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 文，为大家介绍AI在药物靶点发现中的两个应用: 驱动新颖靶点的发现，预测蛋 白质结构。并将为大家介绍这些方法的技术细节以及局限性。 医学大语言模型驱动新颖靶点的发现 目前已 相关靶点，这验证了 大语言模型在新颖靶点预测及靶点优先级排序中的潜力。 BioGPT-G工作原理 细分领域额外预训练：作者将Microsoft已经预训练得到的医学文本大模型 BioGPT作为baseline，利用与靶点发现更相关的美国国家卫生研究所 （NIH）科研基金资料对其进行了额外的预训练，以期望提高BioGPT在靶点 发现这一细分任务上的预测性能。额外预训练的BioGPT被称为BioGPT-G。 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在衰老相关靶点预测的任务中取得了令人欣喜的结果，但毫 无疑问其仍有着严重的缺陷。BioGPT-G虽然能给出6个已经报道过的靶点，但 另外2个新颖靶点在专业研究人员看来仿佛空穴来风，因为我们无法去理解大语 言模型给出这些结果背后的逻辑，且目前也没有一个令人信服的预测准确率数 据。因此，

辅助决策 1 、症状监测 2 、区域传染病时空预测 3 、多点触发，多机构多源数据监测预警 传染病监测预警与辅助决策平台 总体目标 建设智慧化多点触发疾病防控预警系统，改进不明原因疾病和异常健康事件监测机制。提高评估监测敏感性和准确性，建立智慧化预警 多点触发机制，健全多渠道监测预警机制，提高实时分析、科学研判的能力，为预警预测和风险研判提供深入全面的数据支持。 汇集疾控机构、医疗机构、第三方检测机 时采集与归集，构筑多元疾控数据底座。 建立疾控系统主题 数据库 实现疾病及相关因素的多点触发预警、多 渠道预警和多维度预测。打造省级应急联 动管理平台，实现重大突发公共卫生事件 的协同处置。 建立区域传染病监测预 警与辅助决策平台 实现疾控业务全流程信息化管理（流 行病 学调查、实验检测），实现多 点触发预警预测提供全过程支撑。 建立疾控业务综合管 理平台 总体架构设计 应 用 层 标 准 传染病监测预警与辅助决策 疫情防控应急平台 归集已有数据 重点场所智能采集系统 数据清洗 数据结构化与标准化 数据质量监控管理 传染病知识库 传染病三间分布分析 智慧化多渠道监测 传染病流行预测分析 传染病多点触发预警 流行病学调查系统 实验室信息管理系统 样本管理系统 ...... 资源管理与业务办公 疾控系统主题数据库——重点场所智能采集系统 对于个体诊所、街道卫生站等重点监测场所无信息化业务系统来记录

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 量数据要求具 备两个特征: 1，进行训练的药物或者非药化合物涵盖了大范围的化合物特征空 间，2，药物针对特定靶点的亲和力数据十分准确。如果数据不符合特征1，则 AI方法的泛化性将十分有限，基本无法预测训练数据中没有见过的化合物种类。 如果不符合特征2，AI方法的可信度同样无法保证。 虽然随着药物数据库的发展，高质量有标签数据变得越来越多，但想要足以 支撑高精度的AI模型，数量还是远远不够的。如常用的药物亲和力数据集 GPT使用互联网上的无标签文本一样。通过自监督学习，模型可以无需昂贵的实 验数据标签，就能够识别和理解生物分子的本质特性，从而为新颖和强大的药物 发现机制奠定基础。如果AI能够“理解”分子的“语言”，那么它在预测未知分子活 性，以及预测分子对特定靶标的亲和力方面的潜力将是无限的。因此，越来越多 的自监督AI方法被提出以进行药物虚拟筛选。 在这里，我们以近期提出的分子表征大模型Uni-Mol为例，为大家阐述AI大 模型是如何助力虚拟筛选的。

利用物联网、互联网， 扩展疾控监测覆盖业务 层面，构筑省级疾病防 御网络云平台，为进一 步完善和规范疾控综合 管理工作提供技术支撑。 整合已建设资源，多维度、 多领域的整合公共卫生相 关系统 , 研究科学的预测 预警、风险评估模型，全 面提升疾病防控干预处置 能力。 疾控综合 监测 防控干预 管理 有效集成卫生相关，坚持疾控事业为保障人民健康服务的宗旨，提升公众满意度； 逐步形成疾控工作综合 评估总结 信息报送 电话 / 短信 邮件 决策支持 预警预测模型 风险评估 移动终端 绩效考核 防控干预管理 疾控监测 异常监测、舆情监测 集成接入 （气象、水文、统计） 应急保障资源管理 防控部署规划 预警预测 扩大监测范围、通过多源方式集成多途径的疾控异常信息，总体以预防为主。同时，提 供科学有效地预警预测及风险评估模型，实现多机构、多部门的信息整合和处置联动。 同时，为领导决策层提供有效的决策支持工具 构建疾病防控网络数据中心，支撑信息化疾控综合管理平台。整合疾控管理相关业务， 提供疾病管控信息多源集成接入、疾控工作智能化、移动化、可视化等手段，提升疾 病综合管理工作的全面性、高效性和科技性。 疾病 免疫 慢病 食品 …… 预警预测 风险评估 信息发布 疾控综合管理平台的集成设计 遵循国家 3521 规划，实现从国家层面、省级层面和区域卫生信息化等层面进行综合 集成。实现疾控业务管理从基层到国家的链路贯通，为公共卫生服务整体信息化发展

传统实验方法在通量和成本方面的局限性问题，利用多组 学数据分析和文本挖掘方法，整合丰富的生物学数据，结 合自然语言处理、深度学习、图像识别以及大模型等人工 智能（AI）技术，构建新药研发知识图谱，开展复杂蛋白 质结构预测，显著提升药物靶点的识别和筛选效率。 2.智能药物分子设计与优化 面向药物分子设计和先导化合物优化等业务活动，针 对传统基于经验的药物设计模式限制问题，通过运用计算 机模拟、数字孪生以及深度生成模型和强化学习算法等人 招募效 率，规避受试者流失导致试验中断风险；运用智能化工具， 及时发现试验文档、患者入组协议等方面的问题，降低数 据核对成本，提升临床试验质量。使用数字孪生技术，在 虚拟环境中模拟临床试验，预测药物反应，提高研发效率。 7.医药实验室数据集成管理 面向医药研发实验室管理标准化、数智化发展趋势， 围绕医药研发管理过程中涉及到的物料管理、样品管理、 科研数据管理、电子实验记录、文件管理等业务活动，部 、 7 精确过程控制效果差等问题，部署制造执行系统（MES）、 数据采集与监控系统（SCADA）、先进过程控制系统 （APC）、分布式控制系统（DCS）等系统，应用过程分析、 模型预测控制等技术，实时检测并识别偏差和异常，确保 药品生产过程稳定性；应用大数据分析技术对生产数据进 行实时分析，快速识别生产瓶颈，优化生产调度和资源配 置，提高生产执行效率和过程控制透明度，降低生产风险，

Statista，2021 年全球制药行业总收入约 1.5 万亿美金，制药研发投入 约 2.4 千亿美金。DeepMind 是最早用 AI 赋能新药开发的企业之一，其推出 的 AlphaFold 主要解决从已知的氨基酸序列，预测相应蛋白质 3D 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 在图像识别方面的准确率大幅度提升，驱动 AI+影像快速发展。而语音识 别的精准度提升以及临床知识库的发展，也推动辅助诊断服务逐渐兴起。随着 DeepMind 两代 AlphaFold 实现了蛋白质空间结构预测的重大突破，AI+制药也进入高速发展期。 图表1： AI+医疗应用场景 资料来源：各公司官网，华泰研究 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 临床 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 预测的重大突破，引领行业进入高速发展期。 免责声明和披露以及分析师声明是报告的一部分，请务必一起阅读。 5 电子 近期，我们看到类 Chat 的生成式 AI 开始出现，印证 AI

检查建议和计划 相似病例查询 辅助生成 治疗建议和计划 l J 医学文献 / 指南解读 科研方向预测 报告匿名化 / 结构化 代码辅助生成 临床科普文生成 赋能临床试验 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 YOLO MOCO ViT Swin Transformer DETR Deformable DETR UNETR Masksformer 等框架 MAE VLM 的发展之路 （密集预测类任务） Prove VIT architecture can perform well in Dense Prediction tasks MAE (Masked Autoencoders) n r · · 15 © Siemens Healthineers, 2024 Data Used: 基于掩膜自监督方法 快速迭代下游任务 基于大模型的密集预测任务 （赋能科研标注，产品研发 ) 影像数据质量评估 相似影像检索 纯影像大模型在医疗领域的使用场景 病理 / 影像诊断大模 型 s EMENS: H a l t h · n

被服管理 风险预防 医闹、黄牛人脸识别 院长查询 门禁事件处理 风险分析 医院应用系统 HIS EMR 患者 360 视 图 … 数据可视化 … 财务 绩效 智能分析应用 辅助决策 风险预测 质量管控 辅助诊疗 院区一个云平台 院区一个医疗协作网 … … … … 业 务 使 能 平 台 标 准 规 范 体 系 安 全 保 障 体 系 大数据查询分析 数据源 数据服务平台 ➢维护反馈 楼宇设备管理（ BIM 可视化运营维护操作） 建立楼宇设备预测性维护 预见维护 预防维护 预测维护 对医疗设备的使用年限、维护方式、故障原因、 诊疗结果进行分析 , 发现预防性维护通常不会增 加可靠性 , 实际上可能会引入故障。结论 : 通过 拉普拉斯趋势检验预测医疗设备的可靠性趋势 , 实施预测性维护 , 才能提高医疗设备的可靠性并 降低故障率 , 同时保障患者良好的诊疗结果。 同时保障患者良好的诊疗结果。 指通过物联网数据采集器监测现场的设备以收集 诊断数据的实践。预测性维修的目标是预测出更 为准确的故障的预计发生时间，以便于维护人员 准确及时地做出应对。 能效管理分析运营平台（ EMS ） ❖ 医院能源结构分析，展示电力、暖通、水力能耗数据 ❖ 设计原则：分层、分科室实现精细化计量，让能耗计量系统发挥真正的意 义 ❖ 功能说明：展示医院整体的能耗信息。各分诊楼的能耗信息。能耗信息以

的区别............ 8 图表 9 以非医保 OTC 药物为例的三层精细化数字营销管理..........................11 图表 10 不同场景药物数字营销结果的可预测性分析...................................12 图表 11 健康之路 AI 数字员工赋能数字营销全链路.............................. 成功营销案例的特性与共 性。该过程就是上章提到的“价值量化”的终极体现，这样的精耕细作对于供需双方，以 及整个数字营销市场的良性发展都至关重要。 对于药企需求方来说，在投入之初，便能知道最终的预测效果，能够更好地助力企业的 营销策略制定和优化调整。如京东健康，针对 C 端的健康科普教育，拥有完整的疾病及 药品认知提升评估机制，并配以全链路的效果追踪能力，在“量化效果”的导航下，帮助 如 不同场景，药物营销管理可预测性不同。尽管随着数字营销的不断发展，其可预测性会 逐步增强，但由于营销场景不同，药物可预测性天花板也有所不同。 在院内和院外市场，根据医保是否覆盖，我们将不同的药品数字营销结果可预测性做了 对比。主要决策者话语权越强，数字营销的对象越集中，结果可预测性越高；决策者与 支付方重叠度越高，各营销环节与最终销量的正相关程度越高，结果可预测性越高。 我们看到，自费药

核安全：文明发展的关键命题 人类文明的代际划分是 基于能源的应用 核物理本质上是对世 界本源的探究 文明演进的风险镜像 传统核安全监管体系的三大瓶颈 预测局限性 l 传统监管多基于静态模型和 历史经验进行风险评估和预 测 ， 对突发事故和新型风 险 的预测能力不足。 人力依赖性 l 传统监管需要大量人力投 入 ， 且存在主观性和局 限 性 ， 容易出现疏漏 ， 成本 高、效率低。 03 基于计算机视觉的腐蚀裂纹量化评估 • 借助计算机视觉技术 ，对核设备表面的 腐 蚀和裂纹进行识别和量化分析。通过高精 度的图像识别算法 ，能够准确测量腐蚀和 裂纹的尺寸、深度等参数。 设备老化智能预测模型 2 1 综合考虑堆芯内的热传导、流体流动、化学反应等 多物理场因素 ，对堆芯熔毁过程进行精确模拟。 通 过建立多物理场耦合模型 ，能够更真实地反映 核事 故的演化过程 ，为应急决策提供科学依据。 的 “概率思维”与责任伦理的 “绝对命令”存在根本冲突。 当算法计算出 “可 接受风险”（如 0.01% 的泄漏概率） ， 人类是否有权为后代做此选择？ • 认知偏差的安全幻觉。 当 AI 能预测 99.9999% 的事故 ，我们是否对 0.0001% 的剩余风险更加恐惧？ n 贝克“风险社会”的再诠释 • 核事故是“系统性人为不确定”的典型： AI 试图用确定性建模对抗不确