NEK7靶点：生物医药的下一个价值蓝海

NIMA相关激酶7（NIMA-relatedkinase7,NEK7）曾被视为细胞周期调控的"配角"，如今却成为炎症性疾病和肿瘤治疗领域最受瞩目的新兴靶点之一。 一、NEK7的生物学本质：超越有丝分裂的双重身份1.1结构特征与基础功能NEK7是NEK（NeverinMitosisA）家族中最小的丝氨酸/苏氨酸蛋白激酶（分子量约35kDa），与NEK6具有85%的结构同源性 这一发现将NEK7从细胞周期调控因子重新定义为先天免疫炎症通路的核心枢纽，开启了靶向NEK7治疗慢性炎症性疾病和炎症驱动型肿瘤的全新范式。 作为NEK7选择性分子胶水降解剂，MRT-8102招募E3泛素连接酶cereblon，诱导NEK7泛素化及蛋白酶体降解。 这一发现提示：1.NEK7存在可成药的半胱氨酸口袋；2.已有临床安全性数据的药物可通过重定位（repurposing）快速进入NEK7相关适应症开发。

deepfig生物医药：加速科研创新

科学家使用深度学习研制生物医药

美国伊利诺伊大学香槟分校与加利福尼亚大学洛杉矶分校合作开发了一款新的用于医学研究的机器学习系统。 目前约有1100种已知的可以穿透微生物膜的具有不同序列的抗菌肽（AMP）。为了帮助发现天然抗菌肽序列的“蓝图”，来自美国伊利诺伊大学香槟分校和加州大学洛杉矶分校的研究人员合作开发了一款新型机器学习系统，该系统可基于抗菌肽的物理化学性质发现并设计α-螺旋膜活性肽。 研究人员称，他们在研究中训练了机器学习分类器（支持向量机）识别膜的活性，并通过多肽合成和表征校准识别指标。研究人员使用机器学习方法不仅发现了新的膜活性

生物医药领域-分子对接SOTA模型洞察

该洞察介绍了分子对接的作用过程、应用场景、分类，简要总结了现有分子对接软件的核心内容及评估指标。此外，调研了近两年发表的3种SOTA模型（KarmaDock、DiffBindFR、RosettaVS），对其具体细节、性能精度、应用领域等进行了分析说明，并总结了几点对未来工作的启示。

艾伯维和Cerebras合作加速人工智能生物医药研究

2022年5月5日，AI计算领域的先驱Cerebras Systems和艾伯维 (AbbVie) 宣布，艾伯维的人工智能工作取得了里程碑式的成就。在生物医学自然语言处理 (NLP) 模型上使用Cerebras CS-2，艾伯维实现了超过图形处理单元 (GPU) 128倍的性能，而能耗只有1/3。

AI制药迈入临床，生物医药产业应有怎样的期待？

▎药明康德内容团队编辑 近年来，人工智能（AI）是生物医药产业关注的热点。许多产业资深人士期待利用人工智能和机器学习等技术，能加速药物开发的流程，提高产业的研发产率。 对于这些在研疗法，生物医药产业应有怎样的期待？今日，业内知名媒体Endpoints发表了一篇深度报告，指出产业不宜过度乐观，也不用妄自菲薄。 也几乎在同一时期，生物医药领域开始拥抱人工智能技术：2012年到2014年期间，多家专攻人工智能的生物技术公司先后宣告成立。 在大量资金的涌入下，这些公司也有着长足的发展。 她说在过去，生物医药产业曾有不少类似的例子：人们曾夸下海口，却最终遭遇失败，导致整个领域的停滞。 人工智能的未来 大部分生物医药产业的人都相信，我们正处于一个转变期的开端。只是这个转变的幅度能有多大，目前还没有一个明确答案。

实验记录安全共享：生物医药科研协作的智能引擎

这一对比揭示了生物医药领域实验记录分享的核心矛盾：既要确保数据安全与合规，又要实现多团队无缝协作。 智能水平（Intelligence） 生物医药大模型的赋能场景： 智能摘要生成：自动提炼实验核心结论（节省科研人员70%报告时间） 矛盾数据预警：识别非常规结果（如：突变率异常飙升）并提示复核 研发决策链优化： 共享数据池 > AI预测活性 > 毒性模拟 > 专利壁垒扫描 > 研发路径生成 案例：英矽智能通过共享平台复用肺癌药物失败数据，节省研发成本2000万 四、未来图景：共享生态如何重塑生物医药创新 附：生物医药实验记录智能共享流程图

药物研发新助手，AI助力探索生物医药的无限前沿！

为了更好地应对这些挑战，我们激动地向您介绍一项令人振奋的技术创新——药物研发的全新伙伴、AI助手SciMind，一个为生物医药领域而生的多模态混合专家系统大模型。 也不能有效处理生物医药文档中的表格、化学分子和生物序列等信息。 Markush结构分析：自动解析化学和生物医药领域专利中的Markush结构，并评估其专利保护范围。 药物靶标发现：实现疾病、靶标和药物的综合检索，支持靶标的新发现和验证。 应用场景： 小分子文献的结构与活性数据识别： 在生物医药领域，小分子化合物的研究不仅需要对其结构进行深入分析，还需要了解其生物活性、毒性等关键数据。 您只需填写申请，即可获首个周期（7天）的试用机会。试用满意后，若您希望持续使用SciMind，我们将需要您为试用期的付费服务支付0.88元，这既是对我们服务的认可，也是对您未来研究旅程的支持。

我用SciMaster回答了生物医药领域100个重要的问题

DRUGAI 昨天，我做了一件有点“疯狂”的事：我尝试同时研究生物医药领域100个非常关键的问题。 这些问题来自真实世界的研发痛点，比如： 下一代减肥药最值得关注的靶点是哪个？ 它们覆盖了几乎整个现代生物医药研发的图谱： 代谢病 / 中枢神经 / 肿瘤 / 自免 / 心肾疾病 罕见病与感染 / 生殖健康 / 呼吸消化 / 病毒疫苗 以及一整套“跨平台成药技术”的问题：PROTAC 1b9805eab1514e3e99157416bc6cc40e CATSPER 通道可能为男性避孕提供突破口，但需规避SOCE通道的非特异性抑制； https://scimaster.bohrium.com/chat/share/7ebcdd065ed348428d2b68b2a466de80 https://scimaster.bohrium.com/chat/share/7eff9a024d4245e9a434570841f3ff23 所有的答案都附有公开链接，我整理成了一个可浏览合集： https://notebooklm.google.com/notebook/af7d1329-a16c-4258-9ce9-1ab24fbf06ef 视频截图 视频截图 思维导图概览 也欢迎你一起来用

生物医药蛋白分子数据采集：支撑大模型训练的技术实践分享

本文结合生物医药数据特点，分享如何构建支撑AI模型训练的高质量生物分子数据集，从基础采集到反爬优化的完整技术实现路径。 对高频请求触发Google Recaptcha ● 请求指纹识别：STRING要求必须使用浏览器User-Agent ● 动态渲染内容：RCSB PDB的结构数据需执行JavaScript加载1.2 生物医药数据特性 Windows NT 10.0; Win64; x64) AppleWebKit/537.36", "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_7) 5.0 (X11; Linux x86_64) AppleWebKit/537.36", "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_7)

大模型驱动的生物医药市场研究｜Scientist.com推出研究助手Elisa

2024年6月19日，全球领先的生物制药市场研究平台Scientist.com宣布推出一款新的大型语言模型(LLM)驱动的研究助手Elisa，Elisa的命名是为了向一种广泛使用的研究测定法和20世纪60年代早期的聊天机器人ELIZA致敬。

以生物医药为引擎，AI大赛能否促产业振兴开新局？

创客赛道的赛题则聚焦生物医药研发的前沿领域，面向虚拟筛选场景，推动大数据、人工智能等技术与生物医药行业融合。 站在长期收益层面来看，创客赛道中的高等院校和科研单位若是原本的研究课题与之相关，这也是个很好的机会去延伸课题价值，并扩大其在生物医药界的影响力。

【论文解读】KDD20 | 图神经网络在生物医药领域的应用

最近，越来越多的研究开始将深度学习方法应用到图数据领域。图神经网络在数据具有明确关系的结构场景，如物理系统，分子结构和知识图谱中有着广泛的研究价值和应用前景，本文将介绍在KDD 2020上发表的两个在这一场景下的最新工作。

. | 生物医药文献中化学信息的自动提取系统

点评 不用chemdraw画分子，截图即刻识别；支持复杂天然产物的识别；可抵抗低分辨率、扭曲变形、无关字符、彩色背景等干扰；支持pdf批量自动定位自动识别 近年来，人工智能（AI）技术在从生物医药数据库中学习知识方面已经取得了巨大进展 然而，还有大量的生物医药知识并没有以结构化的数据形式存储在数据库中，而是隐藏在原始的科学文献中。因此，直接从生物医药文献中挖掘和学习知识是未来人工智能的一个重要应用场景。 在生物医药文献中，化学结构信息主要通过软件或手工绘制的图像进行交流。与文本内容不同，此类图像内容的读取与检索非常困难。 凭借着高的识别精度和处理速度，αExtractor有望助力于生物医药文献的自动化挖掘和数据驱动的分子设计。

生物医药的下一轮跃迁：AI制药发展的8大核心趋势！

过去几年，AI在生物医药领域的作用持续深化，应用范围已从小分子筛选、结构预测、抗体和蛋白设计、RNA药物与疫苗研发、自动化实验等，延伸至临床研究、CMC和药企数智化等关键环节。 2 从“单模态建模”到“多模态、多尺度表示”，AI正在重组生物医药数据底座 药物研发中的数据从来都不是单一形态的。 7 从模型输出到干湿闭环，AI制药竞争转向系统化迭代能力 AI制药早已不是只看“有没有实验验证”的阶段。过去几年，行业已经越来越重视湿实验结果、真实项目案例和管线进展。 “知识群”（巨蓉，Springer Nature） 这进一步说明，AI生物医药医药早已不只是“AI+药物发现”，而正在逐步演变为覆盖医药企业全链条的系统工程。 9 总结和展望 本文不是一份普通的会议日程介绍，而是一张AI生物医药产业变化的观察图。

图神经网络在生物医药领域的12项研究综述，附资源下载

论文地址：https://www.nature.com/articles/s41598-020-80113-7?

从AlphaFold到Anthropic：John Jumper离职背后的AI生物医药产业化转折

对于AI+生物医药领域的从业者而言，Jumper的离职不应被简单视为一次人才流动的新闻事件。 它标志着一个更深层的转折：AI驱动生物医药产业化的范式正在发生根本性位移——从“证明概念”的学术探索阶段，全面进入“工程化落地”与“商业价值兑现”的产业竞争阶段。 Jumper的成功证明了在AI生物医药领域，深刻理解生物学问题比纯粹的算法创新更具决定性。他的跳槽，是对“跨学科科学家”价值的市场确认。 4、AI生物医药进入“军备竞赛”阶段。 Jumper的流动，预示着AI生物医药领域正式进入巨头“军备竞赛”阶段。 结语：一个时代的结束，另一个时代的开始 John Jumper的离职，也许可以看作是是AI生物医药领域从“科学探索”走向“产业落地”的分水岭。

首个千亿生物医药ChatGPT来了！清华AIR聂再清：这个行业未来的“Killer APP”

就在这两天，首个生物医药的千亿参数大模型产品ChatDD发布，不仅制药各阶段知识“样样通”，还能和药学专家进行对话，瞬间秒懂一些行业神秘“黑话”。 总结来看，ChatDD虽然用法上像ChatGPT，但在生物医药这块是“专业的”。 BioMedGPT主要用于科研领域，更擅长英文生物医药科研任务，适合直接拿来作为生物医药领域的相关科研任务的基础模型。 数据上，目前生物医药领域内各模态和自然语言对齐的数据还很少。 对于ChatDD最终形态的设想，聂再清表示： 它会成为一个各模态（大小分子、蛋白质结构、DNA、单细胞等）和自然语言全部对齐的生物医药基础大模型产品。

行业转型|生物医药供应链数字化部署，供应链协同能力再升级

近年来，随着国内生物医药行业的不断扩张及竞争日益激烈，如何借助数字化打造生物医药企业核心竞争力，已成为当前生物医药企业不得不思考的重要问题。 生物医药行业总体运行情况及趋势展望（一）生物医药行业发展现状全球生物医药市场蓬勃发展。 Evaluate Pharma数据显示，2012年以来每年至少有7款生物药位列全球最畅销药物TOP10，2020年全球药物销售额TOP100中生物药有48款，销售额占比达54%。 我国生物医药产业保持较快增长。 随着医药审批、采购及保护制度的完善以及金融支持的加强，生物医药市场将迎来新发展机遇。（二）生物医药行业发展趋势生物医药将保持中长期高景气发展趋势。

Drug Discov Today｜罗氏阿斯利康：通过FAIR+Q最大化生物医药数据价值

20日，来自皮斯托亚联盟、罗氏、阿斯利康的专家在Drug Discov Today杂志发表文章，介绍了 FAIR 方法的应用案例，以及如何将 FAIR 方法与数据质量评估方法一起部署，来最大限度地发挥生物医药数据的价值 相比之下，DQ 评估方法数量最多的是：元素存在 (25)、有效性检查 (11)、一致性检查 (11) 和分布比较 (7)。这是 DQA 应用到 PCORnet 的另一个具体示例。 采用统一战略，在整个研究、开发、诊断和制造价值链中实施数据管理，将使生物医药受益。基于云的数据网状平台(而不是数据单体)也开始在受监管的金融领域强势崛起。