2021年醫藥行業競爭格局與新藥研發趨勢分析報告（18頁）.pdf

1、靶點發現: NLP+深度學習傳統靶點研究以直觀的方式定性推測生理活性物質結構與活性的關系，進而發現機體細胞.上藥物能夠發揮作用的靶點。藥物學家參考相關科研文獻和個人經驗去推測靶點，需用23 年的時間，而且發現靶點的可能性極低。AI通過自然語言處理技術(NLP)學習海量醫學文獻和相關數據，通過深度學習去發現藥物和疾病之間的作用關系，找到有效靶點，縮短靶點發現周期?；衔锖铣?機器學習+深度學習化合物合成主要通過分析小分子化合物的藥物特性，包括與靶點結合的能力、藥物動力學、藥物代謝學等等，挖掘藥物活性、藥效較好的化合物，然后按照特定路徑進行合成設計。在該環節，藥物學家和化學家會對數千萬種化合物依次

2、進行計算機模擬試驗，需要耗費幾年時間才能找到活性較好的化合物進行合成，成本通常在上百億美元。而Al利用其機器學習和深度學習的能力，模擬小分子化合物的藥物特性，能夠在數周內挑選出最佳的模擬化合物進行合成試驗，而且能夠將每個化合物的測試成本控制在0.01美分，大幅降低了化合物合成的成本?；衔锖Y選:深度學習+圖像識別每一種藥物作用的靶向蛋白和受體并不專-，如果作用于非靶向蛋白和受體就會引起副作用。對于尚未進入動物試驗和人體試驗階段的新藥，需要提前對其安全性和副作用進行檢測判斷，已篩選出安全性較高的藥物。目前，主要采用高通量篩選方式進行化合物篩選，在同-時間由機器人進行數以百萬計的試驗，其篩選成本達

3、數百億美元。而Al可以從兩方面切入化合物篩選場景，-是利用深度學習和計算能力開發虛擬篩選技術以取代高通量篩選，二是利用圖像識別技術優化高通量篩選過程。這樣，預計每年可以節約260 億美元的化合物篩選費用。晶型預測:深度學習+認知計算小分子晶型不同，藥物穩定性和溶解度就不同，因此，穩定的晶型結構關系到藥品質量，特別是對于已上市藥品，如果發生轉晶現象，將會給藥企帶來災難性的損失。而小分子存在多晶型現象，有的晶型穩定性強但溶解度差，有的晶型溶解度好但穩定性差。如果單純依賴人工去獲得穩定性強且溶解度好的晶型，不但需要耗費大量時間進行試驗嘗試，而且成功的可能性也極低。Al的出現，可以在很大程度上改善晶型預測效果，其依靠深度學習能力和認知計算能力，處理大量的臨床試驗數據，能在幾小時甚至幾分鐘內找到藥效最好的晶型。