AI制药和AI医疗多维度赋能医药产业

2024年03月19日21：16发言人00：00 中午好啊，感谢大家参加新增医药组织的AI制药和AI医疗多维度赋能医疗产业的专题汇报。AI领域发展近期是备受关注的那AI在医疗领域的应用，未来也充满着巨大的潜力。我是兴业医药的分析师孙媛媛，今天跟我一同在线分享的还有我的同事东南和杨西城。 AI制药和AI医疗多维度赋能医药产业20240319_原文 2024年03月19日21：16发言人00：00 中午好啊，感谢大家参加新增医药组织的AI制药和AI医疗多维度赋能医疗产业的专题汇报。AI领域发展近期是备受关注的那AI在医疗领域的应用，未来也充满着巨大的潜力。我是兴业医药的分析师孙媛媛，今天跟我一同在线分享的还有我的同事东南和杨西城。今天我们会分别对于在AI技术，在医疗以及制药领域的应用进行深入的一个分析。最近我们其实也看到从行业热点来讲，像英伟达的CEO黄伟、黄仁兴，他其实是表示人工智能未来将加速医疗保健的未来。未来像医疗保健客户和合作伙伴，未来也会为英伟达带来相应的一些收入。同时我们也看到英伟达的医疗保健的副总裁也提到了一个医疗保健行业的数字化转型会成为技术领域最大的机会之一。未来会在药物发现与设计，医疗设备功能和数据处理上，会有相应的一些应用，我们目前也看到了AI医疗在医疗保健上的一相应的一些应用应用。 发言人01：33 接下来我就把时间交给我的同事。首先像张由杨杨锡成博士对AI制药这个板块，就AI在这个制药领域的一个应用做分享，随后是我们团队的东南会对AI在医疗领域的这样一个应用做一个分享。最后在我们的同事翁雨晴，对于目前AI行业的一些最新的概况做一些分享。下面，我把时间交给杨锡成博士，谢谢。谢谢各位投资人，大家中午好啊。这边整体分享一下我们在AI制药方面的整体的一个情况。首先的话我们今天将从四个部分，首先将是AI在药物发现中的一个具体的场景，然后会对相关的这样的一个公司去进行整体的这样的一个梳理。 发言人02：29 首先AI在整个药物研发中，大家其实也比较关心，包括一本答题也知道，其实AI在整个药物早期发现的这样一个领域，其实是有比较多的应用。我们讲一下AI在整个药物发现的具体的的过程中，会是怎样的一个应用的一个情况。首先其实在药物研发中面临小贝，大家经常讨论到的一个成本这样的一个问题。就是整个在早期发现筛选过程中所花的精力和时间。因为从经典的药物研，我们可能以小分子药物的研发为例，整个研发过程往往需要药化的专家，根据经验 在5000到1万种的化合物当中去做筛选。那筛选250个左右的化合物，进入到整个我们的开发阶段，然后就是通过不断的药物的筛选和改造，最后选取1到2个化合物，我们进入到临床阶段，然后去做研究。那往往这样的一个，特别是火星cass的这样的一个药物发现，其实在整个早期开发的过程中，往往需要将近五年的这样的一个时间。所以就是呃从这个漏斗上也可以看到，基本上属于一个大海捞针的一个情况。 发言人03：40 AI制药其实在整体药物发现中的应用，其实并不是特别长。之前的话后面也会讲到，就是之前大家更多的采用的会是计算机辅助的药物设计，然后和和实体的这样的实验相结合。现在的一些新兴的一些AI的方法，通过引入神经网络与深入学的方式，其实能够构建出比较丰富的这样的一个话术库，能够帮助我们去做一些筛选。在开发的各个过程中，其实AI也能够更好的赋能我们整个研发的阶段。所以其实是对于整个药物研发的这样的一个全流程，其实都是可以起到这样的一个促进作用。 发言人04：17 这里就讲到传统的DADD或试讲的一个情况。DADD的全称是计算机辅助药物设计。它的话其实能做很多的，已经能去帮助我们研发方面能够去做这样的一些研究，包括就是在早期药物筛选的过程中，它能够建出这样的一个模拟的化工库，然后根据一个特定的算法然后去算整个，化工库中的药物和我们目标的这样的一个搭建和目标蛋白质之间的介质亲和力的方式，然后去做这样的一个筛选。那也可以以分子对接的这样的一个形式，把我们筛选出的分子能够去做进一步细致的研究。也可以对整个药物的PK性，也就是说我们药物潜在药物就在人体内这样的一个吸收分布、代谢、排泄的性质，可以去做整体的这样的一个测算和预计。 发言人05：07 现在可以看到CADD其实已经能够在药物研发的多个方面去做整体的赋能。但是它其实基于的还是我们过去的这样的一个研发方面的一些经验。比如说我们往往在过去的药物研发过程当中，会总结出一些规律，总结出一些像类药物规则这样的一些通用的这样的一些方法和公式。那基于这些公式，基于半定量的这种研究，可以把它分成是这样的一个算法。然后基于这样的一个固定的算法和公式，然后我们去测算已有的药物跟他的法眼的一个相互亲和力以及相关的这样一些性质。这个是传统CADD的这样的一个应用。所以可以看到其实在传统的DADD当中，他 已经能够很好的在各个环节当中，去做相关的这样的一个助力。但是它更多的是基于已有的这样的一个经验和公式，所以在整个各块游戏当中，其实还是具备这样的一个局限性。 发言人06：13 就现在我们说正在我们正在经历这样一个转变，是从BADB向AIDB去做整体的一个转变。AI的话其实真正意义上为这样的一个BADB其实是能够更加广阔的维度和深度。其实大家可能对AI熟悉的话，其实对几个AI的这样的一个方式，其实都会相对会比较熟悉。就包括像其他技术下降机，就是人工神经网络、马尔科夫这样的一个决策规则，以前的构成以及自然语言处理，其实基于这样的一些方式，其实我们能够在真正意义上的用深度学习的方式，去对整个药物开发中的各个流程而给予更多的这样的一个发散性和深度。 发言人07：01 因为核心的一点就是AADD可能更多是基于一些有经验的现有公式。那AIDD其实是不断的能够对我们现有的模型去做进一步的这样的一个优化和升级。最终的话就是帮助我们能够去想到更新的这样的一个机制，想到更新的这样的一些结构。其实对药物开发来说，这一点是非常关键的。所以就是在CAD的基础上，其实是有能力去做进一步的一个提升。后面的话我们会讲一下，关于在各个阶段上AIDD会是怎样的一个赋能。 发言人07：34 首先从药物早期的发现开始，最早期的这样的一个发现，我们可以看到在几个核心的领域上，其实AI已经开始有这样的一些应用。首先是大家可能最熟悉的蛋白结构的一个预测。因为其实做药的一个核心就是我们能够把药去跟整个人就是人体内之后的一个作用方式，能够去做更好的这样的一个预测和分析。相当于本身我们更多的是讲理论。现在有这样的一些拍照的技术，或者是一些营销的技术，能够帮助我们听到药物的真实的这样一个作用模式。这样的话其实对于我们的开发来说，就能真正像拼图游戏一样，就是哪里缺一点，哪里多一点，我们都能够比较好去分析。 发言人08：18 这里面其实很多药物开发的难的地方就在于各蛋白结构很难真正想就是因为我们的拍照技术能够去做一些解析，因为很多结构它的不稳定性，其实会造成我们去解析方面的困难。所以可以 看到像11分小说这样的大咖，就是解析出一个结构，其实就能够发出很高分的文章。因为确实挑战是非常高的。在这种基础上，其实我们要去做药物研发，就是需要找到方法。能够即使不能我们真实去拍照，但是我们也能保证我们的模拟也能更加清楚。所以阿尔法code其实就在这一方面，其实是提供了这样的一个思路。 发言人08：53 当然阿拉特库等软件其实已经能够对一些结构去做一些预测。包括特别是对已经有结构解析的这样一些药物八点或者药物蛋白质，对它同类别的结构的话，其实已经能够有相对准确的这样的预测。这一块其实是大大的提升了这样的一个在早期发现中，靶点结构解析这一块的一个难题。所以对于一些难解性的靶点来说，就是提供了比较好的这样的一个预测手段。 发言人09：20 但这方面其实也会存在进一步的这样的一个挑战。就在于我们现在可能阿拉伯的兔能做的是对静态的一个蛋白质能够去做解析。未来的话，其实在技术发展，我们个人希望去看到的就是能够对药物和蛋白质的相互作用。那这样的一个共结晶能够去做相关的一个结构预测，或者相关准确的预测。如果能够准确预测，其实对于我们药物设计来说，其实又能够很好的去体现这那这个是结构预测方面的一个作用。 发言人09：49 第二个是潜在靶点发现，可以看到就是从整个打点发现的过程中，其实基本上都是在临床的医生或者是药企的这样的一个是生物发现的团队。通过比较多的这样的一个猜想和便于实验的验证，然后去在文章中发发表了一个潜在的一个靶点。但其实有很多白酒确实通过我们正常的学术演绎和推理，其实很难去发现，或者是容易去遗漏。这种情况下就是通过AIC现在在整个大数据分析方面，其实是有比较多的应用。通过对相关病人的这样的一个各种指标的东西。通过复杂的这样的一个网络，能够在里面找到具体的这样的一个患者的意志性，以及患者之间的共同点。这样的话其实就能够有机会去发现潜在的治疗通路和潜在的患者。所以这个也是在早期发现中，其实是有机会去做更多应用的这样的一个。 发言人10：43 第三个就是老药新用，这个其实在新冠的时候，其实AI也是发挥了比较多的作用。包括像发热 病毒这样药的这样的一个是从定位到新冠上，其实这个也都是得益于大数据的匹配和AI的这样一个发现。其实就是通过这样的一个大。 发言人11：00 数据的一个支持，其实是可以帮助一些经典的药物，就是我们已经上市的药物，能够去找到一些新的这样的一个靶点，或者是新的这样的一个新政。其实这样对于药企来说，其实就是可以用一个药物迅速的去打开一个新的技术。这个是AI在靶点发现和确认相关技术。比如说我们在药物研发的最前端，它能够去起到的这样的一些作用。 发言人11：26 是就是苗头化合物发现的这个阶段。其实苗头化合物发现其实我们又会分为几个点。其实大家可以找到这个漏洞。其实筛选对于一个药物研发的其实来说，其实会是非常重要的那对于苗的话我来说，其实AI其实是有机会去助力这个虚拟筛选。其实ADD其实已经不合作的地步，就是DDD但而且大家已经能够去建立这样的一个虚拟的这样的一个化合物库。通过建立比如说上百万的这样一个话题库在里面去做筛选。那其实是能给我们的早期的药物设计提供比较多的这样的一个指导。那AI的助力之后，其实是能够起到进一步提升的这样的一个逻辑。 发言人12：07 其实在于我们在整个研发的时候，就是我可以去通过这样的一个虚拟库去产生更新的结构，以及更新的这样的一个模式。因为从CAP角度来说，更多我们去建立化合物库还是基于我们现在已有的结构而已。有的就是我们可能用一些零风险这块这样一些部分我们去做搭建和构成。其实通过AI的话，我们通过一些项目的推进，其实可以去产生一些更新，更符合现在治疗手段的一些新的结构。那这样的话其实是能给在原料化物发现方面，跟传统的CADD相比，其实是有机会能够做出更贴近实际要求的这样的一些答案和结果。所以这个是其实对于心理筛选这一块来说比较重要的。 发言人12：52 当然其实对于研发来说，更高效的是很多企业现在在做的肯定还是AI与实体筛选的结合。比如说AI的评价，我可以在一些和一些经典的像del库，然后BD库这样的一些以片段构成的库的这样一个筛选。其实可以做相关的结合。那就是从实体的角度上来说，就是AI的这样的一个评 价打分，其实可以对CLFFDDD的这些虚拟的这些就是实体的这些片段库，其实能够去做更好的这样的一个优化。同时根据片段的一些初步的一些结果，AI其实也是能够做进一步的筛选和反哺。这样的话其实是在一定程度上去提升实体筛选的这样的一个验证的一个效率。 发言人13：36 第三个其实就是最为重要的就是AI的重头的设计，确实就是我们说科学家的思维，他其实是也有过去研发经验的这样一个框架。计算机在一些数据库的储备，其实也有本身框架的这样一个限制。但是通过深度学习的话，其实可以在研发的过程中去产生全新的结构，包括能够突破现有思维的这样一个结构。这样的话就可以不受原有库的这样的一个束缚，通过权限结构的方式更好的去助力我们尽量发现的这样的一个突破的进展。