2021年医药行业竞争格局与新药研发趋势分析报告（18页）.pdf

《2021年医药行业竞争格局与新药研发趋势分析报告（18页）.pdf》由会员分享，可在线阅读，更多相关《2021年医药行业竞争格局与新药研发趋势分析报告（18页）.pdf（18页珍藏版）》请在三个皮匠报告上搜索。

1、靶点发现: NLP+深度学习传统靶点研究以直观的方式定性推测生理活性物质结构与活性的关系，进而发现机体细胞.上药物能够发挥作用的靶点。药物学家参考相关科研文献和个人经验去推测靶点，需用23 年的时间，而且发现靶点的可能性极低。AI通过自然语言处理技术(NLP)学习海量医学文献和相关数据，通过深度学习去发现药物和疾病之间的作用关系，找到有效靶点，缩短靶点发现周期。化合物合成:机器学习+深度学习化合物合成主要通过分析小分子化合物的药物特性，包括与靶点结合的能力、药物动力学、药物代谢学等等，挖掘药物活性、药效较好的化合物，然后按照特定路径进行合成设计。在该环节，药物学家和化学家会对数千万种化合物依次

2、进行计算机模拟试验，需要耗费几年时间才能找到活性较好的化合物进行合成，成本通常在上百亿美元。而Al利用其机器学习和深度学习的能力，模拟小分子化合物的药物特性，能够在数周内挑选出最佳的模拟化合物进行合成试验，而且能够将每个化合物的测试成本控制在0.01美分，大幅降低了化合物合成的成本。化合物筛选:深度学习+图像识别每一种药物作用的靶向蛋白和受体并不专-，如果作用于非靶向蛋白和受体就会引起副作用。对于尚未进入动物试验和人体试验阶段的新药，需要提前对其安全性和副作用进行检测判断，已筛选出安全性较高的药物。目前，主要采用高通量筛选方式进行化合物筛选，在同-时间由机器人进行数以百万计的试验，其筛选成本达

3、数百亿美元。而Al可以从两方面切入化合物筛选场景，-是利用深度学习和计算能力开发虚拟筛选技术以取代高通量筛选，二是利用图像识别技术优化高通量筛选过程。这样，预计每年可以节约260 亿美元的化合物筛选费用。晶型预测:深度学习+认知计算小分子晶型不同，药物稳定性和溶解度就不同，因此，稳定的晶型结构关系到药品质量，特别是对于已上市药品，如果发生转晶现象，将会给药企带来灾难性的损失。而小分子存在多晶型现象，有的晶型稳定性强但溶解度差，有的晶型溶解度好但稳定性差。如果单纯依赖人工去获得稳定性强且溶解度好的晶型，不但需要耗费大量时间进行试验尝试，而且成功的可能性也极低。Al的出现，可以在很大程度上改善晶型预测效果，其依靠深度学习能力和认知计算能力，处理大量的临床试验数据，能在几小时甚至几分钟内找到药效最好的晶型。