【保存并复制】；不保存 则点击【取消】。 第四步：对已创建人员信息进行数据筛选。点击更多可查看更筛选条件。填写 筛选条件并点击【筛选】按钮，可筛选信息。 图 13 信息筛选 第五步：光标移至党员信息库列头，出现 标志，可对党员信息库列头、数 据进行筛选，以及列冻结。 图 14 信息筛选 第六步：拖动党员信息库列头，可以修改信息顺讯。 图 15 列头拖动 形式导出  操作步骤 点击【党员信息统计】，选择【各支部党员性别】，进入各支部党员性别统计的 界面。 第一步：对统计信息进行数据筛选。点击更多可查看更筛选条件。填写筛选条 件并点击【筛选】按钮，可筛选信息。 图 16 统计筛选 第二步：点击统计数据可穿透查看详情。 图 17 穿透查看 第三步：对统计信息进行转发。点击【转发】按钮，统计结果作为事务管理正 加 支部信息，点击【保存并新建】；如需复制当前信息，点击【保存并复制】；不保存 则点击【取消】。 第四步：光标移至支部信息列头，出现 标志，可对信息库列头、数据进行 筛选，以及列冻结。 图 24 信息筛选 第五步：拖动支部信息库列头，可以修改信息顺序。 5.2 党小组管理 进入【党小组管理】|【党小组信息维护】，创建党小组信息。  权限说明 党务工作者作

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 临床试 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 库结合 AI 技术，开发动态化学空间，并通过一站式计算筛选平台，提供全面的 活性化合物筛选服务。随着 AI 技术的不断进步和 AlphaFold 促使蛋白质结构预测革命性进步 .......................................................... 12 2.3 化合物虚拟筛选有效提升化合物结构新颖性 ...................................................... 12 2.4 ADMET 预测可提前考量药物成药可能性

.................................................................. 15 图 26：利用成都先导 DEL 数据库结合 AI 技术筛选活性化合物 ...................... 15 表 1：AI 在药物研发主要流程发挥作用 ......................................... 一、AI 制药蓝海市场，人工智能赋能药研全流程 人工智能赋能新药开发，是指在规模化医药数据基础上，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 AI 学习海量现存化学反应，推荐化合物 合成路线并优化反应条件 ML、DL 化合物筛选 成本高，效率低 使用虚拟筛选遴选出具有潜在成药性的活性 化合物，降低实验筛选化合物数量，降低资 金投入，缩短筛选周期 CV、DL 晶型预测 耗时长，筛选合适晶型困难 通过 AI 模拟晶型药物晶型筛选，可在短时间 选出稳定性强的最佳药物晶型 DL、ML 患者招募 招募适合入组患者难度高、周期

预测。1）逐渐完善的行业拼图，行业玩家逐渐增加；2）AI在多疾病领域广泛应用 ，肿瘤（37%）、免疫学（21%）及神经病学（14%）领域占比最大；3）AI可参与药物开发过程多个阶段。其中涉及AI虚拟筛选、药物发 现、优化药物结构、临床试验优化、建立疾病风险模型、肿瘤精准治疗等。商业化落地中等，仍处于临床早期阶段，数据获取成本高，依赖 文献数据及实验室数据。相关标的：晶泰科技、丽珠集团、药明康德、信 医疗大数据、 智能诊断、 科研管理、 设备互联互通 综合性解决方案 AI 基因测序 收集样本基因测序、 罕见病遗传病分析解读 多组学风险预测和评估 AI 制药 分子虚拟筛选、药物发现 优化药物结构 临床试验优化 建立疾病风险模型 肿瘤精准治疗 AI 医学影像 图像处理、 勾勒病灶大小、 特征识别、诊断建议 AI 健康管理 可穿戴设备 物研发周期。传统药物研发遵循“双十定律”（10年时间 、10亿美元投入），而AI模型可将化合物设计时间缩短 70%，成功率提升10倍。例如，医渡科技通过DeepSeek 处理55亿份医疗记录，加速药物靶点筛选与临床试验设计 ，研发效率提升显著。  模型训练与部署成本降低 DeepSeek通过强化学习技术减少对高成本标注数据的依 赖，结合开源策略，使企业能以更低成本实现本地化部署 。例如，方舟健

2.9%。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3亿美元。与传统药物研发对比，AI制药更具有优势：AI制药方法可以对数十 亿个分子进行筛选，缩小实际需要合成和筛选的分子数量范围，在2-3年内仅需合成及测试数百个分子；可以定制生成数百个苗头分子，探 索未知分子，提高药物研发的创新性；能够通过计算机模拟的方式减少需要实验室验证的分子数量，节约验证和测试时间。 图：全球AI制药行业的市场规模 数据来源：MedMarket Insight，国信证券经济研究所整理 全球AI制药的市场快速扩张，AI技术布局药物研发全产业链 ◼ AI技术参与药物研发的多个阶段。从靶点发现、虚拟筛选、蛋白质 结构预测、ADMET预测到临床试验等多个研发阶段，AI技术均能参与 其中，全面布局在药物研发的上、中、下游产业链。 ◼ AI制药行业市场规模快速增长。根据MedMarket Insights预测， 93亿美元，预计到2031年将 增长至85.02亿美元，2022-2031年复合增长率约为27.2%。 AIDD 制药流程 新药发现 蛋白质结构预测 AI应用模块 AI模型 药物从头设计 虚拟筛选 靶点的发现和识别 ADMET预测 晶型预测 逆合成预测 临床试验 新药开发 临床阶段 知识图谱 机器学习 深度学习 自然语言处理 大语言模型 请务必阅读正文之后的免责声明及其项下所有内容

成为国内AI制药头部企业 自主研发建立AI 制药平台 基于腾讯AI Lab自主研发的深度学习算法开发AI驱动临床前新药研发 开放平台“云深智药”，同时提供数据库和云计算支持，主要功能有 蛋白质结构预测、虚拟筛选、分子生成、ADMET预测和合成路线规划 基于华为云AI和大数据技术优势开发华为云“EIHealth”，为基因组 分析、药物研发、临床研究三个领域提供专业AI研发平台 成立负责大健康业务的极光部门，其AI Pharma Intelligence，西南证券整理 32  应用在制药环节的AI技术主要包括机器学习中的深度学习、大数据及自然语言处理，通过训练数据库内目标信息搭建精准模型 ，实现药物分子的筛选、预测及分析、用药安全的试验、评估等研发目标。AI制药应用场景主要包括药物研发、用药安全、供 应链管理、商业拓展、个性化诊疗及监管审批六个方面，其中药物研发及用药安全是AI技术在制药环节的主要内容。传统新药 建模型，进行功能的推断、预测及分类 大数据 通过深度学习，从大量患者样本及生物医学资料中整理筛选相关基因组学、蛋白质组学、代谢组学等多组学数据，分析疾病 与非疾病间差异，或寻找可对疾病产生影响的蛋白质 基于表型的药物发现 机器学习 通过机器学习，直接使用生物系统进行药物筛选，在表型筛选中关联细胞表型和化合物作用方式，获得靶点、信号通路或遗 传疾病相关聚类 分子生成 机器学习、深度学习

4.高通量机器人验证：传统化工材料的研发，科学家需要从成千上万种化合物的效果进行筛 选，可能需要研究人员手动对每个化合物进行测试，这不仅耗时耗力，而且可能会因为人为 因素出现遗漏或错误。而高通量筛选技术可以在短时间内对大量化合物进行自动测试，例如 阿姆斯特丹大学开发了一种集成人工智能机器学习单元的机器人 RoboChem，一周内， RoboChem 可以优化大约 10 到 20 个分子的合成，而对于研究人员手动来说，这通常需要几 .................... 22 图表 23： 材料设计筛选方法和生成方法示意图 ............................ 23 图表 24： MatterGen 可根据不同设计要求对模型进行微调 .................. 24 图表 25： MatterGen 明显优于传统筛选方法 .............................. 25 系统中搜索高硬度的 HEAs 时，仅用 155 个初始样 本，经 7 轮主动学习迭代，就获得了硬度提升显著的合金；Yuan 等运用主动学习策 略，在寻找新型无铅 BaTiO₃基压电材料时，通过 5 轮迭代就筛选出性能优异的材料， 使研发进程大大加快。小样本学习使研究人员突破数据限制，探索更多材料可能性。 少样本学习和虚拟样本生成技术可在少量数据基础上拓展研究边界，挖掘新的材料 性能和应用。随着技术发

MCP Server安装 • 远程 sse/streamable Mcp server 的工具 代理 • 替代在mcp.json文件中编辑 2.【MCP Server筛选 】 • 处理任务时对任务其所需要工具列表进行 预筛选减少token消耗 项目地址：https://github.com/nacos-group/nacos-mcp-router Part 4 Nacos 3.0 未来的规划 MCP Registry 动态Prompt Agent Discovery AI 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 Server意图识别筛选 工具调用代理 Docker部署 多协议支持 主动注册MCP&工具 鉴权&Header透传 工具及描述动态管理 MCP注册与发现 MCP服务器筛选、安装、代理 Agent Nacos MCP Router工作原理--智能路由模式 AI Agent Nacos MCP Router Vector DB query tool call • 智能筛选：根据任务描述及关键字筛选MCP服务器

研发和临床试验进度。 1.精准靶点识别与筛选 面向疾病机制探究和药物靶点发现等业务活动，针对 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 定要求的化合物，实现药物分子的从头设计及结构优化。 3.超高通量化合物虚拟筛选 面向新分子实体（NMEs）筛选等业务活动，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 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 （AI）技术，自动筛选符合入组标准的患者，提高招募效 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

和具备关系图谱预测功能的 CRN，进一步提升智能化水平。 ⚫ BOSS 直聘借 AI 全面升级招聘服务，南北阁大模型获权威认可。 “智能匹配”功能借助 人工智能，依据求职者多维度数据精准推荐职位并反向筛选，提升招聘效率；“直聊”模 式中的智能客服减轻企业招聘人员负担。自主研发的百亿参数规模南北阁大模型，面向求 职招聘垂类场景，有效提升人岗匹配精准度，其 V1.0.0 版顺利通过中国信通院大语言模 借助 AIGC、NLP 及机 器视觉等技术，招聘流程实现自动化、智能化变革。岗位 JD 生成时，AI 依企业需求与岗 位能力要求，自动生成精准详细描述。简历筛选匹配环节，智能招聘系统用 NLP 技术自 动提取分析简历关键信息匹配筛选候选人。视频面试与评估反馈场景下，AI 辅助面试官分 17.00% 15.50% 11.10% 9.80% 9.30% 7.70% 6.70% 6 析，评估性格、沟通能力等，部分系统还能模拟面试对话。《AI 在企业人力资源中的应用 白皮书 2.0》数据显示，34.3%受访企业在招聘管理中应用 AI。其中，AI 面试、职位描述 撰写、简历筛选匹配、智能应答功能普及占比依次为 30.8%、21.0%、18.2%、15.4%。 在赋能效果上，5.3%企业非常满意，7.0%企业认为符合预期，57.9%企业觉得基本达到 预期。 图 4：企业招聘管理中应用