时代,药物本身的复杂性导致筛选难度的提升,交织愈发复杂的环境背景,药企已经越来越无法承受“开盲盒”式新药开发带来的成本压力。为药企,带来新的可能通过精准的数据读取和深度学习,“医疗大模型“能够高效识别并提取有价值的信息,填补了药企在优质数据供给方面不足等问题。这位药企创造了全新的发展机遇,为医疗领域带来了前所未有的可能性。扫描二维码立即体验灵医大模型同质化窘境:“百模大战”最终比的是什么?几年前,移动互联网时代“千团大战”的硝烟似乎才接近尾声;几年后, ChatGPT的问世仿佛一条巨大鲶鱼,搅动开了AI大模型这片新的江湖。一时间,“百模大战”拉开序幕。雷同的剧本,熟悉的选手。只是,这一次的“入场券”更高。而医疗产业由于其独有的严肃性、实时性、数据敏感性、优质数据稀缺性、可解释性、复杂性等特质,为大模型的落地又增添了一堵高墙。即便如此,还是有络绎不绝的玩家,产品更是千姿百态。群雄混战的尽头是什么?从既有案例来看,医疗大模型的真正落地必须是建立在专业数据信息的积累、市场趋势的洞察和企业的精准触达等功能和经验之上的。过去十年间,百度一直把人工智能业务视作重点发展项目,累计投入超1000亿元,如今已成为全球为数不多在“芯片-框架-模型-应用”四层进行全栈布局的人工智能公司。其中,以“文心”为基础的的医疗大模型加之GBI在医疗产业二十余年专业知识的积累、海量数据源,不仅具备优良的技术基础,同时还具备产业融合的能力。基于此,百度的灵医大模型作为国内首个“产业级”医疗大模型就此诞生。它不仅是国内首个面向大健康上下游开放试用和测评的医疗大模型,也是首个已经实现商业化落地应用的大模型。扫描二维码立即体验灵医大模型庞大的数据信息在一款新药获批后的上市准入和后续商业化过程当中,医学专业人士(HCP)作为“患”与“药”之间递送者,不仅蕴含着患者治疗的希望,同时也代表着企业营收的增长。在与GBI Metrix全国药械HCPs数据库全栈打通后,灵医大模型基于HCP 360画像算法、文献、会议活动、医患问诊、媒体、医药代表访谈等多源信息,通过对HCP态度标签的提前识别实现和判定,形成完备的【HCP观念标签】体系,从而还原真实KOL画像。这不仅有利于企业更加精准地触达HCP,同时也促进企业顶级HCP运营管理经验的积累,为日后下沉区域市场做好充足的准备。专业的医疗知识在当前复杂的环境下,如何在短暂的产品生命周期中高效地实现成功准入和快速上量,是企业需要攻克的难题。GBI 独到的市场洞察能力与深厚的行业资源网络让医疗大模型更懂“药”,形成覆盖整个大健康产业链的闭环。企业只需基于知识库内容对大模型进行训练微调,使其符合自身对业务领域的理解,更好地为医药代表赋能。利用大模型的“角色扮演”能力,支持医药代表与大模型的多轮对话问答,对医药沟通代表进行规范化训练,逐步提升职业能力。高效的精准触达在获取全方位数据信息和市场全面调查地基础之上,企业结合医疗大模型的文档理解能力和知识库问答能力,可以获得定制化的知识检索引擎,帮助员工快速洞察“医-患-药”全覆盖的前沿知识与真实信息,提升整体效率。同时,针对大模型的理解和记忆等能力,药企便可以根据自身对HCP精细化管理运营的具体需求,建立专属的标签体系并快速得出目标HCP的学术与治疗观念,再根据实际场景需求,实现向HCP精准推送相关教育知识与新药问题的疑虑解答。扫描二维码立即体验灵医大模型人工智能浪潮的席卷,催生了医疗大模型的出现与落地实施,海量数据读取、市场洞察、精准触达等特点逐渐打破了医药行业“高投入、高风险、长周期”的束缚,给该行业的未来发展带来无穷的想象空间。AI医药领域目前虽然面临数据储备、场景落地和人才短缺等问题,但从当前百度聚集GBI、智慧医疗等多方力量展开的探索与尝试来看,事物的演变无穷无尽,我们也有理由期待未来医疗大模型为健康行业带来的更多可能。\ | /★联 系 我 们投稿 | 发稿 | 媒体合作▶ sylvia.hua@generalbiologic.com数据库 | 咨询服务 | 资讯追踪▶ 点击左下“阅读原文”完成表单填写点击 阅读原文 订阅全球行业新闻
AI大模型在生物医药领域到底都有怎样的前景?百度智能云与NVIDIA在生物医药行业的成果又有哪些?为了探索这些问题,本次药智访谈专访百度智能云泛科技行业总经理张玮,NVIDIA互联网行业大客户总监刘川,为我们深度解析AI大模型以及它对制药行业带来的影响!Q大模型领域现在发展如何?它的发展趋势又是怎样的?张玮:大模型的发展非常之快,可谓日新月异,这波热潮是从去年ChatGPT的发布开始席卷全球。实际上从百度的角度来说,我们对大模型整个的研发非常早,早在2019年文心系列的大模型就已开始研发。10月17日,我们发布了最新的文心大模型4.0版本。透过大模型的演进和发展可以看到,随着算力数据和算法的不断提升,新的大模型在不断增强,从而改变各个行业。第一个带来改变的是传统信息产业,也就是互联网行业。可以看到已经出现非常多成功的产品,并且在被用户所使用。而随着模型能力的增强,以及更多的垂直行业与大模型行业融合发展,比如生命科学行业,可预见会有越来越多结合大模型能力、垂直行业的知识、应用场景以及研发方向的行业大模型出现。在此趋势之下,我认为大模型可以为垂直行业创造更多的价值,具有巨大的想象空间和发展前景。Q目前大模型领域在国内外市场的竞争都非常激烈,那么大模型领域面对的挑战有哪些?刘川:目前大模型在落地层面有两个阶段,也是最具挑战的两阶段。第一阶段是要训练一个Foundation Model(基础模型),这是极具挑战性的事情。首先是要求企业要有足够多的数据、要有能力将数据变成token,并应用于整个数据工程,这个过程非常考验技术实力。其次,训练一个Foundation Model需要万卡以上的集群,我们要思考万卡集群在训练过程中,如何让算力的有效利用率达到极致,这对整个技术团队和整个资源管理团队充满挑战。第二阶段是在训练好Foundation Model之后,落地到行业里需要解决的核心问题——怎么把行业数据/know-how迁移到行业模型里,让行业模型既能学到行业知识,又不降智,而恰恰这些智能是需要从行业实践中得出的。所以从整个市场来说,百度目前是处于领先地位,百度文心大模型早在2019年就已开始研发,并不断累积经验进行更新迭代,也正因如此,才能使其走在大模型研发的最前沿,才能第一个发布中国的4.0版本大模型。事实上,各个行业的早期客户已有很多进入大模型的第二阶段的验证中,这些都是来自应用场景的直接挑战,它需要企业逐步把数据放进来,把效果做出来,把精度调上去。这些工作需要全部落地、很辛苦,但唯有脚踏实地的做好,才能把模型真正做到应用落地并达到好的效果。以上这两个阶段是我认为大模型从Foundation Model到进入行业的两个非常重要的阶段。Q我们的企业在这样的竞争潮流中怎样才能有效提升自己的竞争优势?刘川:我们可以看到现在的企业有几类。第一类是企业应用相对简单,直接拥抱大模型,尽快调用Foundation Model,让能力跟业务相适配,进而把业务流的效率提升上去。第二类是对于一些垂类领域的行业,尤其是在具有高壁垒的领域行业中,如医药、制造、金融领域等,这些行业有非常深厚的行业know-how,需要类似百度这样的计算机算法科学家及其提供的大模型,和企业业务侧的行业专家,以及助力AI业务加速的NVIDIA的高级工程技术团队三方联合在一起,快速融合,才能让大模型能力变成行业的先进生产力,助力企业在相应领域中成为最领先的player,带来行业格局的改变。Q针对刚刚所提及的两个阶段的挑战,NVIDIA和百度分别可以提供哪些帮助,来助力大模型领域突破瓶颈?张玮:首先在算力层面,百度智能云跟NVIDIA紧密合作。在大模型的算力基础之上,结合应用及训练过程做非常多的软件开发,充分发挥双方的技术,通过合作使整个大模型的基础设施变得更强大。此外,百度智能云千帆大模型平台是围绕模型训练、模型生命周期管理的一套AI生产工具,也是面向企业的一套工具链平台。它可以方便企业应用该平台管理数据,管理训练过程,还可以通过平台去使用AI的基础算力,获得更多关于模型应用相关的服务。算力与百度智能云千帆大模型平台这两个部分形成了与企业客户合作的底座。同时,百度智能云也为企业提供大模型API调动服务,客户可以通过直接调用文心的API,将API集成到自己的业务流程当中,利用大模型的能力增强自身产品的竞争力,乃至可以利用上述的三种服务去做自己真正的AI原生应用。 刘川:刚才已经说到百度智能云从资源、从环境、从整个工具链层面已经提供了一个非常好的基础设施来支持大模型的运用,那么NVIDIA和百度智能云的合作是在做什么?我们知道,头部客户以及其场景模型是非常个性化的,模型所追求的也是极限效果,所以NVIDIA和百度智能云的合作就是一起把模型在刚才所述的资源上联合做极致优化。我们希望头部大模型不仅要在业务侧有真正意义的指标收益,更重要的是在整个端到端的pipeline落地之后,发现它创造的价值要远大于其成本。百度智能云和NVIDIA一直在创造这样的场景和机会,希望通过我们的联合深度优化,让整个企业模型训练和推理侧的效率提升,具有高性价比,对业务的促进产生强大推动力,进而在推动行业大模型落地过程中产生质变。Q大模型技术开始入局医药行业,两位认为大模型技术将会对药物研发起着怎样的帮助和作用?张玮:新药研发其实是一个高投入、高风险、长周期的行业。传统来看新药研发有着双十困境,一款新药的研发至少是十年的投入、十亿美元的投资,也被称作长跑候选的业务。随着AI,尤其是随着大模型浪潮的发展,可以看到面向新药研发环节中,大模型有非常多的用武之地。拆开整个药物研发环节可发现,AI技术已经遍地生根。如果大模型技术加持医药研发行业,那将会有更多基于大模型技术的行业模型涌现出来。目前蛋白质结构预测和分子的筛选已有相应大模型的应用,且随着大模型技术不断地加深采用,对整个医药行业起到的作用是毋庸置疑的。无论是原先的双十困境,或是对某一些关键环节、关键领域的优化均能起到重要的帮助。此外目前的大模型对于知识管理、领域知识的学习能力很强,与之前相比有很大的进步,它在面对复杂的know-how中,面对有众多行业知识、领域知识的生物医药行业中,能在各种各样的知识管理场景里创造价值。刘川:如张总所言,在药物研发分子筛选过程、早期的匹配过程、预测结构中都有大模型领域的用武之地,这中间需要一些跨界的联合,医药科学家、化学科学家往AI走一步,AI科学家向医药专家所处的领域跨一步,有效碰撞和融合。在这个领域中要大胆假设、小心求证。证明技术有效需要做很多基础工作,尤其在物理化学层面上,其底层是AI for Science的范畴。从上层的业务表现和底层的分子动力学、化学等领域入手,证明AI的新方法可以替代传统方式,打通从技术底座到商务变现的整个链条,做赛道上的创新。Q百度智能云与NVIDIA的合作如何助力大模型在药物研发上的应用落地?刘川:首先NVIDIA在大模型领域中有着通用能力,服务例如NVIDIA有NeMo Framework,它是大模型训练的一个框架,可以提高整个训练的算力利用率,承载了不同大模型的开源和各个赛道的基础能力。其次NVIDIA有一款面向生物制药领域的“服务”——BioNeMo,主要基于Transformer结构做蛋白质的预测和结构,包括性质预测、docking、embedding,这些可理解为是NVIDIA做的探索和验证。那么NVIDIA跟百度智能云怎么合作?我们是利用同样的技术栈,联合将客户场景应用于大模型去做验证,分析在哪些环节中大模型可以提供有效的帮助,让其研究或预测变得更快、更准。我们已经跟百度的一些头部客户合作,在行业中是头部玩家,这是开端;后续NVIDIA跟百度智能云一起将形成客户、云和AI技术联合在一起的长效合作机制,从一个点进行突破,产生收益,再从点到面,做出成果慢慢影响整个行业。把整个Pipeline的业务过程优化到最优,将瓶颈打通,我们一直用这样的方法论支持客户,包括跟百度智能云的深入合作,助力云上的客户业务效果最优。张玮:百度智能云本身可以提供几个层面的方案给到有不同需求和不同阶段的客户。上述已提到百度智能云本身有非常好的AI计算基础算力平台,面向有能力结合自己的数据、需要去做自研行业大模型训练的客户,我们会提供高性价比、高效率的算力服务。这种算力服务本身也会基于大模型训练的特点,从而赋予相应的优化;同时会针对行业模型自身应用场景的单体环节做优化,尤其是生物医药领域。在生物医药行业大模型里,数据闭环非常重要,它甚至可以被称为是行业大模型中最核心的竞争力之一;面对数据闭环在生物医药领域里的使用,尤其是干湿实验的数据闭环中,如何才能把闭环的效率提升到最佳?应该采用什么样的算力方案去帮助AI训练的行业模型实现更好的数据闭环?这是AI算力的基础服务本身要去替客户解决的问题,把这样的问题解决好,帮助行业模型快速落地,为新药研发提供更多的服务与支持,这是第一类。另一类是基于百度在生物计算领域当中的投入和研究而训练并持续发布出的系列行业大模型,如百度自主研发的生物计算大模型——Paddle Helix。它们能面向如蛋白质的结构预测、化合物的通用表征等类似于生物医药研发领域的各个场景;包括百度今年发布的mRNA序列设计工具等在内的系列算法侧工具,都能以SaaS服务的方式提供,帮助新药研发领域的客户研发及提升效率。结合以上两类场景,百度大胆开拓融合方案,通过将自身产品和能力的组合,尤其是结合大模型的组合,与NVIDIA在单个pipeline业务的环节上做端到端的优化,不仅助力单个企业,而是帮助整个行业提升效率。Q10月17日,百度智能云全面升级了“云智一体”战略,请张总为我们解读一下这个战略。张玮:10月17日,云智一体的战略内涵全面升级为“云智一体,深入产业,生态繁荣,AI普惠”。面向客户落地大模型的五类需求提供全站服务方案;人工智能与云计算的深度结合是企业快速落地AI原生应用的关键,这也是百度智能云始终倡导和践行的“云智一体”理念。目前,百度集团所有应用和服务全部基于”云智一体“技术架构运行在百度智能云上。此外,面向客户落地大模型的五类需求,百度智能云基于千帆大模型平台打造的“大模型超级工厂”分别给出了最佳服务方案。一直以来,云智一体的战略是百度智能云的核心战略,AI加上围绕AI应用和研发的算力底座,可称之为智能云。是百度面向千行百业提供技术方案、提供技术赋能的一个基础。从战略视角来看百度的智和云两者其实是相辅相成的,换而言之,云是为AI能力提供的基础,从云来看百度也是最懂AI训练、AI推理以及AI应用的算力基础设施。故而,我们希望通过云智一体不同方案的输出给予客户更多的帮助;在云智一体战略之下,针对云和智的深度融合生成不同方向的解决方案,并通过最佳组合及优化,把方案惠及各个行业。Q百度智能云目前在大模型助力药物研发上的布局与成果能分享一下吗?张玮:首先是文心大模型系列,以及基于行业场景的推出的行业大模型,且已在各个行业领域都有落地应用。百度不断加大研发投入,10月17日,百度世界大会上正式发布了文心系列EB4.0。围绕4.0的百度AI原生产品都已做了相应的升级,例如搜索、文库、网盘、地图等面向C端用户的产品均已实现AI原生的升级。从面向B端企业客户的角度来说,百度已助力了不同行业或领域的客户,尤其是在生物医药领域,已有头部企业基于百度智能云的解决方案做出自己的生物医药大模型,并已在新药研发当中开始投入使用。Q请刘总来总结一下NVIDIA在生命科学领域的先进技术和服务。刘川:从我们跟百度智能云的深入合作来看,我们有完整的支持体系。首先是最底层的加速库,例如cuBLAS、cuDNN等,也有针对大模型领域的 Transformer Engine和TensorRT-LLM这样的工具,这些SDK帮助客户加速推理。在训练侧我们有NeMo Framework的训练框架,帮助云上客户提升训练的效率。我们跟百度智能云在各个层面都有深入合作,在芯片层有合作加速训练与推理,在方案层跟千帆合作支持整个pipeline落地,在应用层面上述我们也提到NVIDIA有BioNeMo服务。BioNeMo基于Transformer、蛋白质的预测、性质预测、embedding、docking的端到端的服务,它包含了训练、推理、可视化的部分,NVIDIA希望通过这个服务能让更多行业的Player使用,放到云上以SaaS方式使用,让大家先感受到能力,或者帮助重度玩家重构技术栈。但目前,第一我认为最核心的是需求。NVIDIA和百度很早就开始探索生科领域,其核心就是要找到需求。10月17日在百度世界大会上,我们听到基于AI Native的能力来重构应用,重构带来新生产力与需求的碰撞,需要探索在新的生产力基础上,需求怎么与生产力结合?所以百度云用新的技术创造新的生产力,将新的生产力与业务需求结合创造价值,同时,也沉淀下来领先的基础架构,进而推动大模型应用的落地。第二是NVIDIA与百度智能云基于底座的大模型训练中的深度合作,在NeMo Framework框架之上可以训各种不同的模型,跟百度与千帆一起,为更重度的一些玩家提供特定的支持。第三是当模型出来之后需要业务落地、在商业环境验证,利用我们专业的加速技术,例如TensorRT-LLM、Transformer Engine等,帮助企业真正行业落地时,并把整个模型的效果做到比较高的吞吐。最后是高频词——三方合作,联合将头部客户的顶尖模型优化到极致,让这个模型成为赛道里面最好的SOTA(state-of-the-art)模型,这样此模型在行业落地时才会产生推动力,不仅模型效果好,业务pipeline效果也最好。这就是NVIDIA与百度一起追求的目标,多年以来我们共同策划、共同发展,现在我们已有一些头部客户在做,希望可以将合作做到极致,让每个垂直领域的头部都能合作起来,一起把模型优化到最佳。声明:本内容为作者独立观点,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 | 徐徐转载开白 | 马老师 18996384680(同微信)商务合作 | 王存星 19922864877(同微信) 阅读原文,是昨天最受欢迎的文章哦
近日,三位高中生引爆了医药圈,他们使用人工智能(AI)引擎进行靶点发现,确定了多形性胶质母细胞瘤(GBM)的新治疗靶点,多形性胶质母细胞瘤(GBM)是最具侵袭性和最常见的恶性脑肿瘤类型,占所有原发性脑肿瘤的16%。他们合作撰写的论文于4月26日发表在国际科学期刊《衰老》(aging)上,显示了人工智能系统辅助新药研发的广阔前景。人工智能(AI)技术正在从成本、效率等方面重塑制药行业。近年来,相关专家认为,AI制药将成国内医药产业弯道超车机遇,应以AI制药为切入点,对这一新兴领域加强前瞻性政策扶持,推动整个中国创新药行业的原始、自主创新,或许在制药领域,真正走向中国“智”造就在于人工智能技术的成熟应用。目前在制药领域,AI制药主要由三大类公司进行相互协作共同推进药品研发进程,IT技术公司、药物研发CRO公司以及大型药企。IT公司利用自身的互联网基础与平台优势赋能行业应用,大型药企则拥有药物研发的相关数据、成熟的研发管线以及资深的药物专家,在优势互补的情况下,目前已经可以看到AI制药的很多成熟案例。 (部分外资制药企业公开的AI制药合作汇总)我国AI制药起步较欧美起步稍晚,但发展迅速,更具数据、算法等优势,在刚刚结束的百度飞桨中国行(上海站)活动中,杭州立德百克生物医药总经理王紫壹博士讲述了他如何针对乳腺癌开展CDK4/6抑制剂的AI制药之路。根据世卫组织发布的数据,早在2020年,乳腺癌就在全球新发病例上超过肺癌,成为世界第一大癌症。我国则是全球乳腺癌发病人数最多的国家,每年新发病例数接近42万。而CDK4/6抑制剂是目前全球范围内治疗乳腺癌最为畅销的药物,用于治疗HR阳性/HER2阴性的乳腺癌患者。比如,恒瑞医药的达尔西利、美国辉瑞的哌柏西利和美国礼来的阿贝西利等三款药已在中国获批上市,其中阿贝西利还进入了国家医保目录。但CDK4/6抑制剂在给广大患者带来福音的同时,也存在着“瑕疵”,比如难以避免的产生了不同程度的耐药性以及临床副作用,而且同质化竞争异常激烈。这就要求独辟蹊径,开发全新机制的CDK4/6抑制剂乳腺癌药物。对此,王紫壹团队提出利用CDK4/6的激酶活性必须依赖于自身同CCND(细胞周期素D)形成复合物这一关键特性,开发出能阻断CDK4/6-CCND蛋白-蛋白相互作用的小分子化合物,同样能够使CDK4/6激酶失去活性,进而达到抑制乳腺癌细胞生长的目的。新药研发思路确定后,一个老大难问题再次浮现,即需要找到对应的目标分子。这一过程的快慢,在过去只能取决于运气。而王紫壹团队拒绝墨守成规,选择了一条新路径,采用百度飞桨螺旋桨生物计算平台提供的文心生物计算大模型能力来进行药物发现的工作,成效令他颇为惊艳,仅仅几个小时内,就在780万个化合物的虚拟筛选库中筛选出了110个打分较高的潜在候选分子。立德百克构建了特异性的检测方法对筛选出的化合物进行活性检测,从110个分子中采购了40个进行湿实验检测,最后发现有6个高潜力分子,其中3个化合物能同时打断CDK4/6-CCND蛋白-蛋白相互作用,还有3个化合物能打断CDK4-CCND蛋白-蛋白相互作用。目前,双方团队正对这些化合物做更进一步的研究,有望在不久的将来将这种新型抑制剂推向临床。据介绍,相比于现有CDK4/6抑制剂,新型药物属于机制创新的首创新药,具备更优的特异性,并在耐药性与潜在副作用上更有优势,这将为广大乳腺癌患者带来福音。得益于这些优势,新型药物有望打开可观的市场空间。 王紫壹博士介绍道,“百度拥有国内领先的AI+药物研发的技术能力,特别是文心生物计算大模型在国内是非常领先的,运用这些技术能力,飞桨螺旋桨帮助我们更高效的找到苗头化合物分子,这大大提升了我们药物发现的效率。”百度飞桨螺旋桨(PaddleHelix)是基于飞桨深度学习框架打造的“AI+生物”计算平台,提供文心大模型-生物计算大模型能力,已开放多个算法模型,覆盖小分子药物筛选、多肽/蛋白药物设计、mRNA疫苗/药物设计等技术,面向新药研发、疫苗设计、精准医疗等场景,为生物医药领域的创新药企、医药技术提供商、科研机构、生物科技公司等提供全面的算法工具和技术方案。目前在华东区域,已有不少企业采用飞桨螺旋桨平台开展了相关药品研发。除杭州立德百克联合百度飞桨螺旋桨开发乳腺癌创新药之外,索智生物也在多个领域与飞桨螺旋桨合作,其中ADMET性质预测大模型HelixADMET,已经整合到索智自身的AI药物发现平台(AIxMol®),并成功应用于其在研管线项目,有效地帮助索智提升合成测试湿实验成功率,进而提高整体研发效率,在短短的18个月中成功确定了3个PCC分子。数据显示,40-45%临床试验的失败归结于药物的高毒性和低类药性。如果能够在药物研发的早期就排除性质不佳的分子,就可以省下大量的时间和资金投入。因此,化合物的成药性预测(简称ADMET)对新药研发的成功至关重要。ADMET是药物代谢动力学所关注的化合物在体内的吸收、分布、代谢和排泄行为 (简称ADME) 与毒性 (Toxicity) 的合称,是衡量化合物成药性最重要的参考指标。针对该问题,业界已经提出了很多解决方案,比如admetSAR、ADMETlab、swissADME等,但这些方法训练所使用的数据集量级普遍较小,故在对未知骨架结构的化合物进行性质预测时效果较差,同时无法基于用户需求做指标拓展。未知骨架结构的化合物进行性质预测泛化能力较差,药物设计成本较高,可拓展性存在一定阻力。而飞桨螺旋桨的HelixADMET大模型可在60秒内计算1000个分子的ADMET相关指标。对比国内外多个知名的ADMET预测软件,在功能的完整度(预测52项指标)和指标上的精度上(超过其他对比平台4个百分点以上),都大大超过竞品。相应的研究已被收录在生物信息学领域的顶级期刊Bioinformatics上。可以预见,在生物制药领域,HelixADMET大模型可以应用于化合物优化/筛选阶段,辅助决策优先进入临床的化合物,规避后期的可能风险;还能指导学术/项目的研究计划制定,减少盲目实验的概率;同时模型可以用于验证新药/仿制药的成药性,评估新药/仿制药的风险,大大提高药效研究的效率,更快地评估和验证新药/仿制药的效果。此外,在5月2日,国际顶级学术期刊《Nature》正刊发表了百度与合作单位在生物计算领域的突破性成果 ——《Algorithm for Optimized mRNA Design Improves Stability and Immunogenicity》,提出 mRNA 序列优化算法 LinearDesign,百度赫然以第一完成单位署名该研究。以新冠病毒Spike蛋白为例,该算法能在短短11分钟之内找到最稳定的mRNA候选序列。实验数据证明,LinearDesign算法设计序列将有助于生物医药公司快速研发更有效的 mRNA 疫苗,缩短研发周期,降低研发成本。这一算法的有效性已经在新冠 mRNA 疫苗和带状疱疹 mRNA 疫苗两种疫苗中得到验证。与传统基准相比,百度的设计显著改善了体外 mRNA 半衰期和蛋白质表达,使体内抗体反应增强了高达128倍。结语人工智能最广泛应用领域或在药物研究,一项新药物的研发,研究人员常需要通过设计、合成和评估多种化合物来创造潜在新型药物,将具有发展前景的化合物精制为候选药物的过程常常既昂贵又耗时。假如将人工智能与药物研究相结合,不仅投入资本将大大减少,效率也会大幅度提高。但是,就目前而言,我们仍然面临发展中的瓶颈,AI制药未来是否能够快速发展应从体制上全面激发我国AI制药产业活力,在人才培养、监管审批、园区建设、数据管理多角度予以扶持,推动AI制药实现我国的创新药研发“革命”,最后让我们期待人工智能技术的“第四次科技革命”。
100 项与 Dongguan Wenxin Biotechnology Co., Ltd. 相关的药物交易
100 项与 Dongguan Wenxin Biotechnology Co., Ltd. 相关的转化医学