在今年诺贝尔奖的强烈角逐中，人为智能（AI）无疑大放异彩，抢尽了风头
。

先是诺贝尔奖物理学授予了AI在人为神经网络机械进建，后有诺贝尔奖化学领域再次对看重AI，注定了其在推算蛋白质设计与蛋白质结构预测方面的卓越利用
。AI硬控诺贝尔奖，成为了万多瞩主张焦点
。

图源：诺贝尔官网

在AI刷新时期，兰科博弈RankBet作为一站式生物医药临床前研发服务平台，凭借其敏感的洞察力和前瞻性的布局，不仅紧跟时期措施，更成为了AI+CRO领域的先行者和推动者
。

AI+造药，全面渗入药物研发

在医药领域，AI的利用已逐步渗入到药物研发的各个关键环节，从靶点的发现和鉴别、药物的重新设计、ADMET（吸收、散布、代谢、渗出和毒性）预测，到临床试验的设计与执行，AI正全面扭转着药物研发的传统模式
。

1. 靶点的发现和鉴别

传统靶点发现过程往往依赖于尝试数据堆集和文件调研，耗时耗力且成本高昂
。而AI技术则可能通过大数据分析，急剧挖掘海量生物信息数据中的潜在靶点，结合机械进建算法，对靶点进行精准预测和验证
。这不仅大大提高了靶点发现的效能，还降低了发现成本，为药物研发提供了更多可能性
。

图源：英矽智能

如：三名高中生使用英矽智能AI靶点发显旖台PandaOmics确定了多形胶质母细胞瘤的新医治靶标^[1]，而IBM的Watson系统通过阅读大量的文件提要和论文，预测了RNA结合蛋白与肌萎缩侧索硬化（ALS）的有关性^[2]，这些案例都有力地证实了AI在靶点发现领域的美满与壮大潜力
。

2. 药物的重新设计

在药物设计方面，AI展示出了壮大的推算能力
。通过机械进建算法，AI可能预测化合物的生物活性、毒性以及药代动力学性质，从而设计出拥有潜在药效的候选分子
。这种重新设计的步骤不仅提高了药物的研发效能，还降低了研发成本，为新药研发启发了新的路路
。

一种天然界中不存在的蛋白质折叠大局 Top7

图源：Terezia Kovalova/The Royal Swedish Academy of Sciences

如：大卫·贝克尔（David Baker）利用软件创造出了一个与天然蛋白质截然分歧的新蛋白质Top7，以及英矽智能利用AI驱动的药物设计平台Chemistry42急剧设计出新的潜在药物化合物INS018_055，都是AI在药物设计领域获得的沉要成就
。值得关注的是，INS018_055已进入临床二期，并受到诺贝尔化学奖得主迈克尔·莱维特博士的高度评价
。

3. ADMET预测

ADMET预测是药物研发过程中的沉要一环
。AI技术可能综合思考化合物的物理化学性质、生物转化蹊径以及潜在毒性等多方面成分，对化合物的ADMET性质进行精准预测
。这有助于在早期阶段就筛选出拥有优良药代动力学性质和较低毒性的候选药物，削减后期研发失败的风险
。

AiDMET预测的Fosravuconazole经酯酶代谢为Ravuconazole的过程

图源：AiDMET成药性预测平台

如：天智药成团队开发的AiDMET成药性预测平台成功预测了Fosravuconazole和Ravuconazole的理化性质参数以及代谢过程；Liu等人利用定向新闻传递网络（D-MPNN）对FOODB库中的化合物进行的Nrf2激昂活性预测及毒性分析^[3]，以及QSAR模型的宽泛用都充分展示了AI在药物ADMET预测中的有效性和正确性
。

4. 临床试验设计与执行

在临床试验阶段，AI同样阐扬着沉要作用
。通过度析汗青试验数据和患者信息，AI可能优化试验设计，提高试验效能和正确性
。同时，AI还能实时监测患者的生理指标和反映情况，为医生提供实时的反馈和建议，确保试验的安全性和有效性
。

临床试验仿照及分析流程图^[4]

如：斯坦福大学团队开发的Trial Pathfinder^[4]利用电子健全纪录（EHR）数据优化临床试验入组尺度，提高招募效能并确；颊甙踩；医渡科技与北京大学肿瘤医院合作，利用AI自动扫描技术发现临床试验数据质量问题[5]
。这些利用通过AI技术自动筛选患者、分析数据，有力支持药物研发与上市
。

AI+CRO模式的索求与实际

国内AI+新药企业贸易模式统计情况

数据起源：公开信息及调研访谈，蛋壳钻研院造

CRO，同AI技术一样，致力于降低研发成本并提升研发效能
。AI技术的蓬勃发展，不仅颠覆了药物研发的传统范式，更引领了AI+CRO这一创新研发模式的诞生
。该模式将AI技术的前沿智能分析、精准预测能力，与CRO公司卓越的药物研发专业实力、丰硕项目经验及高效执行战术美满融合，为新药研发带来了显著优势：

高效精准的研发系统：结合AI的数据处置、模型预测与自动化尝试能力和CRO的专业研发及尝试验证经验，构建了一个高效、精准的药物研发系统，显著提升了研发效能
。与传统新药研发管线比，基于AI和生物推算的新药研发管线均匀 1-2 年就能够实现临床前药物钻研 ^[6]，可缩短前期研发约一半功夫，使新药研发的成功率从当前的 12% 提高到 14%，每年为全球节约化合物筛选和临床试验用度约 550 亿美元 ^[7]
。

数据驱动与智能化决策：利用CRO堆集的尝试数据，AI技术进行深度分析和预测，为药物研发提供智能化的决策支持，急剧筛选出拥有潜力的药物候选物，优化了研发流程
。

降低成本与提高成功率：AI技术的精准预测和优化能力削减了不用要的尝试和沉复劳动，降低了研发成本；同时，通过仿照和预测药物在生物体内的行为，AI技术提高了研发成功率
。

推进新药发现与加快上市：AI+CRO模式为药物研发提供了新的思路和步骤，推动了新药发现的创新
。AI的创新能力不休拓展药物研发的天堑，为医治各类疾病提供了更多可能性，有助于发现传统步骤难以发现的新药
。

兰科博弈RankBet：一站式生物医药临床前CRO的AI索求

作为AI+CRO领域的先行者和实际者，兰科博弈RankBet二十年来一向积极索求药物研发的前沿技术
。在AI造药领域，兰科博弈RankBet于2021年结合提议成立张江AI新药研发同盟，陈春麟博士出任同盟首届轮值联席主席
。至今，兰科博弈RankBet已与英矽智能、德睿智药、深势科技等多家AI创新药研发公司达成战术合作
。此表，兰科博弈RankBet基于AI技术的一站式创新药临床前研发服务平台项目申报了当局有关政策搀扶
。

基于自身丰硕的创新药物分子设计经验及技术储蓄，以及AI的赋能，兰科博弈RankBet搭建了AI药物发现服务平台，可提供蛋白结构预测与仿照、binding site发现、信息提取与洗濯，以及定造化项目数据库构建等，满足科研工作者多样化的需要
。此表，平台还深度助力Target-to-hit、Hit-to-lead、Lead-to-PCC等关键研发阶段，为药物研发提供了全方位的技术支持，加快药物研发管线过程
。

多年的深耕细作，兰科博弈RankBet在AI造药领域获得了丰硕的成就
。如兰科博弈RankBet为英矽智能ISM3412药物提供了涵盖药代动力学、安全性评价等在内的全面对床前研发服务；为德睿智药MDR-001提供了原料药工艺开发和造剂研发服务，为药物的急剧获批奠定了坚实的基础
。

2024年诺贝尔化学奖的颁布，再次彰显了AI+造药深度结合的巨大潜力
。随着AI技术的不休发展和利用，AI药物研发已经成为新药发现的沉要蹊径之一
。兰科博弈RankBet将持续秉持“创新驱动、质量至上”的服务理想，积极索求AI在药物研发中的新利用和新模式，为新药研发提供越发高效、矫捷和定造化的解决规划
。同时，兰科博弈RankBet等待与更多合作同伴携手共进，共同开创AI造药领域的新纪元
。

参考文件：
1.Olsen, A., Harpaz, Z., Ren, C., Shneyderman, A., Veviorskiy, A., Dralkina, M., ... & Zhavoronkov, A. (2023). Identification of dual-purpose therapeutic targets implicated in aging and glioblastoma multiforme using PandaOmics-an AI-enabled biological target discovery platform. Aging, 15.
2.刘晓凡,孙翔宇,朱迅.人为智能在新药研发中的利用近况与挑战[J].药学进展,2021,45(07):494-501.
3.Liu S, et al. Virtual Screening of Nrf2 Dietary-Derived Agonists and Safety by a New Deep-Learning Model and Verified In Vitro and In Vivo. J Agric Food Chem. 2023 May ;71(21):8038-8049.
4.Ruishan Liu, et al. Evaluating eligibility criteria of oncology trials using real-world data and AI. Nature, 2021.
5.https://mp.weixin.qq.com/s/j2_z_CSZf0VNRVRVrULxOQ
6.Chan H, Shan H, Dahoun T, et al. Advancing drug discovery viaartificial intelligence[J]. Trends Pharmacol Sci, 2019, 40(8): 592–604.
7.Wong C H, Siah K W, Lo A W. Estimation of clinical trial successrates and related parameters[J]. Biostatistics, 2019, 20(2): 273–286.