AI 药物发现全生命周期 (AIDD)

#

从靶点到临床：AIDD 产业链重塑

现代药物发现的传统流程（Target-to-Hit-to-Lead）历时漫长、耗资巨大且失败率极高。人工智能正在干预新药研发的每一个环节。

代表性成就：Pharma.AI 平台

英矽智能（Insilico Medicine）凭借其 Pharma.AI 平台，成功将全球首款由 AI 发现靶点并设计分子的特发性肺纤维化（IPF）候选药物推进至临床 II 期。这种端到端的闭环模式标志着 AIDD 从"单点辅助"向"系统引擎"跨越。

#

靶点发现：知识图谱与多组学融合

疾病的生物学靶点往往隐藏在海量的组学数据、文献和临床试验记录中。

#

分子生成：生成对抗网络 (GAN)

一旦锁定靶点，接下来的核心是如何从 10⁶⁰ 的浩瀚化学空间中"设计"出对应的分子。

Chemistry42 平台的核心正是生成对抗网络（GAN）与强化学习的最佳实践：

1. 生成器 (Generator)： 负责生成大量全新的化学分子结构（如 SMILES 表达式）。
2. 判别器 (Discriminator)： 负责判断生成的分子是否符合理想的化学物理属性（ADMET、药代动力学、毒性等）。

$\min_G \max_D V(D, G) = \mathbb{E}_{x \sim p_{data}(x)}[\log D(x)] + \mathbb{E}_{z \sim p_z(z)}[\log(1 - D(G(z)))]$

强化学习（Reinforcement Learning）这把"手术刀"进一步通过奖励函数（Reward Function）引导模型，针对特异性活性、血脑屏障穿透率等指标进行极速微调优化。

#

属性预测：图神经网络 (GNN)

分子不是一维的文本，而是客观存在的三维图（Graph）。图神经网络（GNN）将原子视作节点（Node），化学键视作边（Edge）。

#

深入实验演示

为了理解分子的特征提取，我们可以通过基于指纹（Fingerprint）的简单机器学习模型来演示活性预测的基建。

​

#

英矽智能 2025-2026 里程碑突破

进入 2025 及 2026 年初，英矽智能取得了一系列轰动业界的成就：

商业合作维度

• 与**施维雅（Servier）**签订高达 8.88 亿美元的肿瘤学药物发现与开发多年合作协议
• 与**康哲药业（CMS）**达成战略互补合作
• 与**泰景生物（Taigen）**达成许可协议，共同开发 CKD 贫血的 AI 驱动 PHD 抑制剂

研发效率维度

量子计算前沿

英矽智能在顶级期刊发表了多篇突破性成果，首次展示了将**量子计算（Quantum Computing）**与 AI 结合的潜力：

• 推出量子辅助的基于片段的自动结构生成算法（QFASG）
• 成功识别了 ATM 和 CAMKK2 激酶的微摩尔级抑制剂
• 量子 GAN 利用量子比特的叠加与纠缠特性，以指数级速度并行探索化学空间

#

GNN vs 传统描述符：理性认知

最新研究对比了 GNN（如 GCN、GAT、MPNN）与基于传统分子描述符的机器学习算法：

这种认知的细化促使现代 AIDD 平台动态选择最优底层算法。

#

核心开源项目