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

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