- 综合排序
- 最热优先
- 最新优先
- 来自专栏大数据文摘
药物研发中的大数据
大数据具有这样的潜能，即以三种至关重要的方式促进药物研发的效率。 1. 大数据帮助公司理解研究形势 如今，科研工作的主要分享来源于其他公司和科研机构。 大数据也能帮助制药者解密一种疾病的生物衍生物或者一种药物的作用原理 这也许包括识别一种靶定的代谢途径，或者理解一种疗法的可能影响。 举个例子，治疗慢性病药的真正好处比如他汀类用了多年时间才得以显现。 最后，大数据可以用来正确匹配药物和患者人群 数据挖掘和机器学习使得公司去识别哪些人群 对于某些特定的药物反应最强烈，通过变量组合比如性别，种族，病史或更多。 通过分析一种药物的疗效以及在哪种病人身上疗效最优，公司能够识别额外的干预措施-包括其他治疗和药物递送机制-也许会被用来提高产品功效。
1.2K80发布于 2018-05-21 - 来自专栏Python项目实战
量子计算如何颠覆药物研发？
量子计算如何颠覆药物研发？在制药领域，新药的研发往往需要耗费十年以上时间，并投入数十亿美元。而在这个过程中，分子模拟、蛋白质折叠预测、化合物筛选等环节对计算能力的要求极高。 量子计算凭借其强大的并行计算能力，为药物研发提供了全新的视角。1. 传统计算的瓶颈目前，新药开发的关键步骤包括：靶点发现：确定疾病相关蛋白或分子。分子模拟：分析药物分子如何与靶点相互作用。 对于药物研发，量子计算的主要优势体现在以下方面：(1) 分子模拟化学分子的行为遵循量子力学定律，因此使用量子计算来模拟它们比经典计算更自然。 未来应用场景(1) AI + 量子计算，增强药物设计量子计算和人工智能的结合将进一步提高药物研发效率。例如，AI 可以用于分析药物分子的物理化学性质，而量子计算可以提供更精确的量子化学模拟。 算法优化：适用于药物研发的量子算法仍需改进。商业化落地：量子计算的实际应用仍需与制药企业深入结合。随着科技的进步，量子计算有望在未来10-20年内成为药物研发的重要工具，助力医学突破。
66400编辑于 2025-02-23 - 来自专栏Reinvent Data Science
Milvus 赋能 AI 药物研发
尽管付出了如此高昂的研发成本和漫长的研发周期，却依然无法保证所研发的药物能够顺利通过全部临床实验而投放市场。即便是难度较低的仿制药研发，其研发的进程也是十分缓慢。 、更高效的药物研发时代。 比如新药研发过程药物晶型预测可以结合 Milvus 在图像识别的应用，有效的预测出合适的药物晶型；靶点筛选和患者招募过程可以抽象为对文本语义分析问题，可以结合 Milvus 在自然语言处理的应用，快速分析有关药物研发的文本数据等 虚拟药物筛选是新药研发过程中的一个关键步骤，通过模拟药物筛选的过程，预测化合物可能的活性，对比较有可能成为药物的化合物进行针对性的实体筛选，极大的降低了药物研发的成本。 Milvus 能够广泛的应用在药物研发的各个阶段，通过将成熟的 AI 模型结合 Milvus 向量搜索引擎，一定会为药物研发领域带来更多颠覆性的技术突破。
1.2K10发布于 2020-05-24 - 来自专栏PaddlePaddle
AI+药物研发：人工智能赋能新药研发
，生物制药行业面临着两个挑战： 第一，新药研发周期很长且非常复杂； 第二，药物研发过程成本昂贵。 在1950年的时候，十亿美元可以研发几十个药，到了2020年之后，十亿美元只能研发一个药（如下图），所以就需要大量的投入。 随着对药物审批过程的要求越来越严格，对药物副作用的要求越来越高，使得新药的研发变得越来越慢。 这个大模型涉及到三个问题： 第一，如何发现一个药物靶点？ 第二，如何针对某一个已经发现的药物靶点，做一个对应的药物优化? 第三，如果要做实验，在实验平台里面产生数据如何分析，包括图像数据的分析。 所以很多细胞视觉研发思路甚至最先进的研发思路都在做这个。
80030编辑于 2022-04-19 - 来自专栏生命科学
浅谈药物研发中的手性分子 | MedChemExpress
普通方法合成得到的药物中，往往左右构型的分子同时存在，例如“反应停”。 手性安全为避免这一悲剧的重演，现代药物的生产过程中，往往会先通过普通方法合成具备药物活性的初级产品，然后进行手性拆分，或者直接使用特殊的合成方法，大幅降低对人体不利的另一构型在药物中的占比，最后还要进行手性纯度检验 近年来国家逐步开放二胎政策，“优生优育”的口号使得类似“反应停”事件的发生成为了不可饶恕的过失，对“产品安全性”的严苛要求将贯穿在整个药品研发、生产、使用的过程中。 作为全球前沿的生物活性化合物供应商，MCE将对所有需要进行光学活性检测的产品进行光学检测，提供真实可靠的检测报告，为您的科研提供稳定的数据支持，从源头把控药物研发的安全性。
46920编辑于 2023-01-11 - 来自专栏DrugAI
Patterns | 大语言模型赋能药物研发
本综述强调了LLMs在重塑药物研发各阶段中的作用。研究人员探讨了这些先进的计算模型如何揭示靶点与疾病的关联、解读复杂的生物医学数据、提升药物分子设计、预测药效与安全性，并推动临床试验的执行。 蛋白-配体相互作用预测：这是药物研发的核心任务，LLMs能够基于序列信息推断结合位点、结合能及突变效应。 临床试验 临床试验是药物研发的最后阶段，通常包括四个阶段（I–IV），其核心目标是验证药物在人群中的安全性与有效性。由于设计复杂、成本高昂、周期冗长，临床试验是药物研发中最耗时的部分。 未来研究将聚焦于提升模型的透明度、稳定性与跨领域应用能力，使其真正成为药物研发中的“共创伙伴”。 结论 大型语言模型正在深刻改变药物发现与开发的格局。 尽管仍存在挑战，但LLMs已成为推动药物研发提速与降本的重要引擎。研究人员认为，随着伦理与技术问题逐步解决，LLMs将在未来药物研发中扮演核心角色，加速创新疗法的诞生，最终惠及患者。
27720编辑于 2026-01-06 - 来自专栏DrugOne
Nature | 机器学习在药物研发中的应用
摘要 药物研发管线漫长、复杂且取决于许多因素。机器学习（ML）通过丰富且高质量的数据改进指定问题的发现和决策。 针对生物学和疾病的高通量方法的出现为制药业带来了挑战和机遇，其目的是确定可用于开发药物的治疗假设。 众所周知，药物开发的成功率在所有治疗领域和整个制药行业都非常低。最近对21143种化合物的研究发现，总体成功率低至6.2％。 药物研发的所有阶段，包括临床试验已着手开发和利用ML算法和软件来识别新靶点，为靶标-疾病关联提供更有力的证据，改进小分子化合物的设计和优化，增加对疾病机制的理解，增加对疾病和非疾病表型的了解，为药物疗效开发新的生物标志物 目前正在努力开发药物发现的特定领域中的开放注释数据，例如靶标验证。这些目标旨在在药物发现和开发中重要的领域产生高质量的正面和负面注释，以促进ML的应用。
1.1K70发布于 2021-01-29 - 来自专栏人工智能快报
新智能平台可降低药物研发成本
据美国卡内基梅隆大学网站2016年2月9日表示，该校研究人员已经创造了第一个基于机器人驱动的实验系统，用来测定药物对多种蛋白质的影响。 科研人员开发的机器学习算法研究了96种药物与96个哺乳动物细胞克隆之间可能的相互作用。 这些细胞克隆具有不同的蛋白质，并用不同的荧光进行标识，最多需要开展9216次实验，每次实验的主要任务是获取特定细胞克隆在特定药物下的图像。 实验首先收集每个细胞克隆对每种药物的反应图像。这些图像用可以记录蛋白质在细胞中位置的数字特征进行标识。该算法重复进行了30次，完成了9216个可能实验中的2697个。 由于实验是逐步进行的，因此揭示了蛋白质被药物影响的更多外在形式和模式。
78140发布于 2018-03-13 - 来自专栏智药邦
2020年AI + 药物研发全景概述：(一)概要
包括对240+AI药物研发创业公司、600+投资机构、90+制药企业和35个研发中心的分析。 ? 该系列专题的核心目的是对AI药物研发的行业格局进行全面梳理，提供一个有关AI在药物发现、临床研究和药物研发其他方面的应用前景的全面概述，并尝试预测下一步的发展方向。 本文是该报告的第一部分内容：AI药物研发的信息图概要和思维导图。 内容如下。 ---- AI药物研发行业格局（按子行业） ? ---- AI药物发现公司Top30 ? ---- AI药物发现公司（Top32）的专长比较 ? ---- 240家AI药物研发公司的区域比例 在AI药物研发公司的占比方面，美国仍稳居领先地位。 ---- AI药物发现的35家研发中心的区域比例 这张地图显示，美国在AI药物发现研发中心的数量上领先世界。
1.8K20发布于 2021-06-07 - 来自专栏DrugOne
FDA转向AI加快药物研发和审批速度
美国食品和药物管理局进一步推动了这种兴趣，它促进了将基于AI的技术用于药物开发的创新。 ? 使用AI加速药物开发 药物开发和批准是一个昂贵且漫长的过程，许多时间专用于初步研究和临床试验。 确实，最近的一项研究发现，将新药推向市场的平均研发成本为26亿美元。AI和机器学习旨在改变药物发现过程，从而降低财务成本和上市时间。 那么，人工智能和机器学习如何帮助简化新疗法的发现和批准？ 虽然此类药物的标准研究时间为五年，但使用AI技术设法将其减少到仅12个月。 ? 药物开发中使用AI的潜在陷阱 关于将AI和机器学习应用于药物发现的主要关注之一是高质量数据的可用性。 特别是，FDA应该根据该机构的“药物开发工具资格认证计划”来定义基于AI的药物开发工具的认证程序。 FDA还致力于与美国国家癌症研究所建立联合研究金计划，目的是确定用作药物开发工具的数字生物标志物。 随着AI在医疗保健和药物发现领域变得越来越重要，FDA将在未来几年内开始解决这些问题。
94860发布于 2021-02-01 - 来自专栏智药邦
云计算提速人工智能辅助药物发现，药物研发全面步入“AI时代”
因此，也就不难理解近年来日渐成熟且炙手可热的人工智能辅助药物发现 (以下称AIDD: AI Drug Design) 为何在短短数年间就从萌芽发展到几乎参与从药物靶点发现到临床试验等药物研发的全流程。 由此预示着药物研发正全面步入 “AI时代” 。 AIDD带来药物研发大提速 新药研发一直是人类科研领域中极具风险和复杂度、且耗时最漫长的技术研究领域之一。 AIDD最直观的价值还在于显著减少传统药物研发的高昂资金和时间成本，给研发效率带来巨大飞跃。 中国的药物研发领域的众多企业在迎来政策激励的同时，也开始发掘AIDD背后的商业潜力。 越来越多的企业也逐步开始了AIDD的实质性应用，并助推国内药物研发进入新的 “高产” 阶段。
70430编辑于 2022-11-16 - 来自专栏Alter聊科技
AI应用启示录：资本为何钟情药物研发？
药物研发行业有一个著名的“双十定律”，即10年时间、10亿美元，才可能研发出一款新药。 新药研发的长周期、高成本、低成功率，无疑给AI留下了庞大的用武之地：通过机器自主学习数据、挖掘数据，总结归纳专家经验外的药物研发规律，继而优化药物研发流程中的各个环节，不仅可以提升药物研发效率与成功率， 一款药物从研发到量产，中间涉及到靶点发现、化合物合成、化合物筛选、晶体预测、药理评估、临床设计、药物重定向、审批生产等十几个流程，涵盖药物发现、临床前研究、临床研究、审批与上市四个阶段。 ，可对药物研发总成本的影响依然非常有限。 因为生物学的复杂性和临床数据库的缺乏，AI对药物研发的渗透停留在了前端的药物发现环节。
37930编辑于 2023-01-13 - 来自专栏DrugOne
异军突起：人工智能重塑小分子药物研发
编译 | 王建民 过去的五年里，人们对将人工智能(AI)方法应用于药物研发(R&D)的兴趣激增。 根据Back Bay生命科学顾问公司对这一领域的分析，在加快研发管线、降低成本和有可能从庞大的数据集中揭示出隐藏的见解的推动下，在此期间有150多家以人工智能为重点的公司进行了融资(图1a）, 而在2021 Exscientia是首批报告人工智能生成的小分子候选药物进入临床的公司之一。 Drug Discov. 21, 175-176; 20224）指出，到目前为止，人工智能在小分子药物发现方面的影响迹象通常与早期研究的更高效率和加速时间表有关，其中一些例子是主要靶标的新型化学结构或针对新型生物学的候选药物 随着这些候选药物库的增长，以及它们在未来几年内通过临床的进展，人工智能能在多大程度上实现其提高临床成功率和降低药物研发成本的广泛承诺将变得清晰。
64320编辑于 2022-06-10 - 来自专栏生命科学
AACR 复盘 | 指路癌症药物研发新方向
Kras 抑制剂 “一夜成名” 之后，引得多家医药巨头公司下场研发，然而 KRAS 的耐药性与高副作用，是亟待解决的难题。 PROTACAI 制药：新赛道，新惊喜由于药物研发周期长、耗资高，近年来，不少药企另辟蹊径，专注于将人工智能(AI)与实验结合，用于开发新药。 AI 算法的加持，能大幅降药物研发成本，缩短药物研发周期。例如最近火爆的自然语言处理模型 ChatGPT，就能运用在药物研发领域的文献挖掘与“种子”药物识别，大大降低前期批量筛选成本。 百图生科则专注于大分子预测，所开发的 xTrimoABFold++ 模型与 AlphaFold2 相比，在抗体上的预测精度提高了 30%，将大大推动虚拟筛选甚至是整个药物研发领域的进程[20]。 开发多靶点 PROTAC 药物是改善 PROTAC 疗效低的侧重点；AI 对于药物研发的加持，可大幅降低药物发现成本，是未来的大势所趋。
23310编辑于 2024-05-20 - 来自专栏机器人网
帮助药物研发，机器人还可以这么用
据外媒《The Conversation》报道，华盛顿大学蛋白质设计研究所的研究人员已经找到如何应用最初设计的一种帮助机器人移动的算法去帮助解决另外一个完全不同的问题：药物研发。 该算法已经帮助解开了一类称为肽大环化合物的分子，其具有吸引力的药物性质。 天然化合物如环孢菌素是迄今为止发现最有效的治疗药物之一。它们结合了小分子药物（如阿司匹林）的稳定性优势，以及大型抗体治疗药物如赫赛汀的特异性。 换句话说，药物设计者在制造新的大环化合物药物时只能获得少数几个出发点。 为了创造更多可靠的出发点，他的团队使用广义运动学闭合-机器人联合算法来探索大环化合物可以采用的可能的构造或形状。 换句话说，智能手机可以准确呈现分子，科学家现在可以优化其作为靶向药物的潜力。 该团队预计，可以放心地用作药物设计起点的大环数量从不到10个增加到超过200个，这要感谢这项工作。
87870发布于 2018-04-12 - 来自专栏DrugOne
DrugGPT快速探索化合物空间助力药物研发
近年来深度学习技术的出现在药物发现领域引入了新的机会。例如，Atomwise公司利用基于深度卷积神经网络的AtomNet技术进行药物发现。 DrugGPT能更准确地捕捉药物分子与蛋白质结合信息，有效生成潜在活性药物。 DrugGPT采用最大化条件概率和反向传播训练，并具有强大的泛化能力。 然而，当前针对ENPP2的药物选择仍然有限，许多药物在疗效、安全性和副作用方面需要进一步优化。在这种情况下，本文的研究揭示了DrugGPT模型在药物开发领域的巨大潜力。 该方法不仅提高了药物发现的效率，而且为药物设计提供了一种新的途径。在未来的研究中，将进一步优化模型，以更好地服务于药物发现任务。 基于自回归模型的药物设计方法能帮助研究人员更快发现活性候选分子，提高药物研发效率和准确性。期望自回归模型在未来药物研发将发挥更大作用，为人类健康福祉做贡献。
68720编辑于 2023-09-19 - 来自专栏Alter聊科技
AI应用启示录：资本为何钟情药物研发？
药物研发行业有一个著名的“双十定律”，即10年时间、10亿美元，才可能研发出一款新药。 新药研发的长周期、高成本、低成功率，无疑给AI留下了庞大的用武之地：通过机器自主学习数据、挖掘数据，总结归纳专家经验外的药物研发规律，继而优化药物研发流程中的各个环节，不仅可以提升药物研发效率与成功率， 一款药物从研发到量产，中间涉及到靶点发现、化合物合成、化合物筛选、晶体预测、药理评估、临床设计、药物重定向、审批生产等十几个流程，涵盖药物发现、临床前研究、临床研究、审批与上市四个阶段。 ，可对药物研发总成本的影响依然非常有限。 因为生物学的复杂性和临床数据库的缺乏，AI对药物研发的渗透停留在了前端的药物发现环节。
39530编辑于 2022-07-12 - 来自专栏智药邦
AI药物研发公司Exscientia的理念、技术与特点
AI药物研发公司Exscientia近来颇受关注。 今年3月，Exscientia宣布完成1亿美元的C轮融资；今年4月，获得2.25亿美元D轮投资，并可以自行决定是否获得额外3亿美元。 直到有一天，Andrew Hopkins突然觉得：必须有一种更好的药物设计方法，让药物设计变得简单，使得个人就能完成，而不是依靠一个庞大的团队。 药物发现是最后的手工业。 我们不仅将AI设计的药物投入临床试验，而且我们重新构想了朝着自主药物设计方向发展的整个AI药物开发过程。 通过数项重要合作将AI带入药物研发 与制药公司的合作，为Exscientia提供了大量的资金，这使得Exscientia不需要首先获得外部投资，就可以快速发展。 AI在药物研发中，可以增加研究人员的“认知带宽”，更快地缩小搜索范围，减少寻找新药的时间和成本。
2.6K30发布于 2021-06-07 - 来自专栏DrugOne
深度学习在小分子药物研发中的应用
一、深度学习在小分子药物研发中的应用 ? 二、深度学习工具 ? 参考资料 Jing Y, Bian Y, Hu Z, et al.
54240发布于 2021-02-01 - 来自专栏DrugOne
AI大模型助力智能化药物递送研发
以下为研究概况、技术框架、实验结果与结论： 1、研究概况 药物递送系统是指一系列将药物输送到体内特定部位以实现治疗效果的方法和技术，提高了治疗的精确性和效果并有效降低了副作用。 光响应药物递送是智能药物递送领域的一大重要分支，利用光触发方法有望实现对药物的精准递送。其中，以紫外光（UV）为代表的短波光，因其能量强、可有效触发给药机制的特点备受关注。 本研究为药物递送领域提出了新的大模型赋能的计算化学解决方案。 2、技术框架 图1. SMILES表达式为C=CC=NSN=C的分子则具有紫外光吸收特性，有可能用于药物递送。 表1. 该框架证明大语言模型在包括但不限于药物递送的更多新药研发领域有应用潜力，或将加速新药发现与药物设计的发展 论文链接： https://chemrxiv.org/engage/chemrxiv/article-details
53010编辑于 2024-03-18
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