如影随形

人工智能迫使药物开发的“快进”按钮

发布时间：2025-07-31 09:46编辑：bet356体育官方网站浏览（148）

编者注：人工智能正在重塑科学研究的范式。从加速新药的研究和开发到普遍的奥秘，从气候变化的普遍变化到遗传代码的披露，AI在提高研究和扩大研究范围的技能方面表现出了巨大的潜力。从现在开始，该报纸将启动一系列“ AI+科学研究”解码报告，该报告介绍了医学，数学，材料，化学，化学，天文学等领域的AI应用程序成就，并讨论了AI的前景，以增强高质量研究开发研究的能力。 在所有基因中的潜在筛选目标，发现帕金森氏病的新治疗靶标和i -screen候选药物；提前15年预测阿尔茨海默氏病的风险，诊断的准确性超过98.7％...近年来，富丹大学创造了一系列成功S在医学领域。在这些非凡的成功之后，所有这些都将与CFFF（科学研究智能计算平台云）提供的AI计算能力的支持分开。该平台由Fudan University，Alibaba Cloud等共同创建，并在公共云模式下提供了超过100公里卡的智能计算，支持大规模培训和高能培训。 目前，AI已从研究领域变为授权技术。最近，许多专家在接受科学与技术日的记者接受采访时，在NM医疗和健康领域，AI已应用于目标发现，药物设计和临床试验，这大大提高了科学研究的效率。同时，诸如“数据筒仓”之类的挑战不容忽视。 改变药物开发模型 AI技术正在改变目标检测模型。在传统研究模型下在假设的驱动下，研究人员表明，特定蛋白质在基于现有理论系统的蛋白质病原体中起重要作用，然后设计实验以确认它。该模型不仅是时间和密集的劳动，而且很容易被现有理论系统之外的许多可能性忽略。 在AI技术的支持下，可以进行数据驱动的研究模型。它的研究思想没有预设。在所有基因中的潜在筛查靶标，然后进行大量的体外和体外实验以进行验证，这可以提高数据审查和研究效率的规模。 “我们使用大型技术模型在超过100万个样本中对全基因组关联进行了很好的综述，发现五个FAM171A2基因位点的突变与帕金森氏病的风险显着相关。”与福丹大学有关的华山医院教授Yu Jintai告诉记者，病理α-核蛋白是帕金森氏病的主要病原体蛋白。没有人研究神经元细胞膜蛋白FAM171A2在α-突触核蛋白递送中的作用。 AI在化合物筛选中也起着重要作用。 在传统的研究模型下，高度创新目标的药物开发需要重复的试验和错误：研究人员需要筛选数千个具有相同活性和选择的分子，良好的耐药性，良好的吸收性和代谢特征，并符合安全标准。满足这些需求的药物分子可能进入临床阶段。这种完全依靠专家的个人经验和创造力的方法通常会消耗大量时间，并带有高强度和材料成本。 AI蛋白结构和虚拟筛选技术的预测可以快速预测哪些分子可能是有效的医学。在某些情况下，这种情况下，AI还可以筛选1亿个组合NDS持续48小时。 在CFFF的平台帮助下，Yujintai的团队能够准确筛选所有基因中的潜在靶标，并迅速找到了一个小分子，该分子可以有效防止FAM171A2蛋白和病理α-突触核蛋白从7,000多个小分子化合物中结合。 Yu Jintai说：“我们只花了五年的时间完成这项最初持续数十年才完成的工作。” CFFF平台还支持另一项团队研究。该团队使用AI技术来筛选四种与6361个脑脊液蛋白质相关的高度与阿尔茨海默氏病相关的蛋白质。基于这些新的生物标志物诊断，可以提前15年预测阿尔茨海默氏病的风险，准确性超过98.7％。报道说，基于这一成功的阿尔茨海默氏病是早期筛查，早期评估和试剂Binuo将于今年年底在主要医院和体格检查中心推出。 改善临床测试效率 在推出该药物之前，它应该接受临床试验并通过药物监管机构的严格批准。 “进入临床阶段后，没有筛查样药的快捷方式。” Yingsi Intellignt Technology（Shanghai）Co，Ltd。的Co-Co-Co Ren Feng（从那里称为“ Yingsi Intelligent”）。 但这并不意味着进入临床阶段后AI没有影响。相反，迫切需要AI干预。 传统的临床试验在招募主题，筛查，数据收集和质量控制方面无效，这导致了挫败感的高经济，时间和时间和时间的风险。 AI可以优化患者招聘标准，预测测试结果，模仿临床试验，并提供新的想法和技术，以破坏传统临床测试的瓶颈。 今年6月，为慢性阻塞肺D的长期雾化支气管扩张剂的启动申请ISEASE被批准。在III期临床试验的患者招聘过程中，由Yidu Technology Co，Ltd创建的患者招聘药物显示了他们的技能，增加的入学率提高了30％以上，并且大小的质量严格调节了90％以上。 “该代理的准确性是传统模型的三倍以上。” Hao Yuan，公司生命科学部门的智能临床试验主管负责人。 一些公司积极探索了使用AI技术来预测临床试验结果。 Insilicon Intelligent使用自由开发的AI临床试验预测引擎“ Insionico”来准确预测从II阶段到III期的某些临床试验的转化结果。 在临床数据管理过程中，AI也具有很大的潜力。上海Yocheng Health Technology Co，Ltd的Auroraprime平台可以减少临床研究初稿的初稿CH报告占90％，总体上节省了45％的时间。 AI也可以应用临床测试方案。温州医科大学的学术团队Li Xiaokun使用AI来优化临床测试计划，以成功地缩短转型。 AI变化已渗透到临床试验的每个链接。根据研究公司研究的数据，临床AI测试市场的全球规模将在2025年达到26亿美元，估计在2034年将超过223.6亿美元。 行业内部人士认为，AI临床测试市场正处于爆炸式增长的前夕，创新技术将大大提高行业运营的效率。同时，应注意的是，监管框架和诸如数据隐私和技术滥用等道德风险的滞后是限制行业健康发展的主要瓶颈。迫切需要建立适应性监管系统和道德管理框架Ork。 面对挑战NG“数据岛” 在良好数据和丰富知识的整合过程中，计算的力量成为科学研究中的重要生产力。随着计算能力水平的继续提高，科学研究的效率也将大大提高。 富丹大学（Fudan University）类似脑部智力科学技术研究所的研究员郑魏（Cheng Wei）因计算能力的跳跃而深深地感动了。 “从2011年到2012年，我们购买了许多机器，很难处理100人的图像数据。一家小型服务器持续了很多天。”他说，现在，CFFF平台为计算提供了更大的功能，并可能同时实现多任务的同时计算。依靠平台，他相信自己可以开发一个更大的数据库来推动研究。 Cheng Wei说，在AI期间对计算能力的需求以及对数据安全和隐私保护的强调，许多大学LD或加强自己的计算平台。他说：“特别是在涉及敏感临床数据的研究中，计算平台的所有者很重要。” 但是从另一个角度来看，它也会加剧数据障碍问题。数据资源的破坏将限制“ AI+药房”技术潜力的发布。 “如果要求AI发挥更大的作用，则有必要创建更多标准化的数据。” Jingtai Smart Pharmaceutical Technology（Shanghai）Co，Ltd的联合创始人兼首席执行官Ma Jian表示，在接下来的5到10年中，我们希望该行业能够以高质量的数据代投入更多的能源。 “ PAI武器的组合通常使用公共数据来生产算法技术。今天的数据量仍然足够，但是随着行业的发展，公司对算法准确性的要求将越来越高，并且大量的标准数据差距在Futur中不可避免地会发展e。 “伦冯说，伊辛智能公司全年保持一支由20-40人组成的团队采矿团队，并保持全年20-40人的最新消息，并保留全年20-40人的最新消息，并保留20-40人的最新消息，并保留了20-40人的最新信息，每天都在忽略了20-40人的最新信息，但数据silos却忽略了。 许多受访者认为，在“ AI+药房”领域，更深入的挑战在于AI工具和临床工作流程工作的信任机制和整合程度。目前，制药公司和AI开发商正在通过与跨机构合作的合作机制，开发AI模型的定义，并促进概述的标准验证和扩展，从而积极促进行业中的公开合作。将来，我们仍然需要提高AI决定制定系统的透明度并制定透明度符合临床研究标准的披露标准，以增强诊所和监管机构的信心。 （收费编辑：Wang Chenxi） 神性：中国净资金已印刷本文以提供其他信息，并不代表本网站的观点和立场。本文的内容仅供参考，并且不会产生投资建议。投资者在此基础上以自己的风险行事。