随着2006年DeepLearning算法的提出，人工智能(AI)的发展进入 了第三次浪潮。DeepLearning凭借自身优秀的信息表征及关系提取能 力，已经为计算机视觉(cv)及自然语言处理(nlp)等领域带来了突破性的 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。 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 够一定程度上加速靶点的筛选速度，但同样存在自身的局限性。如反向对接需要 在大量的蛋白质目标中进行对接，这会极大的消耗计算资源和时间。结构相似性 分析则非常依赖已知的蛋白结构，对结构未知的蛋白无从下手。 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

医保三医联动，打造为全市医养做服务的互联网医院。 互联网医院常见问题 1. 互联网企业，难以打通政府部门及公立医院，对接医保等医疗资 源，无法形成线上线下一体式诊疗服务； 2. 医疗数据具有很高的质量和价值，同时也具有隐私性，一旦泄露 会对患者生活、医生工作带来很大影响和负面作用。而互联网公 司在数据安全方面难以取得政府和医疗机构信任； 3. 以杭州金投为代表的具有国企背景机构，政府支持，对接当地多 家医院，但受 、健康状况监测等， 可以对接互联网诊疗和医药电商企业、智能穿戴设备和家用医疗仪器等厂 商，从而构建起数据湖 + 医疗健康生态圈。 建立地区行业性标准 借助易华录 的 央企背景以及全国各地数据湖的优势，以互联网 + 医疗健康 作为切入点，逐步建立地区性医疗健康行业标准。 1 2 3 盈利点 盈利点 1 ： 【云服务、蓝光存储】 • 医疗健康信息系统集成、新建及改造 盈利点 4 ：【数据分析服务费用】 • 推动医联体、医共体建设 • 检查检验结果互认 • …… 政策推动 影像等医疗数据由院级向区域级存储发展，实现快速调用、共享与扩展影像应用成为必然趋势 新冠疫情的到来凸显出云影像重要 性 市场痛点——医疗影像行业快速发展的催化剂 医 疗 影 像 的 管 理 方 、 监 督 方 医 疗 影 像 的 操 作 方 、 使 用 方 医院等医疗机构 • 影像资料存管难、存储管理成本高

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 针对传统 筛选方法效率低下和创新性不足的问题，利用计算机仿真、 分子模拟和成药性理化模型等技术进行高通量虚拟筛选， 加快化合物生物活性和药理作用的评估速度；基于人工智 能（AI）技术挖掘文献、数据库等，提高化合物筛选范围 和效果。 4.动物模型数据挖掘与虚拟动物实验 面向动物实验研究、药物测试等业务活动，针对动物 替代需求高、与人体结果一致性有偏差等问题，运用数据 挖掘、模拟 特点和中医理论建立决策树、神经网络等不同模型，对临 床有效性和特点进行解析，提高中药创新药转化决策质量、 效率和成本效益。 6.基于风险的临床试验管理 3 面向临床试验方案设计、患者招募、风险管理等业务 活动，针对数据合规管理等需求，利用深度学习、自然语 言分析等数字技术，构建疾病模型，分析过往相似性试验 计划，快速评估临床试验的可实现性及潜在风险，从而进 一步优化试验计划及方案；结合真实世界数据、人工智能

疾控中心综合业务管理 信息化实现 大纲 关键设计及举例 小结 34 32 3 背景及必要性 1 总体方案 33 区域卫生总体理解 建立中国特色医药卫生体制，逐步实现人人享有基本医疗卫生服务的目标，提高全民 健康水平，就深化医药卫生体制改革，强化医药卫生管理信息化为社会服务的功能。 • 建立健全药品供应保障体系。加快 建立以国家基本药物制度为基础的 药品供应保障体系，保障人民群众 建立和完善医疗保障信息系统。加快 具有复合功能的医疗保障信息系统建 设。积极推广“一卡通”等办法，方便 参保（合）人员就医，增加医疗服务 的透明度 • 进一步完善医疗服务体系。坚持非 营利性医疗机构为主体、营利性医疗 机构为补充，公立医疗机构为主导、 非公立医疗机构共同发展的办医原则 建设结构合理、覆盖城乡的医疗服务 体系。 • 以建立居民健康档案为重点，构建乡 村和社区卫生信息网络平台；以医院 业务协同 数字卫生 业务协同 数字卫生 医疗急救 血液中心 农村医疗 综合管理 信息共享 城镇医疗 药监 …. 卫生监督 电子健康 .… 卫生管理单位 疾控综合业务管理建设必要性 建设背景 国家政策响应； 分布式三级网络架构趋势； 卫生系统林立，提升监测能力。 技术支撑 业务规范 SOP ； 简化工作、提高效率； 质量控制、绩效考核。 监测范围 疾病监测：传染病、实验室、

随着2006年DeepLearning算法的提出，人工智能(AI)的发展进 入了第三次浪潮。DeepLearning凭借自身优秀的信息表征及关系提 取能力，已经为计算机视觉(cv)及自然语言处理(nlp)等领域带来了突 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。 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

 数字化发展的大势中，医药数字营销早已经不再是先进企业的优先尝试，而是各医 药企业的标配。  随着医患信息差缩小、患者健康意识增强、对健康解决方案参与度提升，以患者为 中心的数字营销重要性不断升高，患者教育从可有可无已经成为刚需环节。  医药数字化营销市场规模稳步提升，但资本热度自 2022 年起断崖式下降。这其中 的主要差异，或许来自对数字营销的定义以及价值量化方式的不同。  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............................... 定义模糊、价值未量化是数字营销的关键瓶颈 多方促进数字营销发展。从政策端看，医疗反腐促进药品销售规范化、医药代表职业规 范促进回归学术推广本质、集采和国谈等政策推动企业降本增效优化销售费用支出，均 不同程度提升了数字营销的重要性。再观用户市场，无论医生还是患者信息获取渠道极 大丰富且主动搜索明显提升，数字营销是更好满足全渠道触达的方式。 在市场规模增加并多因素促进数字营销发展的背景下，数字营销的未来发展却没有匹配 相应

台 第三部分 后勤运营管理平 台 综合布线系统点位设计 数据中心采用光纤预端接技术 弱电间采用智能电子配线架，对接可视化 管理平台 弱电间机柜采用微模块一体化机柜，一次 性解决配电和散热问题 全光网敷设、电源线 二、信息网络系统总体结构 平板电脑 内网部署 内网： 承载所有的重要业务应 用如医院信息系统 （ HIS ），医用影像系 统，检验实验室系统 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 建立数字空间编码标准利用现有 BIM 数据 ❖ 数据标准化、视频流结构化处理；图 纸图档一体化； ❖ BIM 轻量化： ❖ 缩小 BIM 模型大小让它更轻，在计 算机上加载、显示更快 ❖ 对模型中的构件进行相似性计算，移 除几何形状相同的构件只保留构件几 何位置信息，利用相似算法技术特别 是对于机电模型能大幅度减少构件数 量，轻量化效果非常明显。 ❖ 剔除原 BIM 模型中设计施工阶段保 留的在平台视图中无用的构件，如机

预训练大模型与医疗：从算法研究到应用 1. 预训练大模型概述 2. 理解大模型的内在机理 3. 赋予模型精准性与可解释性 4. 医疗领域应用 5. 清华探索：数基生命 CHIMA 20Pag2 Tsinghua Confidential | lvhairong@tsinghua.edu.cn CONTENTS 预训练：从大数据到小数据 ③ 精 准 可 解 释 ④ 医 疗 应 用 Encoder Representations from Transformers  双向模型，同时考虑前文和后文  采用掩码语言模型（ masked language model ）和下一句 预测任务 （ next sentence prediction ）进行预训练，使得模型能够学习到上下 文 关系和词汇语义  通常用于文本分类、序列标注、问答等任务  GPT ： Generative 用 ⑤ 数 基 生 命 ② 剖 析 大 模 型 ① 关 于 预 训 练 BERT 主要采用掩码语言模型（ masked language model ，对应图 Mask LM ）和下一句预测任务（ next sentence prediction ，对应图 NSP ）进行预训练，使得模型能够学习到上下文关系和词汇语义。预训练好的 BERT 可以用于对 输入文本进行编码，得到具有语义的向量表示。

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 Express，可以在几秒钟内生成准确的临床记录， 减少临床记录环节的时间，提升诊疗效率。Nuance 曾在 2020 年推出 DAX 解决方案，将 患者在就诊中与医生的交流转化为临床档案，由于以人工审核来确保信息准确性，全过程 需要耗时约四个小时。接入 GPT-4 后，依靠大模型强大的推理能力，DAX Express 生成临 床记录的效率大幅提升。此外，DAX Express 能够整合进微软 Teams 中，来辅助远程医疗。

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 （一）医疗大模型的逻辑框架 医疗大模型一般指在医疗健康领域应用的大规模预训练语言模型（LLM），其训练数 Prediction等方式进行无监督预训练。 从应用层看，预训练模型微调，结合医学知识图谱、规则库等知识源增强医学专业 性，使用知识蒸馏、参数剪枝等技术压缩模型并在真实临床环境中评估、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。 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 疾病预防，提高