您當(dāng)前的位置：檢測(cè)資訊 > 科研開(kāi)發(fā)
嘉峪檢測(cè)網(wǎng) 2025-08-04 19:29
作為深耕藥物研發(fā)一線(xiàn)的獵藥人，我們深知新藥研發(fā)的艱辛：一款成功藥物從發(fā)現(xiàn)到上市平均耗時(shí)10-15年，成本高達(dá)26億美元，且臨床試驗(yàn)階段失敗率超90%[1]。但今天，數(shù)智化技術(shù)正在重構(gòu)這一格局——AlphaFold3.0能在分鐘級(jí)預(yù)測(cè)蛋白質(zhì)與小分子結(jié)合構(gòu)象，AI虛擬篩選可對(duì)數(shù)百萬(wàn)化合物高效對(duì)接，電子實(shí)驗(yàn)記錄本（ELN）讓每一次實(shí)驗(yàn)數(shù)據(jù)都成為人類(lèi)和AI可復(fù)用的“數(shù)字資產(chǎn)”。本文將系統(tǒng)解析小分子新藥研發(fā)全流程的數(shù)智化方案，為科研人員提供從工具到戰(zhàn)略的全景指南。
一、數(shù)智化：新藥研發(fā)的“生存題”而非“選擇題”
醫(yī)藥研發(fā)數(shù)智化絕非簡(jiǎn)單的“技術(shù)疊加”，而是通過(guò)大數(shù)據(jù)、人工智能、云計(jì)算等技術(shù)，對(duì)研發(fā)全鏈條進(jìn)行數(shù)據(jù)驅(qū)動(dòng)的重構(gòu)。其核心目標(biāo)明確：讓藥物研發(fā)更高效（縮短周期）、更經(jīng)濟(jì)（降低成本）、更精準(zhǔn)（提高成功率）。
為何數(shù)智化越來(lái)越重要？
1. 技術(shù)代差已迫在眉睫
2018年以前，解析一個(gè)藥物靶點(diǎn)蛋白的四級(jí)結(jié)構(gòu)需要幾十人團(tuán)隊(duì)耗時(shí)數(shù)年；而2025年的AlphaFold3.0，能在幾分鐘內(nèi)預(yù)測(cè)DNA/RNA/蛋白質(zhì)/小分子結(jié)合體結(jié)構(gòu)，準(zhǔn)確率超90%，直接取代了80%的傳統(tǒng)結(jié)構(gòu)生物學(xué)實(shí)驗(yàn)室工作。這種效率躍遷意味著：未轉(zhuǎn)型企業(yè)將面臨“技術(shù)代差級(jí)淘汰”。
在小分子領(lǐng)域，這一變革更具顛覆性。傳統(tǒng)高通量篩選需投入大量人力、物力、財(cái)力篩選數(shù)萬(wàn)到數(shù)百萬(wàn)化合物，而AI生成模型可“從頭設(shè)計(jì)”符合成藥性的分子——未來(lái)，候選藥物可能主要來(lái)自計(jì)算而非實(shí)驗(yàn)篩選，數(shù)智化程度將直接決定企業(yè)生存權(quán)。
2. 數(shù)據(jù)成為核心競(jìng)爭(zhēng)力
研發(fā)數(shù)據(jù)的價(jià)值正在獲得更多的重視：實(shí)驗(yàn)記錄、散落在各軟件系統(tǒng)和實(shí)驗(yàn)設(shè)備的數(shù)據(jù)、臨床報(bào)告……這些“沉睡的數(shù)據(jù)”若能通過(guò)數(shù)智化工具激活，將成為創(chuàng)新的源泉。其中，電子實(shí)驗(yàn)記錄本（ELN）是實(shí)驗(yàn)室數(shù)據(jù)的“神經(jīng)中樞”——它不僅能替代紙質(zhì)記錄，更能實(shí)時(shí)整合儀器數(shù)據(jù)、關(guān)聯(lián)文獻(xiàn)資料、對(duì)接外部數(shù)據(jù)庫(kù)，讓每一次實(shí)驗(yàn)都成為“可追溯、可復(fù)用、可分析”的數(shù)字資產(chǎn)，是所有科學(xué)研究的數(shù)據(jù)地圖。
3. 全球競(jìng)爭(zhēng)倒逼轉(zhuǎn)型
國(guó)際巨頭已構(gòu)建完整數(shù)智化體系：輝瑞通過(guò)“AI藥物發(fā)現(xiàn)平臺(tái)”將早期研發(fā)周期縮短40%[2]，羅氏利用真實(shí)世界數(shù)據(jù)（RWD）平臺(tái)加速臨床試驗(yàn)入組[3]。我國(guó)不少創(chuàng)新型企業(yè)已經(jīng)擁抱數(shù)智化，如和記黃埔、和譽(yù)醫(yī)藥、益方生物；他們明白，若不加速轉(zhuǎn)型，不僅難以搶占國(guó)際市場(chǎng)，甚至可能丟失國(guó)內(nèi)份額——這不是“選擇題”，而是“生存題”[4-7]。
二、小分子新藥研發(fā)全流程數(shù)智化方案
小分子新藥研發(fā)是一場(chǎng)“精密的接力賽”，從靶點(diǎn)識(shí)別到上市后監(jiān)測(cè)，每個(gè)環(huán)節(jié)都需要數(shù)智化工具精準(zhǔn)賦能。以下結(jié)合實(shí)際研發(fā)場(chǎng)景，解析各階段的核心數(shù)智化技術(shù)與落地路徑。
（一）靶點(diǎn)識(shí)別：從“大海撈針”到“精準(zhǔn)鎖定”
傳統(tǒng)選擇靶點(diǎn)依賴(lài)人工查文獻(xiàn)和濕實(shí)驗(yàn)，耗時(shí)12-36個(gè)月。數(shù)智化技術(shù)通過(guò)“多維度數(shù)據(jù)融合”實(shí)現(xiàn)突破：
•技術(shù)核心：利用自然語(yǔ)言處理（NLP）解析數(shù)百萬(wàn)篇文獻(xiàn)構(gòu)建知識(shí)圖譜，結(jié)合多組學(xué)數(shù)據(jù)（基因組、蛋白組）和AI預(yù)測(cè)模型，鎖定與疾病強(qiáng)關(guān)聯(lián)的潛在靶點(diǎn)。例如，通過(guò)AlphaFold預(yù)測(cè)靶點(diǎn)蛋白的“活性口袋”，提前判斷小分子結(jié)合可能性。
•數(shù)據(jù)支撐：內(nèi)部數(shù)據(jù)以ELN為核心，記錄基因敲除實(shí)驗(yàn)、動(dòng)物模型藥效數(shù)據(jù)；外部整合UniProt（蛋白序列）、OMIM（疾病基因）、KEGG（代謝通路）等數(shù)據(jù)庫(kù)，形成“靶點(diǎn)-疾病-通路”關(guān)聯(lián)網(wǎng)絡(luò)。
•效率提升：將靶點(diǎn)驗(yàn)證周期壓縮至6-12個(gè)月。英矽智能利用該方案研究特發(fā)性肺纖維化靶點(diǎn)，僅用3個(gè)月就確認(rèn)TNIK為關(guān)鍵靶點(diǎn)，較傳統(tǒng)方法縮短數(shù)年[8]。
（二）Hit苗頭化合物獲?。喝N路徑的數(shù)智化升級(jí)
獲取具有潛在活性的Hit化合物是研發(fā)的起點(diǎn)，數(shù)智化讓三種傳統(tǒng)路徑效率倍增：
1. 專(zhuān)利規(guī)避設(shè)計(jì)（Patent Busting）
通過(guò)AI專(zhuān)利分析相關(guān)工具（如InPaper、Schrödinger）解析現(xiàn)有專(zhuān)利化合物的核心結(jié)構(gòu)，自動(dòng)生成SAR（構(gòu)效關(guān)系），可用于規(guī)避化合物的專(zhuān)利保護(hù)范圍（如改變?nèi)〈恢谩⒄{(diào)整環(huán)結(jié)構(gòu)），并通過(guò)虛擬篩選驗(yàn)證活性。
2. 計(jì)算機(jī)虛擬篩選
基于分子對(duì)接、藥效團(tuán)模型等技術(shù)，對(duì)ZINC、PubChem等數(shù)據(jù)庫(kù)的數(shù)百萬(wàn)化合物進(jìn)行“預(yù)篩選”。例如，利用AutoDock Vina結(jié)合GPU加速，1天內(nèi)可完成10萬(wàn)化合物對(duì)接；通過(guò)商用的碳硅智慧Inno-ADMET或免費(fèi)的SwissADME、admetSAR等計(jì)算工具預(yù)測(cè)成藥性，排除90%不符合理化性質(zhì)的分子[9, 10]。
3. 高通量篩選（HTS）
傳統(tǒng)HTS需手動(dòng)操作微孔板，數(shù)據(jù)記錄易出錯(cuò)。數(shù)智化方案通過(guò)“黑燈實(shí)驗(yàn)室”實(shí)現(xiàn)全自動(dòng)化：機(jī)器人完成移液、孵育、檢測(cè)，數(shù)據(jù)直接傳入ELN并關(guān)聯(lián)儀器原始文件（如HPLC圖譜），貝葉斯優(yōu)化算法實(shí)時(shí)分析結(jié)果，動(dòng)態(tài)調(diào)整后續(xù)篩選條件。某案例中，該方案將篩選效率提升5倍，耗材成本降低40%[11, 12]。
（三）Hit-to-Lead：從“苗頭分子”到“成藥潛力股”
Hit化合物需通過(guò)結(jié)構(gòu)優(yōu)化（SAR研究），從而發(fā)現(xiàn)Lead先導(dǎo)化合物，傳統(tǒng)依賴(lài)“試錯(cuò)法”，耗時(shí)12-24個(gè)月。數(shù)智化通過(guò)“數(shù)據(jù)驅(qū)動(dòng)優(yōu)化”實(shí)現(xiàn)精準(zhǔn)迭代，節(jié)省50%-80%研發(fā)時(shí)間：
•核心工具：深度生成模型（如ChemBERTa）基于現(xiàn)有Hit結(jié)構(gòu)“生成”衍生分子，強(qiáng)化學(xué)習(xí)算法自動(dòng)評(píng)估分子的活性、選擇性、代謝穩(wěn)定性；PyMOL、Discovery Studio可視化分子與靶點(diǎn)結(jié)合模式，指導(dǎo)結(jié)構(gòu)修飾。
•數(shù)據(jù)整合：ELN和CMS（化合物注冊(cè)管理系統(tǒng)）成為SAR研究的“數(shù)據(jù)樞紐”——記錄每輪化合物的合成路線(xiàn)、IC50值、毒性數(shù)據(jù)，同時(shí)通過(guò)API接口調(diào)取ChEMBL（已知活性數(shù)據(jù)）、BindingDB（結(jié)合親和力）等外部數(shù)據(jù)，構(gòu)建“結(jié)構(gòu)-活性”預(yù)測(cè)模型。某團(tuán)隊(duì)利用該方案，將Lead優(yōu)化周期壓縮至6-12個(gè)月，成藥性預(yù)測(cè)準(zhǔn)確率達(dá)75%[13]。
（四）Lead to PCC：向臨床前候選化合物的“跨越”
Lead化合物需通過(guò)二次驗(yàn)證、體內(nèi)外活性測(cè)試，一般在合成幾百到幾千個(gè)分子后，最終確定1-2個(gè)臨床前候選化合物（PCC）。數(shù)智化技術(shù)在此階段降低“實(shí)驗(yàn)室-臨床產(chǎn)品”轉(zhuǎn)化風(fēng)險(xiǎn)：
1. 二次驗(yàn)證與多參數(shù)優(yōu)化
通過(guò)類(lèi)器官芯片（替代部分動(dòng)物實(shí)驗(yàn)）測(cè)試Lead化合物的組織特異性，結(jié)合AI模型預(yù)測(cè)脫靶效應(yīng)（如激酶選擇性）。ELN記錄每次驗(yàn)證的實(shí)驗(yàn)條件和結(jié)果（如細(xì)胞濃度、孵育時(shí)間、增殖速度），與CMS（化合物注冊(cè)管理系統(tǒng)）繼續(xù)聯(lián)動(dòng)構(gòu)效關(guān)系，確保先導(dǎo)化合物優(yōu)化基于科學(xué)數(shù)據(jù)，有數(shù)據(jù)可依。
2. 體內(nèi)外活性與PD/PK研究
利用數(shù)字動(dòng)物模型（如Simulations Plus的GastroPlus和ADMET Predictor）預(yù)測(cè)藥物在體內(nèi)的吸收、分布、代謝、排泄（ADME），減少30-80%的動(dòng)物實(shí)驗(yàn)量[14]；自動(dòng)化藥代分析系統(tǒng)（如Sciex LC-MS）生成的數(shù)據(jù)直接傳入ELN，與體外活性數(shù)據(jù)關(guān)聯(lián)，快速鎖定“藥效-藥代”平衡的PCC。某項(xiàng)目通過(guò)該方案，將這一階段耗時(shí)從12個(gè)月縮短至8個(gè)月[15, 16]。
（五）CMC階段：從實(shí)驗(yàn)室合成到工業(yè)化生產(chǎn)的“無(wú)縫銜接”
CMC（化學(xué)、制造和控制）是藥物從實(shí)驗(yàn)室走向臨床的關(guān)鍵，數(shù)智化在此階段聚焦“工藝穩(wěn)定性”與“成本可控”：
1. 原料藥（API）工藝開(kāi)發(fā)
通過(guò)機(jī)器學(xué)習(xí)優(yōu)化合成路線(xiàn)：輸入ELN記錄的小試數(shù)據(jù)（如反應(yīng)溫度、催化劑用量、收率），算法自動(dòng)推薦最優(yōu)工藝參數(shù)（如連續(xù)流反應(yīng)條件），將API合成收率從30%提升至70%，雜質(zhì)控制精度達(dá)0.01%以下。諾華的連續(xù)制造技術(shù)正是通過(guò)該模式，將API生產(chǎn)周期縮短50%。
2. 制劑與晶型研究
AI晶型預(yù)測(cè)工具（如晶泰科技Xtalgazer和BIOVIA MaterialsStudio）篩選穩(wěn)定性最優(yōu)的晶型，減少60%的實(shí)驗(yàn)量；制劑開(kāi)發(fā)中，利用貝葉斯優(yōu)化（Bayesian Optimization）、DoE（實(shí)驗(yàn)設(shè)計(jì)）軟件結(jié)合ELN的處方篩選數(shù)據(jù)，快速確定片劑、膠囊的最佳輔料比例。
3. 穩(wěn)定性研究
通過(guò)加速穩(wěn)定性預(yù)測(cè)模型（基于QbD框架），結(jié)合實(shí)時(shí)監(jiān)測(cè)傳感器數(shù)據(jù)（如濕度、溫度），記錄不同條件下的藥物降解速率，提前6-12個(gè)月預(yù)測(cè)有效期，避免傳統(tǒng)“長(zhǎng)期等待”的時(shí)間浪費(fèi)[17]。
（六）臨床前毒理學(xué)研究：用“智能模型”替代部分動(dòng)物實(shí)驗(yàn)
傳統(tǒng)毒理研究依賴(lài)大量動(dòng)物實(shí)驗(yàn)，耗時(shí)6-12個(gè)月。經(jīng)過(guò)數(shù)十年的摸索和總結(jié)，2022年美國(guó)通過(guò)了《FDA現(xiàn)代化2號(hào)法案（FDA Modernization Act 2.0）》，F(xiàn)DA在當(dāng)年再次重申“減少、替代、優(yōu)化”臨床前動(dòng)物試驗(yàn)，2023年FDA提出鼓勵(lì)各種新方法學(xué)（new approach methodologies，NAMs），2025年提出逐步取消對(duì)單克隆抗體和其他藥物研發(fā)中動(dòng)物試驗(yàn)的要求，還發(fā)布了減少臨床前安全性研究中動(dòng)物試驗(yàn)的路線(xiàn)圖[18-22]。數(shù)智化方案通過(guò)“替代模型+AI預(yù)測(cè)”，符合FDA趨勢(shì)，實(shí)現(xiàn)新方法突破：
•3D器官芯片（如肝芯片、腎芯片）模擬藥物對(duì)人體器官的毒性，數(shù)據(jù)實(shí)時(shí)傳入ELN并關(guān)聯(lián)病理切片圖像；
•利用Derek Nexus、ToxPrint/ToxGPS等工具，基于化合物結(jié)構(gòu)預(yù)測(cè)遺傳毒性、心臟毒性、皮膚-光學(xué)毒性等，準(zhǔn)確率達(dá)70%以上[23]；
•ELN整合毒理數(shù)據(jù)與前期PD/PK結(jié)果，生成“安全性-有效性”綜合評(píng)估報(bào)告，為IND申報(bào)提供支撐。
（七）臨床試驗(yàn)：從“盲人摸象”到“精準(zhǔn)調(diào)控”
臨床試驗(yàn)是研發(fā)周期最長(zhǎng)（3-8年）、成本最高的環(huán)節(jié)，數(shù)智化技術(shù)從“患者招募”到“數(shù)據(jù)管理”全流程優(yōu)化：
•患者招募：利用AI工具分析電子病歷（EMR）和真實(shí)世界數(shù)據(jù)，快速匹配符合入組標(biāo)準(zhǔn)的患者，將篩選時(shí)間縮短20-90%[24-26]或增加24-50%的可入組患者[27]；
•數(shù)據(jù)采集：電子數(shù)據(jù)采集系統(tǒng)（EDC）替代紙質(zhì)CRF，與CTMS（臨床項(xiàng)目管理系統(tǒng)）、檢測(cè)實(shí)驗(yàn)室的ELN（電子實(shí)驗(yàn)記錄本）、eTMF（文檔管理）聯(lián)動(dòng)，實(shí)現(xiàn)“臨床數(shù)據(jù)- 實(shí)驗(yàn)數(shù)據(jù)”實(shí)時(shí)比對(duì)；
•風(fēng)險(xiǎn)控制：中央隨機(jī)系統(tǒng)（IWRS）動(dòng)態(tài)分配受試者，臨床藥物警戒系統(tǒng)（CT-PV）實(shí)時(shí)監(jiān)測(cè)不良事件，AI算法提前預(yù)警高風(fēng)險(xiǎn)人群（如肝腎功能異常患者）。
國(guó)內(nèi)外多項(xiàng)臨床試驗(yàn)通過(guò)數(shù)智化方案，顯著縮短了入組時(shí)間，并提高了數(shù)據(jù)核查效率[28-31]。
（八）上市后Ⅳ期研究：真實(shí)世界數(shù)據(jù)的“持續(xù)挖掘”
藥物上市后需通過(guò)Ⅳ期研究監(jiān)測(cè)長(zhǎng)期安全性與有效性，數(shù)智化在此階段構(gòu)建“全生命周期管理”閉環(huán)：
•整合醫(yī)院HIS系統(tǒng)、醫(yī)保數(shù)據(jù)庫(kù)等真實(shí)世界數(shù)據(jù)（RWD），利用TriNetX等平臺(tái)分析藥物在大人群中的療效差異；
•EDC系統(tǒng)臨床數(shù)據(jù)，為說(shuō)明書(shū)修訂提供依據(jù)；
•新型信號(hào)檢測(cè)工具（如ARISg+ 社交媒體 + NLP），從廣泛覆蓋的多種信息來(lái)源，提前識(shí)別不良反應(yīng)，及時(shí)發(fā)出風(fēng)險(xiǎn)預(yù)警[32, 33]。
三、數(shù)智化的“看得見(jiàn)的價(jià)值”：效率、成本與成功率的三重突破
經(jīng)過(guò)多團(tuán)隊(duì)實(shí)踐驗(yàn)證，數(shù)智化技術(shù)對(duì)小分子新藥研發(fā)的改進(jìn)已實(shí)現(xiàn)量化：
•周期縮短：從靶點(diǎn)到上市的全流程周期從10-15年可以壓縮至5-10年，其中靶點(diǎn)識(shí)別、化合物篩選等早期階段效率提升50%-80%；
•成本降低：AI虛擬篩選減少70%的實(shí)體化合物合成量，臨床試驗(yàn)患者招募成本降低30%，全流程研發(fā)成本降至5-10億美元；
•成功率提升：臨床前候選化合物進(jìn)入Ⅱ期臨床的成功率從傳統(tǒng)的30%提升至50%以上，核心得益于數(shù)智化對(duì)“成藥性”的精準(zhǔn)預(yù)測(cè)。
四、未來(lái)展望：從“工具賦能”到“智能創(chuàng)造”
數(shù)智化的終極目標(biāo)，是讓新藥研發(fā)從“經(jīng)驗(yàn)驅(qū)動(dòng)”變?yōu)?ldquo;數(shù)據(jù)驅(qū)動(dòng)”，甚至“智能創(chuàng)造”：
•超級(jí)科學(xué)家數(shù)字員工：融合多學(xué)科知識(shí)的AI大模型，基于大量外部文獻(xiàn)數(shù)據(jù)和內(nèi)部ELN\EDC數(shù)據(jù)進(jìn)行訓(xùn)練，可自主設(shè)計(jì)實(shí)驗(yàn)方案、分析數(shù)據(jù)并提出創(chuàng)新假設(shè)[34,35]；
•全鏈條數(shù)據(jù)聯(lián)邦：通過(guò)聯(lián)邦隱私計(jì)算技術(shù)，實(shí)現(xiàn)跨機(jī)構(gòu)數(shù)據(jù)共享（如醫(yī)院、企業(yè)、高校），打破“數(shù)據(jù)孤島”，讓研發(fā)不再受限于單一團(tuán)隊(duì)的資源[36, 37]；
•動(dòng)態(tài)優(yōu)化的研發(fā)網(wǎng)絡(luò)：從靶點(diǎn)到生產(chǎn)的每個(gè)環(huán)節(jié)都可通過(guò)實(shí)時(shí)數(shù)據(jù)反饋動(dòng)態(tài)調(diào)整，例如臨床試驗(yàn)中發(fā)現(xiàn)的不良反應(yīng)可即時(shí)反饋給Lead優(yōu)化團(tuán)隊(duì)，用于發(fā)現(xiàn)第二代新藥分子[38-40]。
結(jié)語(yǔ)：數(shù)據(jù)是根，數(shù)智是翼
回望藥物研發(fā)史，從青霉素的偶然發(fā)現(xiàn)到mRNA疫苗的快速上市，每一次突破都源于技術(shù)革新。今天，數(shù)智化的浪潮已至——電子實(shí)驗(yàn)記錄本（ELN）和臨床電子數(shù)據(jù)采集（EDC），作為藥物研發(fā)實(shí)驗(yàn)室階段和臨床階段的數(shù)據(jù)之“根”，承載著研發(fā)的每一份積累；AI、大數(shù)據(jù)作為“翼”，讓創(chuàng)新突破時(shí)空限制。
對(duì)于醫(yī)藥科研人員而言，數(shù)智化不是遙不可及的概念，而是觸手可及的工具：從明天的實(shí)驗(yàn)開(kāi)始，用ELN、EDC規(guī)范記錄每一個(gè)數(shù)據(jù)，用AI工具優(yōu)化每一次篩選，我們終將讓新藥研發(fā)不再“九死一生”，讓更多患者早日用上安全有效的好藥。
參考資料：
[1] Wong CH, Siah KW, Lo AW. Estimation of clinical trial success rates and related parameters. Biostatistics. (2019) 20:273–86.
[2]“AI”制藥興起，藥企能否實(shí)現(xiàn)“彎道超車(chē)”？凱萊英藥聞, 2022年,
[3] Roche Digitalization Day, Virtual IR Event,
https://assets.roche.com/f/176343/x/e60b81765d/20231129_digi-day.pdf
[4]阿斯利康聯(lián)手AI，全周期重塑癌癥攻防格局. 健康凱歌微信公眾號(hào). 2025.7.14.
[5] Jia H, Dai G, Su W, et al. Discovery, optimization and evaluation of potent and highly selective PI3Kγ−PI3Kδ dual inhibitors. J Med Chem. 2019;62:4936‐4948.
[6] 益方生物的核心競(jìng)爭(zhēng)力--人工智能篩選加快藥品研發(fā).
[7] Medidata與益方生物達(dá)成企業(yè)級(jí)合作， 攜手臨床試驗(yàn)數(shù)字化前瞻性探索.
[8]首款A(yù)I藥物得到概念驗(yàn)證，英矽智能ISM001-055研發(fā)歷程詳解.
[9]Dhankhar P, Dalal V, Singh V, Tomar S, Kumar P. Computational guided identification of novel potent inhibitors of N-terminal domain of nucleocapsid protein of severe acute respiratory syndrome coronavirus 2. J Biomol Struct Dyn. 2022 Jun;40(9):4084-4099.
[10] Oliveira LPS, Lima LR, Silva LB, Cruz JN, Ramos RS, Lima LS, Cardoso FMN, Silva AV, Rodrigues DP, Rodrigues GS, Proietti-Junior AA, Dos Santos GB, Campos JM, Santos CBR. Hierarchical Virtual Screening of Potential New Antibiotics from Polyoxygenated Dibenzofurans against Staphylococcus aureus Strains. Pharmaceuticals (Basel). 2023 Oct 9;16(10):1430.
[11] Ekins S, Freundlich JS, Hobrath JV, Lucile White E, Reynolds RC. Combining computational methods for hit to lead optimization in Mycobacterium tuberculosis drug discovery. Pharm Res. 2014 Feb;31(2):414-35. doi: 10.1007/s11095-013-1172-7.
[12] Ekins S, Kaneko T, Lipinksi CA, Bradford J, Dole K, Spektor A, Gregory K, Blondeau D, Ernst S, Yang J, Goncharoff N, Hohman M, Bunin B. Analysis and hit filtering of a very large library of compounds screened against Mycobacterium tuberculosis. Molecular bioSystems. 2010;6:2316–2324. doi: 10.1039/c0mb00104j.
[13] CFOM: Lead Optimization For Drug Discovery With Limited Data.
[14] Deb S, Reeves AA. Simulation of Remdesivir Pharmacokinetics and Its Drug Interactions. J Pharm Pharm Sci. 2021;24:277-291.
[15] DIA 2022 Global Annual Meeting, Presentation-126PK.
[16] 生物分析自動(dòng)化在藥代動(dòng)力學(xué)研究中的應(yīng)用及展望. 知乎.
[17] 變革性創(chuàng)新 - 利用計(jì)算機(jī)建模推進(jìn)藥物開(kāi)發(fā). Patheon白皮書(shū). 賽默飛.
[18] FDA Modernization Act 2.0. September 29, 2022.
[19] Focus Area: Novel Technologies to Improve Predictivity of Non-clinical Studies and Replace, Reduce, and Refine Reliance on Animal Testing. FDA. 09/06/2022.
[20] Advancing Alternative Methods at FDA. 11/14/2023.
[21] FDA Announces Plan to Phase Out Animal Testing Requirement for Monoclonal Antibodies and Other Drugs. April 10, 2025.
[22] Roadmap to Reducing Animal Testing in Preclinical Safety Studies. FDA April 10, 2025.
[23,] Ahuja V, Adiga Perdur G, Aj Z, Krishnappa M, Kandarova H. In Silico Phototoxicity Prediction of Drugs and Chemicals by using Derek Nexus and QSAR Toolbox. Altern Lab Anim. 2024 Jul;52(4):195-204.
[24] Ismail A, Al-Zoubi T, El Naqa I, Saeed H. The role of artificial intelligence in hastening time to recruitment in clinical trials. BJR Open. 2023 May 16;5(1):20220023. doi: 10.1259/bjro.20220023.
[25] Cascini F, Beccia F, Causio FA, Melnyk A, Zaino A, Ricciardi W. Scoping review of the current landscape of AI-based applications in clinical trials. Front Public Health. 2022 Aug 12;10:949377.
[26] Ni Y, Wright J, Perentesis J, Lingren T, Deleger L, Kaiser M, et al. Increasing the efficiency of trial-patient matching: automated clinical trial eligibility pre-screening for pediatric oncology patients. BMC Med Inform Decis Mak 2015; 15(1): 28.
[27] Calaprice-Whitty D, Galil K, Salloum W, Zariv A, Jimenez B. Improving clinical trial participant prescreening with artificial intelligence (AI): a comparison of the results of AI-assisted vs standard methods in 3 oncology trials. Ther Innov Regul Sci. (2020) 54:69–74.
[29] 服務(wù)近20萬(wàn)名醫(yī)學(xué)專(zhuān)家，惟同一轍數(shù)智化臨床試驗(yàn)平臺(tái)為什么受歡迎？
[30] 安進(jìn)、拜耳、諾華等巨頭紛紛押注AI，臨床試驗(yàn)3.0時(shí)代來(lái)了？
[31] BMC：南方醫(yī)院應(yīng)用AI臨床試驗(yàn)受試者篩選時(shí)間降低97.8%.
[32] 復(fù)星醫(yī)藥：2023年度ESG暨可持續(xù)發(fā)展報(bào)告.
[33] Nikfarjam A, Ransohoff JD, Callahan A, Jones E, Loew B, Kwong BY, Sarin KY, Shah NH. Early Detection of Adverse Drug Reactions in Social Health Networks: A Natural Language Processing Pipeline for Signal Detection. JMIR Public Health Surveill. 2019 Jun 3;5(2):e11264.
[34] 2021，醫(yī)藥數(shù)字化將往何方？--CIAPH-2021中國(guó)醫(yī)藥健康行業(yè)數(shù)字化調(diào)研報(bào)告_選型指南_CIO發(fā)展中心官網(wǎng)
[35]《CIAPH第九屆醫(yī)藥健康行業(yè)信息化高峰論壇》在成都成功召開(kāi) - 墨天輪
[36] 國(guó)家數(shù)據(jù)局綜合司關(guān)于組織開(kāi)展2025年可信數(shù)據(jù)空間創(chuàng)新發(fā)展試點(diǎn)工作的通知. 國(guó)家數(shù)據(jù)局. 2025年.
[37] 人工智能賦能醫(yī)療可信數(shù)據(jù)空間，共繪智慧醫(yī)療新藍(lán)圖. 北京衛(wèi)健委. 2025年.
[38] EFMC H2L最佳實(shí)踐指南.
[39] 《人工智能與藥物設(shè)計(jì)》化學(xué)工業(yè)出版社. 李洪林、鄭明月主編
[40] 《藥物設(shè)計(jì)學(xué)》化學(xué)工業(yè)出版社. 唐赟主編
來(lái)源：Internet
關(guān)于我們 聯(lián)系我們 營(yíng)業(yè)執(zhí)照 全國(guó)服務(wù)電話(huà)：400-818-0021 嘉峪檢測(cè)版權(quán)所有 備案號(hào)：京ICP備14047019號(hào)-2 
京公網(wǎng)安備11010802046783號(hào)
