- 综合排序
- 最热优先
- 最新优先
天然药物+临床样本+化合物库，三大找药物靶思路_MedChemExpress (MCE)
另一种路径是基于SwissSimilality的配体相似性比较，通过将槲皮素糖苷与筛选药物和生物活性使用2D分子指纹、超位置和快速非超位置等六种不同的方法进行预测潜在的3D相似性分子，发现其与同为PDE Section.02思路2：基于疾病临床样本——BACE1靶点的发现道理很简单，对比疾病人群的临床样本与正常对照，筛选出疾病发生发展过程中表达水平或功能发生显著改变的关键生物分子，如蛋白质、差异基因等。 Step1.样本处理：疾病模型的建立临床样本并不是拿过来就能直接用的！ 图2.CRISPR/Cas9高通量筛选流程[4]。 ，涵盖用于探索性研究和临床批准的靶向药物，以及临床上用于肉瘤患者治疗的一线和二线化疗药物[6]。
19510编辑于 2026-07-06- 来自专栏DrugOne
ACS Fall 2025 |12个最新公布的临床候选药物
在镰状细胞病小鼠与非人灵长类模型中，HbF 诱导效果优于临床常用的羟基脲。 展现出良好的溶解度、渗透性和强效的前临床疗效。 4、PF-07293893（Pfizer） Ph-1 | AMPK γ3 激活剂 面向心力衰竭治疗，通过片段基药物设计发现。 7、GS-1427（Gilead Sciences） Ph-2 | 口服 α4β7 整合素抑制剂 高选择性，避免 α4β1 相关副作用。 在炎症性肠病模型中疗效可比肩抗体药物。 10、TYRA-200（Tyra Biosciences） Ph-1 | 共价 FGFR2 抑制剂 克服现有 FGFR 抑制剂耐药突变。 在胆管癌及其他 FGFR2 突变驱动癌中实现显著肿瘤回缩。 总结 分子胶与蛋白降解 正在快速进入临床。 肽类与宏环分子 在放射配体和 PPI 靶向中展现潜力。 耐药克服与新型作用机制 成为焦点（如 FGFR2、WRN、PIP4K2C）。
43710编辑于 2025-09-02 - 来自专栏智药邦
Nat Chem Biol｜临床前药物发现中的机器学习
新药研发涉及多个复杂环节，包括靶点识别、化合物筛选、活性验证、作用机制阐明及临床前和临床试验等。传统的药物筛选方法，如高通量筛选（HTS），尽管可以大规模测试化合物库，但成本高昂且耗时。 据统计，从候选药物进入临床试验到最终上市的成功率仅为10%左右，大部分候选药物在临床试验阶段因缺乏疗效、毒性过高或不符合市场需求等原因而失败。 ML在药物研发中的应用 在这篇文章中，作者概述了各种机器学习方法在一系列疾病领域的小分子疗法临床前药物发现中的应用。 这些模型在抗菌药物的发现中取得了显著成果，如卤化霉素和阿巴霉素的发现。 第2步：MOA阐明 在确定了潜在药物后，需要详细阐明其作用机制（MOA）。 例如，AlphaFold（AF2）通过多序列比对（MSA）和深度学习技术，成功预测了多种蛋白质的三维结构。尽管AF2在某些复杂结构预测上仍存在局限性，但其准确性已足以支持基于结构的药物设计。
59110编辑于 2024-07-30 - 来自专栏智药邦
Nat Rev Drug Discov｜创新药物的临床开发时间
其中，有35种创新药物没有提供临床开发开始日期，10种药物没有提供IND申请的最初提交日期，25种药物的最初临床开发发生在美国以外，没有提供首次人体试验日期。 临床开发时间最短的两种药物都是小分子药物，这两种药物是osimertinib (奥希替尼，一种非小细胞肺癌治疗药物) 和elexacaftor (一种囊性纤维化治疗药物)。 治疗类别的趋势 按治疗类别分组的近期创新药物的临床开发时间显示了一些有趣的差异 (图2a)。最近的抗病毒产品的开发时间比其他产品类别短。其他的类别之间差异比较小。 图2 - 创新药物的临床开发时间与治疗类别和分子类型的关系。 近年来，创新药物的临床开发时间保持稳定。大多数产品在临床开发中花了十年的时间，而其他产品则需要更长的时间。然而，美国FDA的加速开发计划显然缩短了从进入临床试验到药物批准的路径。
61910编辑于 2022-06-08 - 来自专栏智药邦
Drug Discov Today｜AI：药物临床开发管理的必备工具
for managing the burgeoning complexity of clinical development in pharmaceutical R&D，文章探讨了人工智能如何成为管理药物研发中临床开发复杂性增长的关键工具 生物医学领域的深刻进步为药物研发创造了大量机遇。如今，研发人员肩负着在日益增多的治疗靶点、治疗方式和测量技术中筛选出有效方案的重任，以期将变革性药物带给患者。 临床开发的复杂性挑战 药物研发者面临的最棘手挑战（同时也是最重要的机遇）是如何应对药物开发各阶段日益增长的复杂性。这些挑战正是生物医学取得非凡成就和加速发展的直接结果。 基因组测序技术结合数十年生物分子科学研究，催生了大量潜在药物靶点及其组合，以及包括传统小分子药物、生物制剂、核酸疗法、细胞与基因疗法，以及双靶点CAR-T细胞疗法、双/三特异性抗体和抗体药物偶联物等创新疗法在内的多种治疗方式 临床试验设计：从适应症选择到终点指标确定，从入排标准制定到合格患者筛选，临床试验设计涉及药物开发中的关键决策。
57610编辑于 2025-02-25 - 来自专栏DrugOne
为什么90%的临床药物开发会失败,如何改进?
（1）选择可达到足够的临床疗效的最佳先导候选药物。在临床前和临床研究中已经投入了巨大的精力来提高药物疗效。（2）最大限度减少药物的临床毒性。但是目前还没有完善的策略来优化候选药物，以减少潜在的毒性。 （2）如何提高临床药物开发的成功率？ 3 药物研发中被忽视的因素导致高失败率 在过去几十年，尽管药物研发过程中使用了很多策略，但是的确忽视了一些因素。 （2）药物优化过程忽略疾病靶标组织与健康组织的药物暴露量/选择性的平衡 在临床药物开发中，需要平衡药物的临床剂量、疗效和毒性之间微妙关系，以优化患者的受益和风险。 四类候选药物(I-IV类)需要不同的策略来选择先导药物，优化临床剂量，平衡临床疗效/毒性。STAR的成功应用将提高四类不同候选药物的药物优化和临床研究效率，提高临床药物开发的成功率(如图2)。 图 2. STAR系统选择最佳临床候选药物，平衡临床剂量/疗效/毒性，以改进药物优化过程，从而提高临床药物研发的成功率。
1.3K20编辑于 2022-11-28 - 来自专栏智药邦
Front Pharmacol｜DDIT：药物-疾病之间多种临床表型关联预测工具
合并这些药物-疾病相关性（DDA）的不同临床表型可以提高DDA的预测准确性。 ：（1）包括在已知药物适应症中的疾病和（2）由两种不同类型的临床表型共享的疾病。 图2是DDIT与基于药物的KNN、基于疾病的KNN，随机森林分类器和XGBoost相比的ROC和PR曲线。 （C，F）比较DDIT与基于药物的KNN、基于疾病的KNN，随机森林和XGBoost的ROC和PR曲线，以预测已知药物的新禁忌症。 图2. 总结 DDIT可帮助研究人员探索DDA的潜在临床表型，基于不同数据集与各自临床表型的整合，同时预测DDA的多种表型，以对患者进行药物筛选。DDIT使用药物作为可见单位，并为每种疾病建立RBM。
1.4K20编辑于 2022-11-16 - 来自专栏智药邦
进入临床试验的AI设计的药物 汇总V1.0
越来越多的AI初创企业和制药公司使用AI来发现药物，那么目前都有哪些AI设计的药物进入了临床试验？ 本文对该方面公开可获取的信息进行整理。 ---- Cotinga Pharmaceuticals： COTI-2 ? ---- Evaxion Biotech： EVX-01、EVX-02 ?
91020发布于 2021-06-07 - 来自专栏智药邦
Drug Discov Today｜MD安德森癌症中心：利用AI增强临床前药物发现
可以在整个药物发现和开发过程中应用人工智能技术（图1a）。有证据表明，临床疗效不佳是临床II期研究损耗的首要原因，强调靶点选择仍然是药物发现中最关键的决策之一。 以新疗法的形式将临床前发现转化为临床实践是临床开发中的最大挑战之一，而且临床候选药物往往在翻译过程中丢失。 一般来说，AI是一个总称，被认为是ML的超集，ML本身就是DL的超集（图2a）。表1总结了AI算法及其在临床前药物发现中的应用。 图 2 （a）人工智能的架构。 由于这些原因，它们被广泛用于临床前药物发现。并已成功用于预测生物活性、ADMET终点和理化特性，并具有更高的准确性。ML 算法大致分为监督、无监督和强化学习 （RL）（图 2b）。 临床前数据依赖于使用代理测量，例如细胞靶点参与作为人类体内靶标占用的预测因子，患者来源的异种移植物（PDX）小鼠肿瘤模型作为肿瘤学项目中临床疗效的代理，人HepG2细胞作为遗传毒性的替代物，以及Caco
1.1K21编辑于 2021-12-08 - 来自专栏DrugOne
. | 利用多向交互作用系统预测临床前药物组合效应
这项研究中，研究团队提出一个新的机器学习框架comboFM, 它可以精确地预测不同抗癌药物的组合在临床前研究中对特定癌细胞的反应，从而为系统地预筛选药物组合提供有效的手段。 ? 图 1 药物对、细胞系以及剂量-反应矩阵的五阶张量表示 comboFM模型在学习的过程中将高阶张量X展开成一个二维数组（如图2），其中每行xi代表原始张量X中的一个条目，除了张量结构中包含的药物对，细胞系 图 2 高阶张量展开的二维特征矩阵表示 2.2 协同量化(Synergy quantification) 研究团队根据预测的剂量-反应矩阵来量化药物组合的协同作用。 这些实例显示了comboFM识别靶向和细胞毒性治疗的新药物组合的潜力，而这些药物已经单独用作淋巴瘤治疗，因此可能在临床应用中具有可接受的毒性特征。 这将最终加速联合疗法的临床应用，以对抗获得性耐药并提高治疗效果。
1.7K30发布于 2021-02-01 - 来自专栏生物医药
PharmaFormer 通过患者来源的类器官指导的迁移学习预测临床药物反应
阶段2：我们使用一小部分肿瘤特异性类器官药物反应数据微调这个预训练模型，应用L2正则化等技术来充分优化模型参数，生成最终的类器官微调模型。 所有药物在所有可用肿瘤类型中的详细性能指标均在补充数据2中提供。 这些发现表明，迁移学习可以有效地将2D细胞系数据与3D类器官模型相结合，提高临床药物反应预测的准确性。 此外，PharmaFormer生成的风险分层系数显著高于所有其他模型（图4C、D和补充图2C）。这突显了其在预测一线化疗和多靶点药物对不同肿瘤来源的临床结果方面的强大能力。 然而，PharmaFormer提供了独特的优势：（1）与单细胞测序相比，批量RNA测序在常规临床使用中显著更经济、更易于获得；（2）延长开发周期可以积累更多批量测序数据以构建更大的模型；（3）基于单细胞测序的药物敏感性预测通常依赖于知识图谱等间接推理方法
45310编辑于 2026-05-23 - 来自专栏作图丫
【高分新文】Cancer Cell|肿瘤细胞系中临床相关蛋白的药物响应特征
为了填补这一空白，该工作使用反相蛋白阵列（RPPAs）生成并编辑了一个大的肿瘤细胞系对多种临床相关药物响应的的扰动蛋白表达谱。 最近的研究已经证明了基于RPPA的适应性反应在组合疗法的合理设计中的价值，其中一些应用于临床对患者有益。 数据介绍 1. CCLE的质谱定量数据，即蛋白质表达 2. 由于时间和成本的限制和不同药物的临床相关性，该工作不是分析在所有细胞系和药物组合上的所有可能的扰动，而是采用了一种更加实际的方法，一些细胞系和药物组之前分析的频率比较高，但对依旧对其进行更广泛的药物扰动分析 然后使用CTRPv2的MCF7的药物敏感性中值对各药物组进行排序，发现MCF7对8个药物组中的2个明显更敏感（图3A）。使用另一个大规模药物敏感性数据资源GDSC2证实了同样的模式。 最后识别到 9类药物的150种药物组合（图7B）。发现>50%识别的药物组合有在文献报道或临床研究。 然后，集中于selumetinib + MK-2206这组药物组合进行CTRPv2敏感性验证分析。
1.5K20编辑于 2022-03-29 - 来自专栏智药邦
辉瑞｜用10年时间，将药物临床成功率从2%提升到21%的经验和教训
2010年，辉瑞的药物临床成功率下降到2%（下降幅度超过了许多同行）。 也是从那时起，辉瑞开始专注于扭转局面，从多个方面着手，努力改善研发生产率。 这些努力为包括 COVID-19疫苗在内的项目的有效和快速推进奠定了坚实的基础，并使辉瑞端到端临床成功率在过去10年中从2%增加到21%，增加了10倍。 辉瑞提高研发生产率的旅程 临床成功率是药物研发生产率的关键驱动因素。 过去10年的前5年，辉瑞的临床成功率一直落后于行业基准。在2010 年，其端到端的成功率仅为2%，不到同年行业基准5%的一半。 最近的一项内部分析证实，3个Pillar指标积极的项目（证明了所有3个Pillar，或Pillar 1和3，或Pillar 2和3）更有可能在临床疗效研究中取得成功。
1.3K20编辑于 2021-12-28 - 来自专栏DrugOne
全球首款间充质基质细胞药物获FDA批准开展临床试验
天士力医药集团股份有限公司开发的全球首款异体脂肪间充质基质细胞（AD-MSCs）治疗急性缺血性脑卒中的药物（NR-20201），于2024年10月26日获得美国食品药品监督管理局（FDA）临床试验批准。 据悉，该公司在研发NR-20201的过程中，利用人工智能解析单细胞转录组学、分析细胞生命轨迹与命运结局[1,2]，确认天士力标准制备工艺生产的AD-MSCs为间充质基质细胞而非间充质干细胞。 因此成为全球首款间充质基质细胞药物产品。 heterogeneity of cultured ADSCs corresponds to embolic risk in the host. iScience, 2022. 25(8): p. 104822. 2. STAR Protocols, 2023. 4(2): p. 102268.
25410编辑于 2024-11-23 - 来自专栏人工智能
人工智能辅助药物研发的现状与未来：从算法到临床的跨越
人工智能辅助药物研发的现状与未来：从算法到临床的跨越现状：AI 制药的“七年之痒”1.1 管线数据：临床前繁花似锦，临床后寥寥无几维度数据（截至 2025 Q1）全球 AI-First 药物管线≈ 230 条进入临床 I 期51 条进入临床 III 期2 条（EG-007、REC-994）已获批上市0 条区域格局：美国仍占 70 % 以上；中国 14 条管线进入 I 期，仅 3 条进入 II 期 。 RADR（Lantern Pharma）、Recursion Map4将已终止 MEK 抑制剂重新匹配到 AXIN1 突变肿瘤，2 期临床进行中 1.3 尚未跨越的鸿沟可解释性：监管机构要求“黑盒”模型给出生物学解释 De-novo Ligand Generation” 的最小可运行版本，展示如何把 AI 模型用于真实药物设计流程。 结论：从“AI 设计”到“AI 成功”人工智能辅助药物研发正处在跨越鸿沟的关键期。
83710编辑于 2025-07-26 AI驱动的多肽药物设计：从预测建模到生成式AI与临床转化
DOI: 10.59717/j.xinn-drugdisc.2026.100009 一、引言：多肽药物的独特治疗定位 多肽在化学本质上定义为2至50个氨基酸残基构成的链状分子，在治疗学上占据着小分子药物与大分子生物制剂之间的独特生态位 二、多肽药物的药代动力学瓶颈 尽管治疗潜力巨大，多肽的临床转化长期受制于以下系统性药代动力学障碍： 2.1 快速酶解降解 多肽进入血液循环后，迅速被DPP-IV等蛋白酶识别并降解，导致活性半衰期极短（有时仅数分钟 多肽候选药物临床失败的主要驱动因素是ADMET性质缺陷。 8.3 化学词汇表的扩展 未来生成框架必须将非经典氨基酸和多样化化学修饰纳入生成过程，使AI模型能够直接优化内在稳定性和生物利用度，从根本上弥合计算命中物与临床候选药物之间的鸿沟。 九、核心结论 维度 核心观点 范式转变 多肽药物发现正从随机筛选转向由AI与物理原理共同驱动的理性从头设计 最优架构 AI驱动生成 + 物理验证精修的闭环协同，而非任一方法的单独应用 临床差距 体外计算优化与体内疗效之间的系统偏差是当前最关键的转化障碍
55310编辑于 2026-06-24- 来自专栏智药邦
Drug Discov Today｜用生物医学知识图谱阐释药物的临床结果路径
2022年2月16日，美国北卡罗来纳大学Eshelman药学院的Alexander Tropshab等人在Drug Discov Today杂志发表文章，提出了临床结果路径 (COP) 的概念，将其定义为有关药物分子治疗效果的一系列关键的分子和细胞事件 为了解释这些观察结果，有人假设法莫替丁（Pepcid的活性药物成分）可能改善COVID-19的临床结果，因为它是组胺能H2受体的拮抗剂。 这个案例的COP是：(MIE：法莫替丁→组胺能H2受体拮抗剂）→（中间事件：抑制肥大细胞活化→细胞因子水平降低）→（临床结果：COVID-19相关死亡率下降）。 图2 以FDA批准的药物法莫替丁为例，不同的COP最终导致两个似是而非的临床结果 上面的路径对应于法莫替丁的批准适应症，即胃食管反流病（GERD）；下面的路径对应于最近提出的假设，以解释法莫替丁减少冠状病毒 对生物医学知识图谱的挖掘可以帮助药物发现和再利用工作，如最近广为人知的使用商业知识图谱来确定巴立替尼作为COVID-19的再利用候选药物，以及发现对SARS-CoV-2有协同和拮抗作用的药物组合。
1.2K10编辑于 2022-04-13 - 来自专栏DrugOne
BenevolentAI | 基于知识图谱发现的COVID-19潜在治疗药物进入临床试验
BenevolentAI借助生物医学知识图谱确定了一种可能的药物“ Baricitinib”，可以抑制COVID-19感染并减少炎症损伤，目前已用于感染患者的临床试验。 ? BenevolentAI宣布，之前被确认为COVID-19的潜在治疗药物Baricitinib将进入临床测试，以治疗这种疾病。 ? 他们不仅关注可能直接影响该病毒的药物，还探索了抑制病毒感染人类细胞过程的方法。他们确定baricitinib是具有抗病毒和抗细胞因子特性的潜在药物，并于2月初发表了研究结果。 2月，面对日益严峻的全球健康危机，BenevolentAI成立了一个专业的科学团队，并使用其药物发现平台开展了一项研究，以鉴定可能阻止COVID-19进程，抑制细胞因子风暴并减少COVID-19进程的已批准药物 该药物进入临床试验的速度反映了全球大流行的紧迫性以及AI和先进技术在促进发现治疗及其对患者的潜在影响方面的重要性。
84450发布于 2021-02-01 - 来自专栏智药邦
Drug Discov Today｜AI发现的药物在临床试验中的成功率如何？
人工智能技术正在进入药物发现领域。因此，越来越多的药物和疫苗利用人工智能来发现。然而，这些分子能否在临床试验中取得成功仍然是个问题。 也许最重要的问题是人工智能发现的分子的质量，特别是它们在临床试验中的安全性和有效性。为了开始回答其中的一些问题，我们对全行业人工智能发现的药物和疫苗管线进行了首次分析，特别关注临床成功率。 图 2. 迄今为止人工智能发现的分子在临床试验中取得的成功。分析包括与制药公司合作的分子，不包括与COVID-19相关的分子。(a) 按临床阶段划分的人工智能发现分子的临床成功率。 然而，当我们更仔细地研究人工智能发现的分子的II期临床数据时，我们会发现一个更微妙的情况：在II期临床后停止或中止的六个候选药物中，只有两个是由于负面结果数据造成的，其他四个候选药物则是由于业务重点转移 这些技术有助于缩小分子设计与临床疗效之间的差距，并进一步提高临床试验成功率，使其超过历史平均水平。归根结底，人工智能在药物研发中的应用前景是为患者提供更快、更好、更便宜的创新药物。
73610编辑于 2024-05-29 SCI CHINA INFORM SCI | AI 驱动药物研发的范式革新：从技术突破到临床转化
一、药物研发的困局与AI的破局之道 传统药物研发的"四阶段困境"已成为行业共识：靶标发现的盲目性、筛选过程的低效性、临床试验的高失败率、上市后监测的滞后性。 这些方法整合了药物理化性质、多组学数据等，通过不同的深度学习模型提高药物敏感性预测的准确性，为个性化治疗提供依据。 2. 这些方法通过分析药物组合的协同效应，旨在提高组合疗法的疗效、降低耐药性和副作用，为临床药物组合选择提供参考。 3. 该表总结了药物分子生成的各类方法，按分子表示维度（1D、2D、3D）分类。 数据质量瓶颈：多中心临床数据的异质性（如不同测序平台的批次效应）导致模型泛化性下降，需建立跨机构的数据标准化框架 2.
1K10编辑于 2026-01-08
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号