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 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 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 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 会损失较大的精度。在药物发现这个先导化合物准确率极为重要的领域，大量的 计算资源和时间很难避免。曾有研究统计过，若想要对100亿个小分子进行令人 满意的筛选，则需要长达3000年的时间。简而言之，利用CADD进行高精度的 药物虚拟筛选，所需的时间同样是难以接受的。

AI技术快速发展，医疗健康是AI技术最重要的应用领域。医疗健康产业正处于数字化转型与智能化升级的变革期，ARK Invest近期所发布的 《Big Ideas 2025》提到利用人工智能来“操作”数据将颠覆诊断、药物发现和治疗。医疗健康是AI技术最重要的应用领域，医疗保健板块 人工智能解决方案的全球市场规模预计将由2022年的137亿美元增至2030年的1,553亿美元，CAGR为35.5%，是人工智能应用最大的领域，具 +精准诊断；4） AI+影像设备；5）AI+家用；6）AI+智慧医疗。 ◼ 药物研发周期长、资金投入高、成功率低，“AI+”方案有望解决痛点。一款新药成功上市销售大约需要花费十年以上的时间，药物发现阶 段从靶点到苗头化合物再到先导化合物优化过程，整体成功率为51%，临床研究阶段的整体成功率仅为12.9%。资金花费上，一款药物从研发 到上市销售，平均需要投入8-23亿美元，上市后还要投入超过 床研究阶段，其中45条管线处于临床I期研究， 19条管线处于临床II期研究，2条管线处于临床III期阶段。对AI制药开发的分子类型统计发现，2023年AI技术在小分子药物的发现中应用较 多，67项临床研究中22项为小分子药物发现、4项为抗体发现、6项为疫苗发现。 ◼ 投资建议：关注AI制药领域进展及具备潜力的海内外前沿公司。以“AI+CRO”、“AI+Biotech”为典型的商业模式，AI制药涌现出了一批优

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: 耗时10年，耗资10亿美金，成功率不足10%。因此，如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 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] 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 型可以整合海量的医疗研究相关文本，通过在文本中提取潜在的关联信息，发现 人类可能忽视的模式或连接。目前已有研究通过向大语言模型提问的方式，提取 出针对特定疾病的潜在靶点，从而避免一些不必要的组学实验。此外，AI模型完 成训练之后，可以将类似反向对接技术的时间复杂度降低到线性级别，甚至提高 精度。AI也可以进行蛋白质结构的预测，从而帮助结构相似性分析等技术的实 现。 基于上述所提的AI在靶点发现中的应用，本文将依据近期的AI医疗相关论

讨论 AI 制药的商业模式变迁，并梳理相关公司。 ❑ AI 可用于新药开发全过程，达到降低成本，增加药物研发可能性目的。根据 DPI 援引英矽智能数据，通过 AI 技术能将 ISM001 分子发现时间由传统手段 的 2 年降至 11 个月，总费用从 4.14 亿美元降低至 20 万美元，极大降低了新 药研发负担。目前人工智能技术在药物研发过程中的应用主要集中于药物发 现阶段，随着 Deepseek .... 11 图 17：Schrodinger 软件服务业务收入及增速（万美元） .............................. 11 图 18：Schrodinger 药物发现业务收入及增速（万美元） .............................. 11 图 19：晶泰控股发展历程 .................................... 据基础上，运用机器学习、深度学 习、自然语言处理等技术参与药物开发各个环节，包括靶点发现、化合物合成、 化合物筛选到患者招募、临床试验设计等，通过 AI 技术的运用有效解决传统新 药研发痛点，缩短研发周期，提高研发成功率，降低研发成本。根据 DPI 援引英 矽智能数据，通过 AI 技术能将 ISM001 分子发现时间由传统手段的 2 年降至 11 个月，总费用从 4.14 亿美元降低至 20 万美元，极大降低了新药研发负担。

技术精湛，各单位优秀渗透人员 ü 团队作战，各人才分工明确高效 ü 专业攻防协作平台及工具集 ü 更多攻防数据挖掘平台（社工、云等） ✗ 防护手段以漏扫、配置检查为主，缺乏攻击者视角风险发现能力 ✗ 缺乏云服务、员工社工钓鱼风险发现能力 ü 持久战，随意选择攻击时间、以逸待劳 ✗ 缺攻防经验，负责人以项目经理为主 ✗ 缺乏磨合，临时组建无实战配合 ✗ 黑白交替、拉锯战容易导致身心俱疲 ✗ 仅了解 响应常见需求 攻 防 驱 动 情 报 驱 动 云鼎实验室 TSRC 云鼎实验室 腾讯安全重点能力建设方向 发现能力 处置能力 验证能力 安全能力（情报+暴露面） 安全运营（自动化运营+反入侵） 攻防研究（攻防验证） 定位：雷达 定位：作战部队 定位：科技中心 职责：发现并分析威胁事件，提供丰富及 准确的战术情报及战场信息，指导作战及 武器生产 职责：使用产品提供的“武器”，设计制定战 基于数据驱动的 自动化运营能力 基于攻防驱动的 持续防御验证能力 关键运营能力：各关键安全能力应用场景 能力2：暴露面管理(EM) 能力1：漏洞情报监测[VI] 能力定位：最新风险极速感知与发现 能力SLA：7*24小时，MTTD<30min 应用场景： 1、提前感知业务最新漏洞威胁 2、提供PoC复现以及资产关联分析 能力定位：持续威胁与暴露面管理 能力SLA：7*24小时，MTTD<8h

扑，快速展现系统性能瓶颈，发现缓慢或错误请求， 下钻到全栈快照，找到耗时最长的自定义方法，定位SCM访问缓慢的原因。 应用场景 1 实时监测，锁定影响范围 在重大节日活动中，如618、双11等，通过实时监测，发现全国用户均出现访问订单页面延迟的情况，帮助格力电器锁定影响范围，根据 告警情况，分析告警原因。通过博睿数据的自动应用拓扑功能，精准发现在订单管理模块集群主机中出现告警的机器。 4 ｜ 让IT运营更智能 自动拓扑，定位问题根因 博睿数据对问题主机进行下钻分析，发现业务请求上升的同时，磁盘I/O读写次数上升，但同期该集群中的其他主机都无上升情况，定位 原因是由于业务流量负载不均衡导致。经过运维人员检查并优化负载均衡配置后，解决问题，助力运维人员快速发现、定位问题，将问 题解决效率提升至分钟级。 3 3 2 ｜ 让IT运营更智能 为什么选择博睿数据 由原来2小时缩短至5分钟 优化代码质量，提高应用性能 有针对性的优化代码执行效率，协助 开发人员将SCM生产管理系统的响应 时间降低46.2% 降低运维难度，提高运维效率 帮助运维人员快速发现、定位问题， 由数小时缩短至16分钟 3 中国铁塔通过部署博睿数据一体化智能可观测平台，实现覆盖43套核心业务系统的全栈监控与多维拓扑分析，打通从前端用户操作到后 端数据库调用的全链路追踪，

可以自动从互联网、企业数据库等多个数据源中抓取相关的化工 数据。接下来通过机器学习，可以对收集到的数据进行清洗和修复。通过建立数据模型，算 法可以识别出数据中的错误、重复和异常值，并进行自动纠正，找出可能存在错误的记录， 甚至通过推理发现数据之间的逻辑关系，补充缺失的数据。比如潘锋教授团队构建了锂离子 电池正极材料知识图谱，并预测出潜在的正极材料 Li₂TiMn₃O₈。 ➢ 高通量机器人+AI 驱动的生产流程革命：成本与精度双突破 “人工试 错法”，找到生产过程中的最优解，精确地控制生产过程中的各个参数的能力或呈指数级提 升，生产过程的损耗也有望大幅降低的同时产品合格率也有望得到大幅提升。AI 还可以实 时监测设备的状态，提前发现潜在的故障隐患显著降低化工设备的故障率和企业的事故率。 例如 LG CNS 利用 AutoML Vision Edge 创建制造智能解决方案，可检测装配线上从 LCD 屏幕和光学薄膜到汽车面料等所有物品的缺陷。AutoML 部 分成熟化工产品或者已近处于严重过剩的化工品，其生产工艺已经相对成熟，生产过程简单 高效，受到 AI 冲击或相对较轻。例如谷歌 DeepMind 利用材料探索图形网络(GNoME)，使得 稳定晶体发现数较过往提升一个数量级；美国加州大学伯克利分校团队利用自动实验室系 统，在 17 天内成功合成 41 种目标材料，成功率超 7 成。 ➢ 化工企业的时代大考： 如何应对 AI+机器人大时代？

技术蓬勃发展， AI+制药行业潜力巨大 [Table_Summary] 投资要点：  AI 技术蓬勃发展，AI+制药有望成为下一个黄金赛道。AI 技术通过机器学习和深 度学习等手段，已经在药物发现、临床前研究和临床试验等全流程中发挥重要 作用。从 2007 年的早期探索至今，AI 制药技术经历了技术积累、验证和快速发 展期，目前正处于一个技术创新活跃、政策扶持明显、市场前景广阔的阶段。 AI 制药行业得到国家层面的政策支持，如《“十四五”医药工业发展规划》和《“十 四五"生物经济发展规划》等，旨在推动云计算、大数据、人工智能等技术在新 药研发中的应用。AI 技术在新药研发领域中的应用推动行业快速变革，涉及靶 点发现、蛋白质结构预测、化合物筛选、ADMET 特性预测、临床试验结果预测、 药物重定位、晶型预测和逆向合成分析等多个关键环节。AI 制药技术的应用有 望缩短药物研发周期，降低成本，提高研发成功率。AI 技术使得从药物设计到 研发领域的广阔前景和巨大潜力。  CRO 公司加速布局 AI+制药应用技术。CRO 药物研发外包公司的 AI 技术应用正 逐步深化，涵盖药物发现的各个环节，从靶点识别、化合物筛选、结构预测到 药物设计等。维亚生物建立纵向 AI 应用技术平台加速先导化合物发现；泓博医 药持续推进 PR-GPT 多模态大型语言模型的应用；成都先导依托 DNA 编码化合物 库技术与 AI 技术结合，优化苗头化合物的识别过程；药石科技利用其分子砌块

应用的服务、配置和AI智能体管理平台 04 Part 1 Nacos3.0 架构升级&核心能力 性能 & 可拓展性提升 Nacos 简介 Nacos2.0时代：一个更易于构建云原生应用的动态服务发现、配置管理和服务管理平台 https://nacos.io/ Nacos社区 2.0发展回顾 • Github仓库突破3w stars • 贡献者突破400 • 开源生态：多语言&集成 社区活跃度 Nacos-Controller : k8s 配置及服务同步 价值 • 可视化管理界面 • 配置变更实时推送 • 配置历史&回滚 • 配置灰度发布 • 跨k8s集群互通 • 非k8s异构发现 快速接入 • helm install & crd deploy • 全量一键双向同步 • 按需部分双向同步 项目地址：https://github.com/naco Registry 3.3 3.2 3.1 3.0 • Prompt 管理 • MCP Prompt • MCP 筛选 • 可重入分布式锁 • 锁订阅 • DNS协议支持 • Agent自动注册发现 • Agent任务调度 • 压缩推送 • 动态数据源 • 服务健康检查优化 • LLM模型参数托管 • 凭据管理 • 增量推送 • 推送反压 • 服务健康检查优化 生态融合探索

个从苗头到隐患，再到事故的过程，而这个过程的每 一个环节都是可以预防的。海恩法则不仅适用于航空 领域，也广泛应用于企业的生产管理、安全管理、人 资管理等各个领域，其精髓在于“防微杜渐”，即通 过及时发现并消除事故的征兆和隐患，来避免重大事 故的发生。 墨菲定律是一种启发性原则，常被表述为：任何 可能出错的事情最终都会出错。其含义是说，无 论是因为存在一个错误的方法，或是存在发生某 种错误的潜在可能性，只要重复进行某项行动， • 自动巡检：通过自动化巡检机制，发现软硬件 的包括基础资源、应用配置、告警配置，以及 运行状态的风险及潜在问题。 提升故障处置阶段效率 • 混沌工程：主动引入故障和异常情况，发现系 统中的弱点和脆弱性，以及其在面对异常情况 时的表现。 • 应急演练：通过模拟突发情况，检验应急预案 的有效性，锻炼应急队伍的协同配合，磨合应 急管理机制。 发现潜在问题并修复 G O P S 全 监控告警、日志记录、链路分析、在 线诊断等 发现故障 通过监控手段自动化报备 人工反馈报备 故障止血 考察自动化预案的执行 重启、切流、降级等 故障中 G O P S 全 球 运 维 大 会 暨 X O p s 技 术 创 新 峰 会 2 0 2 4 · 北 京 站 故障后：亡羊补牢、秋后算账 向自己学习，不浪费任何一个故障 梳理 故障时间线 发生时间 发现时间 响应时间 定位时间