AI硬控諾貝爾獎時代，hjc黄金城走出AI+CRO 新藥研發新路徑

在今年諾貝爾獎的激烈角逐中，人工智能（AI）無疑大放異彩，搶盡了風頭。

先是諾貝爾獎物理學授予了AI在人工神經網絡機器學習，後有諾貝爾獎化學領域再次對垂青AI，肯定了其在計算蛋白質設計與蛋白質結構預測方麵的卓越應用。AI硬控諾貝爾獎，成為了萬眾矚目的焦點。

圖源：諾貝爾官網

在AI變革時代，hjc黄金城作為一站式生物醫藥臨床前研發服務平台，憑借其敏銳的洞察力和前瞻性的布局，不僅緊跟時代步伐，更成為了AI+CRO領域的先行者和推動者。

AI+製藥，全麵滲透藥物研發

在醫藥領域，AI的應用已逐步滲透到藥物研發的各個關鍵環節，從靶點的發現和識別、藥物的從頭設計、ADMET（吸收、分布、代謝、排泄和毒性）預測，到臨床試驗的設計與執行，AI正全麵改變著藥物研發的傳統模式。

1. 靶點的發現和識別

傳統靶點發現過程往往依賴於實驗數據積累和文獻調研，耗時耗力且成本高昂。而AI技術則能夠通過大數據分析，快速挖掘海量生物信息數據中的潛在靶點，結合機器學習算法，對靶點進行精準預測和驗證。這不僅大大提高了靶點發現的效率，還降低了發現成本，為藥物研發提供了更多可能性。

圖源：英矽智能

如：三名高中生使用英矽智能AI靶點發現平台PandaOmics確定了多形膠質母細胞瘤的新治療靶標^[1]，而IBM的Watson係統通過閱讀大量的文獻摘要和論文，預測了RNA結合蛋白與肌萎縮側索硬化（ALS）的相關性^[2]，這些案例都有力地證實了AI在靶點發現領域的完善與強大潛力。

2. 藥物的從頭設計

在藥物設計方麵，AI展現出了強大的計算能力。通過機器學習算法，AI能夠預測化合物的生物活性、毒性以及藥代動力學性質，從而設計出具有潛在藥效的候選分子。這種從頭設計的方法不僅提高了藥物的研發效率，還降低了研發成本，為新藥研發開辟了新的道路。

一種自然界中不存在的蛋白質折疊形式 Top7

圖源：Terezia Kovalova/The Royal Swedish Academy of Sciences

如：大衛·貝克爾（David Baker）利用軟件創造出了一個與天然蛋白質截然不同的新蛋白質Top7，以及英矽智能利用AI驅動的藥物設計平台Chemistry42快速設計出新的潛在藥物化合物INS018_055，都是AI在藥物設計領域取得的重要成果。值得關注的是，INS018_055已進入臨床二期，並受到諾貝爾化學獎得主邁克爾·萊維特博士的高度評價。

3. ADMET預測

ADMET預測是藥物研發過程中的重要一環。AI技術能夠綜合考慮化合物的物理化學性質、生物轉化途徑以及潛在毒性等多方麵因素，對化合物的ADMET性質進行精準預測。這有助於在早期階段就篩選出具有良好藥代動力學性質和較低毒性的候選藥物，減少後期研發失敗的風險。

AiDMET預測的Fosravuconazole經酯酶代謝為Ravuconazole的過程

圖源：AiDMET成藥性預測平台

如：天智藥成團隊開發的AiDMET成藥性預測平台成功預測了Fosravuconazole和Ravuconazole的理化性質參數以及代謝過程；Liu等人利用定向消息傳遞網絡（D-MPNN）對FOODB庫中的化合物進行的Nrf2激動活性預測及毒性分析^[3]，以及QSAR模型的廣泛用都充分展示了AI在藥物ADMET預測中的有效性和準確性。

4. 臨床試驗設計與執行

在臨床試驗階段，AI同樣發揮著重要作用。通過分析曆史試驗數據和患者信息，AI能夠優化試驗設計，提高試驗效率和準確性。同時，AI還能實時監測患者的生理指標和反應情況，為醫生提供及時的反饋和建議，確保試驗的安全性和有效性。

臨床試驗模擬及分析流程圖^[4]

如：斯坦福大學團隊開發的Trial Pathfinder^[4]利用電子健康記錄（EHR）數據優化臨床試驗入組標準，提高招募效率並確保患者安全；醫渡科技與北京大學腫瘤醫院合作，利用AI自動掃描技術發現臨床試驗數據質量問題[5]。這些應用通過AI技術自動篩選患者、分析數據，有力支持藥物研發與上市。

AI+CRO模式的探索與實踐

國內AI+新藥企業商業模式統計情況

數據來源：公開信息及調研訪談，蛋殼研究院製

CRO，同AI技術一樣，致力於降低研發成本並提升研發效率。AI技術的蓬勃發展，不僅顛覆了藥物研發的傳統範式，更引領了AI+CRO這一創新研發模式的誕生。該模式將AI技術的前沿智能分析、精準預測能力，與CRO公司卓越的藥物研發專業實力、豐富項目經驗及高效執行策略完美融合，為新藥研發帶來了顯著優勢：

高效精準的研發體係：結合AI的數據處理、模型預測與自動化實驗能力和CRO的專業研發及實驗驗證經驗，構建了一個高效、精準的藥物研發體係，顯著提升了研發效率。與傳統新藥研發管線比，基於AI和生物計算的新藥研發管線平均 1-2 年就可以完成臨床前藥物研究 ^[6]，可縮短前期研發約一半時間，使新藥研發的成功率從當前的 12% 提高到 14%，每年為全球節約化合物篩選和臨床試驗費用約 550 億美元 ^[7]。

數據驅動與智能化決策：利用CRO積累的實驗數據，AI技術進行深度分析和預測，為藥物研發提供智能化的決策支持，快速篩選出具有潛力的藥物候選物，優化了研發流程。

降低成本與提高成功率：AI技術的精準預測和優化能力減少了不必要的實驗和重複勞動，降低了研發成本；同時，通過模擬和預測藥物在生物體內的行為，AI技術提高了研發成功率。

促進新藥發現與加速上市：AI+CRO模式為藥物研發提供了新的思路和方法，推動了新藥發現的創新。AI的創新能力不斷拓展藥物研發的邊界，為治療各種疾病提供了更多可能性，有助於發現傳統方法難以發現的新藥。

hjc黄金城：一站式生物醫藥臨床前CRO的AI探索

作為AI+CRO領域的先行者和實踐者，hjc黄金城二十年來一直積極探索藥物研發的前沿技術。在AI製藥領域，hjc黄金城於2021年聯合發起成立張江AI新藥研發聯盟，陳春麟博士出任聯盟首屆輪值聯席主席。至今，hjc黄金城已與英矽智能、德睿智藥、深勢科技等多家AI創新藥研發公司達成戰略合作。此外，hjc黄金城基於AI技術的一站式創新藥臨床前研發服務平台項目申報了政府相關政策扶持。

基於自身豐富的創新藥物分子設計經驗及技術儲備，以及AI的賦能，hjc黄金城搭建了AI藥物發現服務平台，可提供蛋白結構預測與模擬、binding site發現、信息提取與清洗，以及定製化項目數據庫構建等，滿足科研工作者多樣化的需求。此外，平台還深度助力Target-to-hit、Hit-to-lead、Lead-to-PCC等關鍵研發階段，為藥物研發提供了全方位的技術支持，加速藥物研發管線進程。

多年的深耕細作，hjc黄金城在AI製藥領域取得了豐碩的成果。如hjc黄金城為英矽智能ISM3412藥物提供了涵蓋藥代動力學、安全性評價等在內的全麵臨床前研發服務；為德睿智藥MDR-001提供了原料藥工藝開發和製劑研發服務，為藥物的快速獲批奠定了堅實的基礎。

2024年諾貝爾化學獎的頒布，再次彰顯了AI+製藥深度結合的巨大潛力。隨著AI技術的不斷發展和應用，AI藥物研發已經成為新藥發現的重要途徑之一。hjc黄金城將繼續秉持“創新驅動、質量至上”的服務理念，積極探索AI在藥物研發中的新應用和新模式，為新藥研發提供更加高效、靈活和定製化的解決方案。同時，hjc黄金城期待與更多合作夥伴攜手共進，共同開創AI製藥領域的新紀元。

參考文獻：
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.劉曉凡,孫翔宇,朱迅.人工智能在新藥研發中的應用現狀與挑戰[J].藥學進展,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.