破性的进展。现在，AI的魔力已经被逐步引入药物研发的领域，并正 在深刻地改变这个领域的研究和发展流程。无论是在早期的药物筛 选、药物优化，还是在药物的临床试验和后期的上市监控，AI的应用 都愈发广泛。 在上篇 "AI for 医疗" 的专题文章“AI for 医疗: AI大模型在药物 靶点识别中的应用”中，我们整体描述了药物研发的流程，并介绍了AI 大模型在药物研发的第一步: 靶点识别中的应用。这篇文章，我们将 延续这一路线，介绍AI在药物研发的第二步: 先导化合物发现中的应 用。 图1：药物研发生产流程，图片引自[1] 传统方法在先导化合物发现中的局限性 在AI大模型时代到来之前，先导化合物的发现以实验方法及计算机辅助药物 设计(CADD)的方法为主。这些方法都有着一些自身难以解决的问题。 实验方法: 当前，药物化学实验方法在很大程度上依赖于"试错法"。这些技 术涉及检查大量潜在的药物化合物，以识别具有所需特性的化合物。显然，这些 术涉及检查大量潜在的药物化合物，以识别具有所需特性的化合物。显然，这些 方法速度缓慢且成本高昂，若是完全基于实验方法进行药物虚拟筛选，完成化合 物数据库的筛选所需的时间是一个天文数字。此外，实验方法还受到可用测试化 合物的供应和准确预测它们在体内行为的难度的限制。 计算机辅助药物设计方法(CADD): CADD相较实验方法极大地加速了先导 化合物发现的速度。在CADD中，先导化合物的筛选被普遍称为: 虚拟筛选 (virtual s

的 进展。现在，AI的魔力已经被逐步引入药物研发的领域，并正在深刻地 改变这个领域的研究和发展流程。无论是在早期的药物筛选、药物优 化，还是在药物的临床试验和后期的上市监控，AI的应用都愈发广泛。 本文将简要的概括药物研发的流程，并深入探讨AI在药物研发的第 一步: 靶点发现中的作用，以及它如何为这个过程带来革新。 药物研发的整体流程 药物的研发是一个复杂且耗时的过程，业内一直流传着"三十定律"的说法: 何降低药物研发的金钱 成本、时间成本，提高成功率已然成为了药物研发行业的重中之重。 通常而言，药物的研发包括以下步骤: 靶点发现，候选药物筛选，候选药物 优化，临床前研究，临床实验，以及市场化等步骤 [1]。靶点发现作为整个流程 的第一步，是新药研发中决定成败的一步，成功的靶点识别可以为后续的药物设 计提供方向。不仅能提高新药的研发效率，也能极大地改善患者治疗期间的生活 质量。 药物研发生产流程，图片引自[1] 药物研发生产流程，图片引自[1] 传统方法在靶点识别中的局限性 在AI的第三次浪潮之前，靶点的识别通常依赖多组学实验方法或者计算机辅 助药物设计的方法。多组学方法主要通过对病例组和对照组进行基因组、蛋白质 组等组学数据差异性比较，提取出可能致病的基因或蛋白靶点。这一方法通常有 着较高的准确性，但整体策略既费时又费力，且实验结果严重受到生物样本质量 的限制。 计算机辅助的方法主要包括反向对接，结构相似性分析等。这些计算技术能

2023年是中国医疗大模型发展的元年，各种医疗大模型已广泛应用于临床辅助决策、 医学研究、健康管理等多个场景。未来，医疗大模型有望实现多模态AI与医疗实践全 流程的深入链接，应用于医疗教育和临床培训，提高药物研发和药物反应监测等方面 的能力。但在实际应用中，医疗大模型仍面临一些挑战，如准确度、透明度和可解释 性等问题，以及对数据隐私和安全问题的担忧。本文主要探讨医疗大模型在医疗领域 的应用及其面临的挑战。 大模型技术在医疗领域的应用 床环境中评估、调优。经验 证的模型可部署到医疗信息系统、移动设备等，提供智能服务。 （二）医疗大模型的主要应用场景和适用范围 医疗大模型在医疗领域的应用广泛，涵盖疾病预测、辅助诊断、个性化治疗、药物发 现等各个方面，同时还可用于医疗咨询和患者教育，提供相关信息和建议。 在医疗实践场景中，大模型可以协助分析临床文本以提取关键信息，从而加快医生的 诊断和治疗建议。此外，大模型还可辅助分析医学影像，帮助检测肿瘤并进行疾病分 数据融合能力可为医院管理者提供对话式交互和数据洞察，简化数据应用，实现精细 化医院管理。 在药物研发过程中，医疗大模型可预测药物-蛋白质相互作用和药物毒性等信息，从而 评估新药的功效和安全性，有助于缩减研发周期，加速新药发现。如，清华系初创团 队水木分子推出新一代对话式药物研发助手ChatDD，涵盖药物立项、临床前研究、临 床试验各阶段，作为制药专家的AI助手，提升药物研发人员的工作效率。 医疗大模型的应用场景展示了其在医学领域的多样性和重要性，可改善诊断、治疗和

AI如何赋能药物研发工作中的最后一步：临床试验。 图1：药物研发生产流程，图片引自[1]↓ 临床试验简介 药物研发的最后一步，便是将药物大规模应用到患者体内以进行实际效果测试，这 一步骤即临床试验。临床试验是一种系统性的研究，其目的是调查医药产品对人类 疾病过程的影响，以证实或揭示试验药物的作用、不良反应及试验药物的吸收、分 布、代谢和排泄，并最终确定试验药物的疗效与安全性。 全性。 临床试验是一项极为重要的任务，其结果直接决定了药物能否成功上市。如果临床 试验无法通过，那前期所有的初筛、优化、预实验都将失去意义。 但是临床试验的结果会受到多种客观因素的影响，其中至关重要的一点是试验患者 的匹配。患者的匹配是指将研究对象按照一定的标准进行分类，以挑选出最适合特 定临床试验的患者。每个临床试验都会有不同的纳入标准和排除标准，患者自身的 情况也需要达到一定的门槛，才可以参加。 的临床试验由于招募不到合适的患者而被迫延迟，有25%的临床试验由于患者不足 而完全无法开展。据估算每招募一名患者约花费6000至7500美元，成本可谓十分 高昂。因此如果进行高效的临床试验-患者匹配，是药物研发中急需解决的一个难 题。 传统的临床试验患者匹配方法及局限性 传统情况下，患者和试验的匹配是人工进行的。主要包含两大方向：TO B（找医 生）和TO C（找患者）。早期的患

以适配不同领域任务需要[2]。在医疗领域，医疗数据本身就具有多模态的特性，大模型 将进一步推进智慧医疗、医疗元宇宙和医疗研究的发展进程。比如电子病历理解、医 疗问答、医学教育培训、医学影像生成、疾病辅助诊断、药物研发以及虚拟医院和医 疗虚拟数字人交互等诸多应用[3]，涵盖医疗领域就诊前、就诊中、就诊后各环节。本文 梳理了当前大模型在医疗领域的应用现状，分析其面临的风险与挑战并进行展望，旨 在为大模型在该领域的研究提供新思路。 大模型覆盖医学知识问答、生物及药物研发到智慧诊疗的各阶段、医保知识管理等领 域。根据面向对象的不同可分为患者、医护、高校、医疗机构及企业角色等；根据临 床场景数据交互类型的不同，又可分为文本任务、视觉任务、语音任务、跨模态任务 等。具体来讲，如就诊前的挂号问诊、健康宣教、知识问答等，就诊中的辅助诊断、 电子病例生成与理解、手术模拟等，就诊后的健康管理、医药服务、慢病管理等，医 学研究领域的文献挖掘、药物研发等，医疗元宇宙中的场景构建、内容生成等。表 学研究领域的文献挖掘、药物研发等，医疗元宇宙中的场景构建、内容生成等。表 2 展示了部分医疗大模型的应用情况。 表 2 部分医疗大模型应用情况 大模型名称 发布时间 企业名称 应用场景 数据类型 盘古药物分子大模型 2022.4 华为 药物研发 文本、图形、化学 结构 文心生物计算大模型 2022.5 百度 生物研究 分子结构 BioMedLM 2022.12 斯坦福基础模型研究中心 医疗问答 文本 GatorTron

 效率提升：通过语音识别和模板匹配技术，将口述内容实时转 化为符合《电子病历应用管理规范》的标准化文本，缩短书写 时间 40%-60%  质量保障：内置的医学知识库可自动识别矛盾内容（如药物过 敏史与处方冲突），并提示异常指标（如将血小板数值与正常 范围对比标注）  数据整合：无缝对接 HIS、LIS、PIS 等医院信息系统，实现检 验结果、影像报告等数据的自动抓取与归集 当前医疗信息化建设已为 智能语义解析引擎：支持语音输入与自由文本的自动化处理， 识别医学术语、疾病编码（ICD-10）和药物名称（ATC 分 类），准确率可达 92%以上（基于三甲医院实测数据）；  动态模板库：包含超过 300 个专科病历模板，支持根据科 室、病种和主治医师偏好自动匹配文档结构；  实时质控校验：内置逻辑冲突检测规则（如药物过敏史与处方 药品的冲突校验）和完整性检查算法，错误拦截率较人工书写 提升 67%； 本，转写准确率需达到 95%以上（基于现有医疗语音识别技 术基准测试数据）  智能补全功能，根据患者主诉自动关联既往病史、用药记录等 数据，减少重复录入  关键信息自动标红提示，包括异常指标、药物过敏史等高风险 内容 数据整合方面需实现多系统无缝对接： 1. 与 HIS 系统对接获取患者基本信息、检验检查结果 2. 与 EMR 系统同步历史病历数据 3. 支持 DICOM 标准影像报告自动引用

Nuance、IBM Watson 等一批全球知名企业。随着基于大模型的生成式 AI 的出现，我们看 到 AI+医疗有望迎来一波新的发展机遇，具体看好：1）基于大模型的实时 问诊病例生成，2）按需生成新蛋白质结构提高药物发现效率等应用。另一 方面，目前尚未看到面向医疗影像的新 AI 大模型服务，大模型在医疗影像 领域主要作用是降本。国内关注讯飞医疗、云知声、晶泰、数坤等企业发展。 AI+问诊：从语音录入到实时生成内容，提高临床记录环节效率 结构的问 题，为探索生命的起源迈出重要的一步。随着生成式 AI 的出现，业内开始 探索自动根据功能需求设计/优化蛋白质、给定抗原等目标蛋白生成抗体等 蛋白、给定靶点一键生成 Binder 蛋白等功能，为提高药物发现的效率作出 贡献。英伟达于 3 月推出的生物医药大模型云服务 BioNeMo 也包含蛋白质 生成等模型的调用服务。国内关注晶泰科技等最新应用。 AI+医疗影像：应用相对成熟，关注 AI 大模型提升数据标注效率 与制药的结合逐步深入，成为生物制药企业的常态化工具。经历了包括 Exscientia、 Atomwise、英矽智能、晶泰科技在 AI 新药研发领域的早期探索（2014-2017 年）、最早一 批 AI+新药企业开始获得临床前候选药物(Pre-clinical candidate, PCC)一类的验证性成果 （2018-2019 年）后，DeepMind 推出的 AlphaFold 和 AlphaFold2 实现了蛋白质空间结构

。最后，系统 让她可以更有效率地评估更复杂的案例。 她需要处理的一种典型问题，和客户服用特定处方的原因有关。例如，药物 安坦息吐（Ondansetron）有助于预防化疗或手术后的恶心和呕吐，也常用于怀孕 的女性。如果客户的处方纪录包含该药物，博诺帕内必须确定医生开立该药物的 原因。如果申请人是女性，在服药后不久生了小孩，她会认为服药的原因是怀 孕。但如果是肿瘤科医生开出这个药，她就会推定申请人接受过癌症化疗。 即使只是一个简单的 手术，图表上也有很多部分，包括体检、麻醉、病理等。另一方面，她指出， 「如果病例是75岁开刀的男性，他是肾脏病末期，同时还有糖尿病和癌症，我就 必须记录他的病史、正在服用的药物，这些都要花更多时间。病史编码很重要， 因为如果病患有多个疾病诊断，就表示医生要花更多时间。这些『评估和管理』 编码，对于医生和医院正确报销费用非常重要。」 莫斯利和其他编码员必须达到95％正确率的编码品质标准，而且他们每工作 用来处理病 患所有咨询，称为医生工作台，患者透过手机和聊天介面功能与该系统互动。另 一个是连接药局合作伙伴的后台系统，将处方资讯传给药局，而药局则和Grab平 台整合，会安排司机取得和递送处方药物或补充剂给病患。 为了扩张国际市场，中国平安好医生平台团队打造了英文版的聊天机器人。 印尼好医生科技团队就从这个版本开始，建立印尼语版本，将印尼当地的词汇用 法、描述症状的方式以及日常表达，连接平安好医生平台里已存在的大量医疗症

智能预问诊 智能导诊 / 导医 （体检）报告解读 疾病描述 健康生活智慧管家 健康风险预测 预诊断常见疾病 症状评估 就医指引 就诊服务 实验室结果解读 中医诊疗 用药咨询与指导 洞悉药物相互作用 医生助手 患者助手 LLM 在医疗领域的使用场 景 面向科研 科研转化助手 s EMENS: H a l t h · n r · · 面向医生 辅助制定 个性化治疗方案 智能随访 出院小结生成 报告通俗解读 疾病通俗描述 ( 图文或视频 形式） 实验室结果解读 健康生活 智慧管家 用药咨询 与指导 , 洞悉药物 相互作用 辅 助 生 成 检 查 建 议 和 计 划 影像数据 质量评估 就医指引 就医服务 自动记录和 总 结 医 患 对 话 © Siemens Health 赋 in e

向发展。 （6）智慧医疗 工程智能正在深刻重塑医疗健康领域，覆盖从药物研发、临床诊断到健康管 理的全链条，旨在提升诊疗精度、加速新药创新并优化医疗资源配置。在新药研 发与生命科学探索方面，AI 大模型正成为驱动创新的核心引擎。例如，华为云 联合发布的盘古药物分子大模型，能够高效筛选和设计潜在的药物化合物，将先 导药物的研发周期从数年缩短至一个月，并降低了 70%的研发成本。同样，百度 推出的生命科学大模型“螺旋桨”（PaddleHelix）也在药物发现、疫苗设计等领 域展现出巨大潜力，通过对蛋白质结构和功能的精准预测，加速了对复杂疾病的 理解和靶向药物的开发。 在临床辅助诊断环节，结合机器视觉与深度学习的 AI 影像分析已成为医生 的得力助手。腾讯觅影等 AI 医学影像产品，能够对 CT、MRI、病理切片等医学 影像进行快速分析，精准识别早期癌症、眼底病变等多种疾病的细微特征，其检