在建立整个系统的可理解模型，为有机体绘制完整的 图谱。结合知识图谱技术，系统生物学在医学实践和 研究中发挥着日益重要的作用。生成式人工智能模型 在生物和疾病数据上的训练，能够根据各种疾病的系 统相关性和可成药性标准识别并优先考虑潜在的治疗 靶点，从而加速靶点识别和验证过程。 如，Insilico Medicine 基于 Transformer 的知识 图谱功能，从期刊文献中提取信息，将基因、疾病、 质分子结构，进而创造出全新的药物分子结构。这些 生成的分子结构极大地丰富了药物研发的候选库，有 助于发掘具有创新潜力的药物。同时，大型模型能够 分析现有药物分子的结构与性能关系，预测结构修饰 对药物活性、成药性等特性的影响，从而指导药物分 子的优化过程。 水木分子推出对话式药物研发助手 ChatDD （ - Chat Drug Design），通过将不同模态的数据（如 知识图谱、分子、蛋白质、单细胞测序、文本等） (如溶解度、渗透性）及其在体内的行为（如代谢稳 定性），研究人员可以对化合物进行微调，以提高其 成药性。例如， AI 模型预测某种化合物的特定官能 团可能导致其代谢过快，通过结构修饰成功改善了该 化合物的代谢稳定性，从而提升了其成药潜力。 Insilico Medicine 成功筛选出一种具有显著成药 潜力的小分子化合物 ISM001-055。该化合物在体外 细胞实验中表现出显著的抗纤维化活性，能够有效抑

生物利用度和降低毒性。 此外，DeepSeek 还可以应用于虚拟筛选（VS）中，通过分子 对接和分子动力学模拟技术，预测化合物与靶点蛋白的结合模式。 这种方法不仅能够节省实验资源，还可以在早期阶段排除那些不具 备成药性的化合物。例如，在抗病毒药物研发中，DeepSeek 可以 通过模拟病毒蛋白与候选药物的相互作用，筛选出具有高结合亲和 力和低副作用的化合物。 为了进一步优化候选药物，DeepSeek 技术还可以结合量子化