为: 虚拟筛选 (virtual screening)。他使用基于分子力场或者量子力场的分子对接方式，对数 据库中的海量化合物与靶点进行对接，从而依据自由能最小化等方式，计算靶点 与药物的亲和力，完成药物的筛选。基于CADD的方法除了能够加速，还不受化 合物是否可以获得的限制。然而，基于CADD的虚拟筛选存在一个trade off， 即想要进行精确的筛选需要大量的计算资源和时间，而想要快速的完成筛选，则 ，强化学习以及基 于规则的算法，可能有助于解决传统方法中存在的问题。 AI方法通常基于对数据特征的学习。具体来说，就是从大量的已知药物化合 物和非药物化合物中，去学习成药所需的潜在特征，并依据这一特征对化合物进 行能否成药的分类。这样的方法同CADD一样，是一种虚拟筛选的方法，不受到 化合物是否可得的限制。但是相比于CADD，他有着一个巨大的优势，即AI方法 并不基于复杂的物理计算，而是基于已有的数据去自主学习。这一优势主要的体 Uni-Mol: 通用分子3D表征模型 在药物设计等领域，分子自身性质的表征对先导化合物筛选而言至关重要， 在给定的药物靶点先验下，如果能够将分子进行完美的潜空间嵌入，那么能够成 药的分子和不能成药的分子将会自然的在潜空间分隔开，从而便可以非常直观的 进行药物的筛选。 目前已经存在许多学习分子表征的AI方法，这些分子表征学习方法通常将分 子视为一维的字符串或二维的图进行预训练。然而，分子的三维结构对其性质和

top200的基因及probability。最后提取出14个衰老疾病共有的靶点基因，共提 取出了9个靶点。这些靶点中6个是已经报道过的衰老相关靶点，一定程度上反 应了该方法的准确性。同时还发现了3个新颖靶点，其中1个由于不可成药性无 法使用，但剩余的2个均有可能是人类目前忽视的衰老相关靶点。 BioGPT-G 衰老疾病相关靶点预测结果，图片引自[2] 使用大语言模型进行新颖靶点预测的缺陷及展望 虽然BioGPT-G在

项目研发管理系统 WMS APS WMS 原料药研发 制剂工艺研发 MES RMMS Cold Chain Logistics 冷链 生物研究 中成药研发 EMS EAM 3P 第三方物流 NGS 项目 单克隆抗体 RMMS 配方管理执行系统 (LES) 产品追溯系统 过程控制系统 PCS PCS

基本属性 质管属性 采购属性 库存属性 销售属性 财务属性  商品描述  规格  产地 / 生产厂家  基本计量单位  商品类别  商品类目  通用名  品牌  化学药 / 中成药  。。。  处方类别  经营  商品有效期  生产  批准文号  批准文号有效期  商品资质  商品状态  养护周期  。。。  采购模式  采购执行部门  经营类别

全流程智慧康养：为应对养老场景中服务碎 片化、需求多元化的挑战，基于多品类、多 形态机器人协同的智能服务机器人体系构建 了覆盖“生活辅助-健康监护-康复支持-情感 关怀”的全周期康养生态：配送机器人依托 自主导航能力完成药品与物资的精准配送； 搭载AI大模型和情感交互算法的陪伴机器人 提供个性化对话与认知支持；柔性仿生设计 的康复机器人可适配不同行动能力人群，提 供定制化训练方案；巡检照护机器人搭载了 防跌倒监测功能，针对老年群体频发的跌倒