清华姚班、MIT计算机博士：入局AI制药风口，为什么要趁早？丨附19个现场问答

近日，雷锋网《医健AI掘金志》以“AI制药·下一个现象级赛道”为主题，约请百图生科、剂泰医药、未知君、望石智慧、英矽智能、星药科技六家先锋企业，举行了一场线上云峰会。

作为此次活动的演讲嘉宾，星药科技创始人&CEO李成涛，以《人工智能在小分子药物研发中的运用》为题，对星药科技的AI新药平台做了引见。

李成涛表示，总结来看，AI制药次要就包含两类成绩，首先是分类与回归，知道一个新分子到底有怎样性质，其次是生成与设计，找出那些是好分子，那些是不好的分子。

目后人类曾经探求出的化合物空间大概是1010-1012，但合适成药的成药化合物大概是1060，这就像一个宏大的宇宙，我们知道的只要一个小太阳系，甚至是小地球。在这种状况下，人工智能这样的工具如何打破原有思想定式，找出比传统人类方法更好的分子，就成为了关键。

以神经网络的黑箱成绩为例，人们往往以为人工智能不可解释，在AI制药研发当中，星药科技引入了信息瓶颈和剪枝技术，让黑箱成绩变得愈加可视化。

也就是，把分子丢进AI制药模型之后，不只可以告诉我们毒性好不好，还可以找出是哪一个模块或哪一个基团导致。

把这个结果和图像信息拿给药物化学家判别，就可以知道分子是不是遵照思绪，描画是不是契合迷信原理，当分子不够理想的时分，也能知道是哪部分缘由，从而可以有针对性的停止改结构。

像这样的途径和方法，在创新分子研发、找新可专利分子、分子衍生跃迁中都有极大的协助。

以下是演讲全部内容，《医健AI掘金志》做了不改变原意的整理和编辑：

非常感激大家留出工夫参与这场活动，也非常感激雷锋网的组织，能让我无机会和大家分享一下公司在人工智能以及小分子药物研发运用做的一些工作。

首先自我引见一下，我是李成涛，2010年至2014年本科就读于清华姚班，2014年去麻省理工学院攻读博士学位。

本人的背景是计算机与人工智能的方向，但在波士顿接触了很多做药物研发迷信家们，了解到很多与药物研发相关的运用，所以觉得人工智能在小分子药物研发上是有用武之地。

在获取博士学位后，我创办了“星药科技”，次要经过人工智能加速小分子药物研发。

在这里与大家简单引见一下，详细如何去做的，以及这个范畴有哪些痛点，同时人工智能是如何协助处理这些痛点。

演讲分为如下几块：

1、简单讲讲新药研发的整个流程，以及面临的应战；

2、人工智能是如何与新药研发结合，并加速整个新药研发流程；

3、小分子药物研发流程，即每一步该怎样做，如何经过人工智能算法提速整个流程；

4、技术总结与范畴展望。

一、周期长、成本高，新药研发难题待解


首先讲讲新药研发面临的应战。

众所周知，新药研发其实具有长周期的特点。我们简单把新药研发流程分为两大部分：

一是临床前阶段，包括早期化合物的发现、化合物的优化，一切的工作都是我们在人体外停止的，包括设计小分子之后，根据小分子在细胞、小鼠甚至猴子上做的一些验证明验，去观察这个小分子能否可以达到我们想要的效果。

临床实验之后，分子就可以进入临床实验阶段，在人体上停止一些实验。临床实验本身又分为一期、二期和三期，分别可以观察药物本身的毒性、有效性以及大规模人群中运用的详细效果，假如经过临床三期，药物就可以获批上市。

但整个流程上去，过程非常漫长，总耗时达到了9-15年的工夫，而临床前工夫会花费4-7年，剩余就是临床实验工夫。另外流程成本极高，平均一款新药从源头末尾，到药物正式上市总成本是非常之高。

但这样一个成本极高、耗时极长的业务，报答率却相当低，这归因于每个步骤低成功率。

刚才提到临床和临床前阶段，成功率都低于10%，所以全体概率低于1%。

假如我们做了100个项目，能够最后只要1个项目成功，甚至没有一个结果，形成极低投资报答率。作为参考，在美股熔断之前我们停止投资的话，每年报答率大概是10%，但新药研发报答率大概为1.8%，可以想象这是一个不太优质的投资标的。

这也阐明这个行业面临各种各样痛点，新药研发耗时长、成本高、报答率低特点，那星药科技可以提供什么样的处理方案呢？

二、 AI，能为新药研发带来什么？

首先是技术层面。每一个新药研发后期的模块上，例如虚拟挑选，我们的Hit Rate能比传统方法高出十数倍；包括一些小分子预测；还有可合成性挑选上，这在本质上处理了一些新药研发难点，同时极大延长了从靶点开发，到临床前候选药物所用的工夫。

4-7年或许可以将它紧缩至1-2年，甚至一年以内。最终我们经过人工智能算法和算力，可以支持多条管线并行停止，也就是用异样的工夫，异样成本，可以做到更多条管线。

其中一个药物研发的项目即是一个管线，假如我们可以支持多条管线同步停止，对药企而言，我们就可以规划更多管线，做更多尝试，这一点对整个产业界都是至关重要。

简单谈一下，人工智能和新药研发到底是如何结合？

人工智能近几年迎来一次迸发式增长，尤其是在2012年之后，即AlexNet之后各种各样模型、算力以及数据都获得长足提高。

以ImageNet为代表的全体数据规模提升，加上英伟达为代表基于GPU算力提升，还有模型复杂度质的提升，为模型本身才能带来新飞跃。

这些提升让整个人工智能范畴各式运用喷薄式增长，这边罗列几个典型案例。

例如医疗影像，我们可以用AI辅助医生CT影像、X光影像诊断；例如无人车，Google Waymo、小马智行也都做得非常棒；

最后是Alpha Go，置信大家并不生疏，2016-2017年，大家都不看好Alpha Go可以打败李世石，但它做到了。

这些事情非常震撼，证明某些状况下人工智能比人类更好，即便是在一些人类曾经研讨或者学习了上百年范畴。

那AI在医药范畴到底有什么样的运用呢？

刚才讲到，医药研发分为临床前研发和临床研发两部分，AI对两部分都可以提供对应作用，这外面分为不同Modality，即不同药物方式：有小分子，有大分子，有多肽，有PROTAC，有核酸类药物，包括最近Modena做的mRNA药物，也是一种Modality。

此外，临床实验设计上人工智能也能提供一系列协助。

我们罗列比较有代表性运用，包含活性预测，即小分子与蛋白质结合后，蛋白质活性是上调还是下调，这是非常重要的成药性参考目的 ；

还有ADME/T性质预测，即药进入人体之后，经过吸收、分布、代谢包括排泄对人体毒性有多强，一切这些性质预测，可以协助很好判别小分子成药性质到底怎样样；

还有人工智能对药物晶型的预测，或者人工智能对药物制剂预测，处理了我们全行业的一个痛点。

所以整个小分子研发早期链条上，会发现很多不一样的运用，都可以用到人工智能。

明天简单讲讲人工智能怎样运用在小分子早期研发上，其中包含两个次要数据，一个是分子数据，一个是蛋白质数据。

为什么是这两个数据。首先由于小分子药物本身就属于小分子，所以分子数据非常重要；

对于蛋白质而言，由于小分子在体内发生作用机制大多会与特定蛋白质结合，调控蛋白质活性，以达到治疗疾病效果，所以小分子与蛋白质到底能不能结合，结合之后有没有生物活性，都是非常重要的目的。

其中对分子有很多种表达方式，例如一维描画符，或一维SMILES string，把它变成序列，又或者变成二维数学意义上的图，每个原子作为一个节点，每个化学键变成图中的边。

还有三维方式，小分子在三维环境中会有各种各样torsion，包括各种各样奇异结构、构象变化，这也非常重要。

说完小分子，还有蛋白质。

蛋白质一维可以表征成一个氨基酸序列；也可以表示二维contact map，也就是间隔图，代表三维结构中每一个氨基酸间隔；再到三维，经过复杂折叠状况完成各种功能。

前一段工夫大家关注到Deepmind工作，从整个蛋白质序列信息中直接预测三维结构信息，即用一维信息预测三维信息。

理想上，一切分子表征都可以用不同神经网络做编码，例如直接做全衔接神经网络，直接适用于描画符；或者一个定长向量，可以直接预测；还有卷积神经网络适用于矩阵方式，例如蛋白质表征；再比如循环神经网络，做一维的序列信息表征；还有图神经网络，做图结构东西；再比如三维卷积神经网络，编码三维空间信息。

人工智能编码完成之后，就可以完成一些药物研发义务。

首先就是分类与回归，知道一个新分子到底有怎样的性质，例如ADME/T性质，毒性、水溶性、代谢吸收性质。

给AI一个分子，预测出一个值，这个值代表水溶性是多少、毒性是多少，毒性本质上是分类成绩，有没有毒性是0或1成绩，水溶性是回归成绩，一个延续值意思。

另外就是生成与设计，在探求化学空间的时分，人工智能设计新分子不只仅是去做分类与回归，判别哪些是好的，哪些是不好的。

目前，人类曾经探求过的化合物空间大概是1010-1012，但成药化合物空间大概是1060。

1060与1010差了1050倍，所以实践我们可以看到，整个药物研发未被探求的化合物空间，又或者成药的化合物分子空间是非常宏大的。

我们可以把它了解为一个宏大的宇宙，而我们探求过的仅仅是小太阳系，甚至是小地球。

在这种状况下，如何去探求系外的东西，无论是星系也好、小分子也好都可以应用人工智能，成绩就是如何让人工智能设计比传统人类方法更好的分子。

了解了分类与回归和生成与设计成绩之后，就可以完成整个AI制药研发流程迭代。

三、 填补蓝图，AI赋能研发流程


接上去简单讲一讲，人工智能结合小分子药物研发的流程。

首先是数据，我们有很多种数据，包括公开数据、商业数据，以及本人标注的数据，这些数据量级都非常大。

而且对应不用靶点特定项目，我们也有特定数据，即专项数据，处于不大不小量级，结合之后对整个模型可以起到很好微调效果。

这些数据丢到药物研发平台之后，可以看到经过训练当前，可以进一步精细调整，进入到整个AI制药主流程当中。

其中包含各种各样的项目类型，不管是First-in-class， Fast-follow， Best-in-class，Me-too还是Me-better，大家可以简单了解为药物研发一种项目，这些项目后边会走三条道路：

1、全重生成。在疾病治疗时，存在一些已有分子，结构还不错、性质也不错，但由于专利缘由需求避开本来专利限制，找新可专利分子。

此时我们会直接用模型库，几百个模型去生成一个虚拟、千万量级分子库，再停止下一步挑选；

2、衍生跃迁。有些分子本身性质曾经比较好，但能够需求进一步的优化；又或者有些分子曾经成药，照旧希望看看他的IP空间能否还有其他道路，即衍生跃迁模型。

基于现有分子，停止部分改构，然后做一些新优化或生成，这样的生成异样是千万级别；

3、商业化合物库。我们大概有几百万级化合物库，可以直接停止挑选，这些都是人类之前曾经可以合成、可以买到的，可以很快获取需求的化合物。

其中很多化合物可以成药，只是之前没有发现，如今可以尝试在建立残缺库之后，进入下一步虚拟挑选。

经过我刚才提到的很多方式，例如直接预测各种性质，又或者给一个小分子或蛋白质，预测小分子与蛋白质结合方式，就能够筛出几十个甚至上百个合适分子，最终合成完之后做出新实体分子。

接上去就是湿实验验证，即在实验室里停止实验，在细胞层面甚至动物层面看到底有没有效果，这些实验结果都会反馈到整个数据库当中，进一步协助我们迭代模型。

也就是假如湿实验我们找到非常好的分子，就能停止各种各样验证；假如结果差强者意，甚至不太好，也可以前往到数据库，再停止进一步迭代。

在这方面，我们曾经做出一些成绩，例如选一个中枢神经系统靶点，生成千万级别化合物库，挑选出百万级化合物库，并最终合成出五个分子。

经过湿实验检测，全部都是有很好的活性且有专利空间。其中五个分子中有两个分子来自于全重生成的De Novo模块，拥有全新骨架结构，因此具有足量专利空间；

另外三个来自于衍生物跃迁模块，根据现有阳性药停止改造，使得各种性质表现更好，也具有专利空间。

在商业化合物库中，我们从百万级别商业化合物中挑选出100个小分子，在后续湿实验验证中筛出了57个具有活性分子，即IC50小于10微摩尔。

作为对比，我们看看传统计算化学或传统挑选方式是什么样。

传统挑选方式概率或Hit Rate大概是2%-5%。这意味假如挑选出100个分子，大概只要两到三个或四五个有活性，而我们则可以挑选出57个有活性分子。

所以，相比于传统方法，我们可以把这一效率提高数倍甚至十数倍。并且在57个分子中，有34个是具有较高活性的分子，IC50小于一微摩尔，这些都可以用作下一步的检测。

总的来看，这一筛查过程被我们提速相当之多，由于传统方法找到个位数纳摩尔甚至皮摩尔级别分子需求一年甚至几年，而我们只需求短短几个月工夫：甚至这次只用了两个月。

四、 技术创新，如何让研发从质变到质变


接上去我给大家讲解一下简单的技术成绩。

例如，我们是如何判别一个小分子能否与一个蛋白质结合的？

这是发表过论文的，当时我们运用蛋白质三维结构作为信息输入，这可以令我们在做小分子和蛋白质对接模型，思索到小分子和蛋白质互相作用，尤其是三维结构上婚配程度，这个额外信息让我们目的有一个质的飞跃。

大家可以看两个图代表我们和主流算法的区别，绿色是bar，相对于其他主流算法要高出一截，所以小分子与蛋白质对接运用上，我们做得非常好。

另外就是大家关怀的神经网络黑箱成绩。

谈到人工智能，大家往往会以为人工智能不可解释，即AI制药是不是也是黑箱成绩，由于我们做预测的时分，向神经网络里丢一个分子，神经网络就会告诉分子式毒性好不好。

这样预测结果出来，我们也不清楚终究是什么要素导致做出这样的结果，为了处理可解释性成绩，我们引入了信息瓶颈和剪枝技术，进一步把信息可视化。

也就是把分子丢出来之后，系统会告诉我，假如毒性表现不好，是哪一个模块或哪一个基团导致，这个结果和图像我们也会拿给药化学家看，看看分子是不是遵照思绪，全体描画是不是契合迷信原理。

这个内容不只仅让大家看，更重要的是，他可以给我们提供什么样insights，最次要信息就是当我们发现分子不够好时，可以知道哪个地方的缘由，以致于我们在改结构的时分，可以有针对性停止。

例如神经网络告诉我，由于某个基团存在毒性降低了，我们只需求改这个基团即可。

再引见逆合成成绩，当系统给我一个分子之后，一切分子都在电脑中，假如我们需求检测，就把他合成出来，由于临床分子不能够在电脑分子中。

所以如何把分子合成出来，也是我们尝试经过人工智能去需求处理的成绩。

虽然人类设计一百或者两百分子就达到下限用不到人工智能处理，人类专家就可以判别通量成绩；

但如今是人工智能时代，人工智能设计每次都是上千万、上亿级别，人类专家是无法研讨如此宏大通量的逐一可行性的。

所以寻觅自动化，找合成途径或判别分子能否合成工具就显得非常关键，这一块我们也做了不少工作，刚才说的每一页都有自研论文支持。

最后要一下展望。

人工智能和药物研发结合，只是最近几年的事情，所以我们希望人工智可以做更多的事情，包括模块效果提升、延长靶点到开发PCC工夫，在相反工夫成本下尽能够多规划更多管线，这是目前可以做到的。

将来，我们希望人工智能为小分子研发研发，提供加速药物发现支持，这样可以大幅提高新药研发效率，使得管线愈加多样化。

在整个医药产业里，我们希望促进人工智能与生物医药结合，以数据为中心停止药物发现，迸发出新力气。

这些工作最终都是为了患者。作为一个医药企业，首先的责任，就是让人们远离更多病痛，让新药触手可及，让人工智能找出更多治疗方案。

问答环节


Q1：小分子蛋白质结合一级人工标准清洗的数据库，是采购公开数据并停止清洗的吗？

李成涛：分为这么几块：一个是公开数据，一定是一大块，其实都是我们非常好的源头；同时还有一些商业的数据库，是我们可以购买到的；也有些渠道可以购买到一些更好数据；还有是本人人工发掘。

这外面用数据发掘方法来看，例如说专利文献外面数据点，或者是我们人工标注的数据，其实也占了相当一部分的。

再之后，例如一些合作数据集、公有数据集，由于如今本人也做很多实验，验证整个算法，所以在这边整个数据量也不断往下跌，这块其实有多种数据源，最后整合在一同。

这位同窗提到清洗这点是很好的。清洗这件事情很关键，由于实践上大部分数据都噪音比较大，而且同一个小分子和蛋白质在这个数据里能够是这个结果，在另一个数据里能够是另一种结果。

这种误差的缘由是不同实验室的环境导致的，就是不一样结果，又或者不同环境、不同人去操作，甚至不同protocol，做出来结果就是不一样。

这个时分怎样选取，甚至怎样舍弃需求一步一步尝试，最终我们希望结合、交融之后，可以让整个模型算法准确率得到比较好的提升。

Q2： 分子表征方法是有开源的标准化方法，还是每家自行开发的？

李成涛：每家一定都会本人开发，我们本人也是开发了不同的各种各样的表征方法，由于外面提过，提取哪些 特征这一点是非常重要的，直接决议了我们下游的义务，在有限的数据集中能不能达到非常好的效果。

所以这块我们本人开发了很多，也有一些标准化方法，比如说我刚才讲的把一个小分子变成一个SMILES string，就是一个序列的表征，这个东西其适用一些软件包就可以做到。

Q3：跨界做药的难点在哪？

李成涛：我觉得这是一个挺好的成绩，我常常会被问到。由于我本人是人工智能背景的，其实之前也是做纯计算机迷信的。

高中当时也是化学和生物还都没学完就被保送，所以其实积累一末尾是需求做很多的工作，包括跟很多人聊，读一些做药物研发的书，我有几本书就是我不断在18年的时分一整年在读的。

学习新范畴，这个本质去了解新的范畴在做什么，他们的痛点是什么，这需求很多工作。

当然，最快的方法一定是跟人聊了。但是在一末尾跟人聊会遇到很大的困难，大家会发现很难互相了解，

由于我们在说不同的言语。我在说人工智能或者计算机方面言语，但对于迷信家能够在生物方面或者化学方面的言语，互相了解对方在说什么其实还是需求花一些工夫的。这个工夫花完了之后基本就能去做了，我觉得从背景来讲，其实是一个比较大的难点。

Q4：AI更合适用于De Novo还是改结构？

李成涛：人工智能是可以做的，很难讲更合适于哪些场景，由于这两种场景我们都有成功案例。

刚才讲的CNS，叫中枢神经系统靶点，我们既有这种 De Novo分子，它能达到个位数纳摩活性；

也有改结构，根据阳性药稍做修正，拿到活性更好的分子，这都有成功案例，所以很难说哪个更适用，都可以用人工智能辅助合成。

Q5： 目前业务的核心壁垒在哪里？

李成涛：我核心壁垒挺多。首先是know-how，就是知道这件事情应该怎样去做，但实践会发现传统药物研发是一种流程，人工智能+药物研发+计算化学又完全是另外一种流程。

当不知道哪种流程才是最优化，就需求不断去尝试。尝试的过程，就是不断找新流程的过程，其实就会逐渐构成我们本人的壁垒。

算法也是壁垒，星药科技不断努力于推进整个算法前沿，我们同事在内很多人在这外面，不管是人工智能会议，还是迷信期刊外面发表论文大概将近20篇。

我们在整个算法范畴是引领全球的，所以如何在有限数据内把算法发挥到极致，这件事情也是我们本人的壁垒。

再其次，数据的壁垒，由于本人是做人工智能的，所以很早的时分就末尾做数据清洗整合，怎样样交融才能让模型发挥最大功效的东西，

整合后的数据是我们另外一个核心壁垒，它可以让我们整个模型达到非常高的下限。作为对比，假如没有积累，直接把两边数据交融在一同，很难得到称心的结果。

Q6：NLP在我们的研发中，都在哪些场景发挥作用？

李成涛：发挥作用还挺多的。任何有序列的地方，NLP都可以发挥作用。NLP本质上是什么？

本质上就是对于序列的编码和解码，对于序列的编码和解码，我刚才讲到的不管是分子也好，还有蛋白也好，他其实都可以表征成一个序列，只需这样，NLP就有用武之地，transformers也好，都可以在这个场景中发挥很大的作用。

还有比如说比较有意思的运用。这里延伸一下，刚才讲到的逆合成，给我一个分子，我怎样样预测，他能够是由哪些反应物反应生成的，这两个反应A+B能生成C，我given C之后我怎样样预测A+B？这个其实就是从一个序列预测另外一个序列的成绩。

从一个序列预测另外一个序列本质上是什么？本质上就是一个机器翻译的成绩。机器翻译其实按照如今曾经有很多的工作，它可以做得很好。

Q7：AI发现药物最大的难点是在分子合成吗？

李成涛：这个东西没有什么最大难点。我发现这个分子是新 ，但成绩是分子还需求经过很多步骤，才能真正上临床。

外面包含怎样样去合成，各种各样活性，水溶性，ADME/T，在小鼠下面身上有没有药效，毒理是怎样样的，都需求去做检测。

这个东西本质跟传统药物研发没有任何区别，有点像游戏过关，几个关卡 Boss都曾经确定，只不过人去打还是机器去打，本质上是一样的，所以没有什么最大难点。

Q8： 除了用AI停止预测之外，也会用计算方法停止预测吗？

李成涛：我觉得这个我们会用的，任何一个基于计算的方法我们都会去尝试。

AI的本质是什么？AI本质它就是一个工具，我们目的不是用这个工具处理成绩，我们目的是处理成绩，所以什么工具随手就用什么。

有些地方AI能做得好，我们就用AI，有些地方FEP或者其他这种方式能做得更好，我们就用这种方式，其实选择很简单。我们在做药物研发的时分，最终的目的是要产生药，而不是用哪种方法去做，这个其实想跟大家去传递的。

Q9：商业合作形式是什么样的？

李成涛：次要是做结合研发，我们会和药企这边停止结合的深度的合作研发，就是我们担任临床前这边，同时整个时期会跟药企停止深度的互动。在之后，由药企去把这个东西推上临床，大概是这样一个状况。

Q10. 有没有尝试AI+新靶点发现？

李成涛：我们也有在做，切入点可以运用知识图谱做新靶点，这显然是可以做的。详细怎样做，每一家都不太一样。

我们找到新靶点之后，怎样样验证靶点能否正确，能否可以完成想象中的生物学通路或机制，我觉得这其实是一个迷信成绩，需求用迷信，也就是用实验方式处理，不觉得可以用AI处理。

所以AI可以发现新靶点，但发现新靶点之后怎样验证靶点能否可以work，也是需求工作的。而且在这之后，基于新靶点再去设计挑选优化合成，最后检测，构成数据闭环照旧是AI可以完成的。

Q11：可不可以对中药用AI？

李成涛：这个答案是一定的，中药有本人的特点，例如活性比较多，合成比较难，但从实际上都是可以用的，而且我们如今也在看这个方面。

Q12： 挑选通量能达到什么样的程度？

李成涛：其实本质上我们计算的通量能有多少，只需投入工夫和成本，通量多大并不是太大成绩。首先， AI去做挑选的话，它整个计算需求量没有想象中那么大，其实就是我给一个输入，然后输入一个值。这种东西其实没有想象中那么难。

就是它的速度也非常快，这块无非取决于我们最终能有多少机器，多少云计算，所以我们直接去挑选的话，几百万上千万甚至上亿，这都不是太大成绩。

Q13： 挑选前生成的分子的质量是怎样把控的？

李成涛：这其实有各种各样方法。例如可以用一些让化学家总结出的一些规则，这些东西可以帮我们挑选一些分明不正常的分子，这些会很难合成，最好直接放弃。

Q14. 人工智能在药物中的运用，目前市场行业前景怎样样？将来的市场发展趋向如何？

李成涛：整个行业处于一个比较初期的形状，大家也在不断往前推各种新技术和新方法，在将来会有一个比较大的提升和飞跃。

首先整个行业里，国家非常鼓励创新药研发，同时创新药研发又面临刚工夫长、成本高，投资报答率低等成绩。

所以人工智能作为一个必要工具，当前会在药物研发中起非常重要的作用，像这种技术公司的整个市场行业前景也是比较看好的。

Q15 .用AI挑选药物的时分如何平衡活性和毒性？有时分有毒了，分子能够恰恰也是最有效的，修饰一下，就能够成为药物。

李成涛：这个成绩很专业，同时也非常在点子上，我们实践发现有的时分优质分子并不是毒性最低，然后活性最高，这只是一个理想形状。

实践我们往往会发现，要不然就是活性高，毒性也高，要不然就是活性低，但也没啥毒性。活性低毒性高的就不用看了，这就是毒药嘛。

全体来看我们需求做一些取舍，这和我们的顺应症有关，例如癌症对毒性tolerance其实是比较高的，由于癌症本身是一个严重的疾病，致死率非常高，虽然稍微有毒一点，但能治病，就照旧是有意义的。

但假如是一个比较小的病，像感冒药吃了之后，发现对心脏有影响，就得不偿失了，这个东西跟我们顺应症是有关的，的确不太一样。

Q16：新药研发过程能否需求专家阅历参与，研发专家程度怎样样？

李成涛：首先，一定是需求专家参与的。需求专家给我们AI一些指点，给我们计算化学一些指点，尤其是他们的有些直觉其实是必要的。

我们专家团队同事之前是在美国跨国药企工作几十年，非常有阅历，可以带着我们对AI有更好指点，同时可以对整个管线更好推进。

Q17： 应用了 AI助力研发分子的成药性，如何知道这个药能治疗哪种疾病，或者针对哪个靶点？

李成涛：这也可以预测和检测出来的。我们一末尾就会确定，要针对哪一个靶点停止药物开发，然后根据靶点以及阳性药的三维结构信息，去做生成设计，包括合成筛工作，所以正常流程是先确定靶点，然后再设计药物。

Q18：新药研发周期长，如何获得波动的支出？

李成涛：不断地去做药物研发，由于我们可以在更短的工夫内以更低的成本获得一些临床前候选，甚至往后推到临床，所以这个事情其实就是一个可以构成良性循环的商业模型了。

Q19：这个新药研发形式成熟大概得多久？

李成涛：这个行业处于初期形状，但实践上发展速度也非常快的，在将来几年内应该会看到一些比较成熟的企业做得非常棒。

非常感激大家明天的工夫，也欢迎对药物研发以及人工智能在药物研发范畴感兴味的同窗欢迎联络我们，加入星药科技各种各样全职和实习。雷锋网雷锋网