以“中国故事”为主题的第六届未来医疗100强大会拉开帷幕。本届大会从政策导向、技术前沿、资本视角、产业创新、市场需求五个维度解析产业热点，解读未来医疗健康产业发展趋势，推动创新健康医疗产业变革。

金斯瑞创新中心副总裁 Cedric Wu：High Density CMOS IC Chip Enabling Scalable Long DNA Synthesis

全球的数据增长的速度飞快。大概 2025 年，全球可能会产出大概 110 trillion GB的BMA。这些分分秒秒在产生的数据，其实已经大到将来我们都没办法处理了。储存所需的物料甚至不能够支持快速增长的数据，只不过是现在的技术还能够支撑现阶段的用量。

在欧美国家，跟人有关的数据、健康、医疗、基因组数据要做长期储存。依据法律规定，基本上是要做到永久保存。那怎么实现永久保存？现在就是储存在磁带机或者储存在磁碟里面，那些磁碟其实使用周期都不够长，所以每隔几年就得翻拷一次。此外，为了防止故障，磁碟还要保存在恒温恒湿的环境下，这种储存设施也不一定能保证未来的长期供应。

数据储存的问题到底该如何解决？DNA 其实是最好的数据储存媒介，比现在最先进的物理储存技术储存的密度还要高出一百万倍。而且DNA可以非常长期的保存资源，消耗也比较低，只要环境保持干燥，就能储存成千上万年。

金斯瑞开发了全世界最高通量的芯片平台，一次可合成3千多万条长DNA序列，将近60亿个碱基。除了能用在CRISPR赋能高效基因功能研究、建立蛋白抗体库、完成高品质低成本的测序捕获方案外，也能解决数据储存问题。金斯瑞用这样的高通量DNA合成平台，将100mb四种类型18个文件转成DNA序列，并储存在DNA里。所有的文件都可以成功地还原。技术的成本也在不断降低，现在储存1GB大概只需要不到1000元。金斯瑞除了介绍自主开法全球最高通量DNA合成平台，也发表了全世界第一个商业化的DNA数据存储服务。

晶泰科技首席科学官 张佩宇：疫情之下，自动化智能化驱动新药研发

人工智能的发展正处在技术成熟曲线上的期待值巅峰的位置。在药物工业的应用中，要让AI技术更进一步，我们需要把AI新药研发的发展曲线拉伸到更高的台阶。

人工智能最重要三个方面就是，算力、算法和数据。目前算力和算法都已经发展的相对完备。而数据是人工智能药物研发的一个关键瓶颈。我们认为，自动化实验可能会是这个瓶颈的解决之道，而且晶泰科技很早就开始在这个领域做出布局和探索。我们认为自动化实验与AI的结合，可以使用AI药物研发的科学家跨越传统研发的一些限制，更快地摘取更新、更好、更有难度的那些“高悬或隐藏的果实”。

自动化技术在药物研发中已经有很迅速的发展，在生物化学、个性化医疗，还有GMP 生产方面都已有成功的应用。晶泰科技在过去几年内建立了智能计算、智能化自动化实验、专家经验这样一个三位一体的自动化、智能化药物研发体系。通过智能计算进行快速的分子生成和虚拟筛选，在更大的化学空间中寻找创新药分子；智能化自动化的实验，我们可以产生大量高精度、针对性的数据反馈给智能计算，在缺少数据的情况下实现快速的建模、迭代、验证；同时通过经验丰富的药物研发专家团队制定项目的目标和关键的节点，基于智能预测和自动化实验的结果，做出关键研发决策。

晶泰科技现在已经建成了几千平米的自动化实验室，我们干湿实验的闭环可以有效解决AI的数据问题，加速DMTA迭代，给药物科学家提供了巨大的助力，探索全新分子骨架和化学空间。药物研发的核心是实验试错与探索，而自动化实验可以打开试错效率的瓶颈，快速验证各种思路和假设，排除错误方向，提供高精度数据以建立AI模型，以更短的时间和更少次的迭代，拿到PCC。

人工智能在逆合成路线设计、合成条件推荐、反应产率推荐方向稳步发展，指导自动化实验进一步提高效率。智能计算、自动化实验、专家经验结合，已经在晶泰科技内部取得了很好的效果，支持从靶点到PCC的一站式研发服务。未来，我们认为药物研发将在自动化与智能化工具的推动下，从“劳动密集型”向“计算密集型”和“自动化密集型”转变。

深势科技创始人兼CEO 孙伟杰：AI for Science 新范式驱动药物研发新工具新流程

AI for Science 和 AI for Industry 有显著的区别。我们过去更多是 AI for Industry的这种范式。它的发展逻辑是很多行业，尤其是互联网行业的快速发展积累了海量的数据，我们用这些海量数据去训练一些 AI 模型，从中抽取一些高价值的规律，再进一步地去解决实际问题。比较典型的应用是图片的处理、自然语言的处理，包括生命科学行业的人类基因组工程，都是依赖大量数据训练的 AI for industry 模式。

然而，药物、材料设计这些实体工业行业面临的最大挑战之一，就是相对于要解决的问题的复杂度而言，我们所拥有的数据非常有限，且这些数据还非常不标准。这时候我们就可以用 AI for Science 的方法。

比如说，虽然这些行业里面没有积累大量的数据，但是科学家们可以对这些行业底层的运行规律先进行抽象，总结出背后的科学原理；再用 AI 去学习这些科学原理、科学知识乃至一些物理模型，得到一个通用的模型；最后再用这个 AI 模型去解决实际问题。比较典型的应用场景就是工业仿真、分子模拟，还有一些材料的设计和模拟。

基于AI for Science新范式，深势科技又原理驱动和数据驱动两种模式进行融合。原理驱动就是我们用 AI 去学习一些科学原理和物理模型；数据驱动就是虽然某些领域的科学原理不是很明确，但还是有一些科学数据的积累，那么我们就用 AI去学习现有的科学数据，从而帮助科学家更快更高效地发现事物运作的规律。

基于这些 AI for Science的新范式，深势科技打造了一系列药物研发和材料研发的新工具。当一个领域里面有了系统的计算模拟的工具之后，研发流程会变为先用计算去设计和模拟，再去做实验的验证。进而在药物设计领域，实现从随机筛选走向理性设计，从经验驱动迈向数据与模型驱动，从“劳动密集”到“计算密集”的智能化转变，赋能药物研发企业在新时代背景下的跨越式发展。

予路乾行技术副总 刘昊博士：计算机药物设计：算法研发逻辑与药物研发逻辑的默契

计算机药物设计技术通过数十年的发展，已深深植入药物研发的各个流程中，在以分子层面的药物设计及分析为主要应用场景的多个药物研发环节中发挥重要的作用。

另一方面，药学界对于计算机药物设计技术的主要需求从超大规模虚拟筛选、苗头化合物优化等方面，逐渐扩大到对于药物作用机理的探索以及复杂大分子药物及其药物递送系统的设计等领域。这不仅对于相关计算机算法的运算效率和精度提出了更高的要求，而且对算法在未知复杂分子体系中的泛化应用能力也带来了极大的挑战。

予路乾行通过对多种药物与靶点体系进行大量的运算模拟研究及测试工作，开发并整合了一套独具特色的药物分子研发平台。该公司在开展药物研发相关的计算工作时，把视线从药物与靶点的结合界面拓展至结合药物分子后的靶点功能性构象改变的动力学表现上，通过对比未结合药物的空腔蛋白的动力学表现，并结合分析药物与靶点在结合过程中的热力学性质，对药物分子的体外活性进行综合性评估及预测。平台的运算流程起始于靶点的结构建模与生理过程中的动态构象还原。通过分析靶点在构象变化过程中形成的稳定构象态，选取潜在的药物结合位点进行高速虚拟筛选算法与高精度分子模拟算法的高低搭配式运算，获得可靠的苗头化合物。随后通过干湿实验搭配的方式，明确分子层面的药效学机理，最终结合分子骨架跃迁原理，设计全新的先导化合物分子结构。目前，公司已与国内外多家药企合作，针对数条药物管线开展联合研发工作，在一年内即助推一款药物进入临床试验阶段，同时通过联合研发模式推进一个不可成药靶点相关疾病的药物研发管线进入专利申报阶段。

在予路乾行的核心技术是分子模拟运算平台，其核心技术包括基于机器学习的分子力场引擎，以及平行化分子动力学模拟技术。从分子层面出发进行药物设计是药物设计全流程中最具创新性和想象力的阶段，予路乾行立志成为新药研发业内的“创新工厂”，从蛋白质靶点结构及其与药物分子作用的动态机理出发，设计和优化先导化合物，为药物研发提供新的切入点，为原本的“不可能”带来新的可能性。

大咖会议

ITBT商业化之路：技术与未来

五源资本董事总经理 井绪天抛出了一个问题，IT跟医药研发的结合，已经在医药产品研发的效率、资源的节省上，甚至最终产品表现上都超过了传统的方法论。所以邀请各位嘉宾分享一下，未来 5 到 10 年，长期来看整个的医药研发领域会发生哪些变化？

剂泰医药联合创始人兼CEO 赖才达认为， AI 用在新分子实体是一个绝佳的应用场景。比如核酸类型的药，本身就是AUCG这种人体内自有的编码，所以就会有大量的公式。在此过程中一方面是要解码人体内的序列如何影响病症状态；而另一方面就是像剂泰这样去设计编码，让药物可以被导入细胞中，然后让疾病细胞变回健康细胞。其中要做事情非常多，像mRNA有10的两百次方的设计空间，人脑不可能去做这个计算，所以最终要 AI 去驱动。

晶泰科技联合创始人、董事长 温书豪表示，新技术进展的红利，包括ITBT、机器人，一定会给药物行业带来一波新的范式变化。晶泰科技在自己的工作流中已经看到了改变，上海的员工在机器上点一下，就可以驱动在深圳的机器人开始做合成或是测试，可以从早上 7 点到晚上23点连续不间断。这会给这个公司、这个行业带来非常大的，过去不可想象的一些模式变化。这样才能最终给整个产业带来更多高效、便宜、更优的药物。

焕一生物创始人兼CEO 文雯提到，在国际上，建立数字化疾病模型已经成为一种趋势，当下正是一个非常令人激动人心的时刻。现在的ITBT企业做的这些工作在五年前，受制于上游技术，都是没有办法做到的。以往生物数据的质量和标准化不足、业界对这些数据的理解不充分，使得我们不能真正把生物系统化。但是最近几年随着各种上游技术的发展，产业现在可以在一个合理的成本区间，获得大量高质量的数据，并且对于多维生物数据间关系的认知也有了指数型的上涨。所以接下来，将疾病做一个数字化、系统化的模拟，已经不再是不可实现的目标，国际上很多产业同僚也都在往这个方向努力。接下来的5-10年，现在产业界正在做的数字化模型方面的工作一定会带来非常好的成果，值得大家期待。

宸安生物创始人兼CEO 王宇翀谈到了自己的理解。他认为从短期来看，商业上要面对的挑战，就是如何为这个行业里面已有的需求提供比较显著的效率提升。这个也是圆桌论坛的多位嘉宾正在尝试做的事情。通过提供这样明确的效率提升，可以让产业产生非常积极和可观的现金流。长期来看，新的ITBT技术给这个行业带来的不仅仅是效率提升，更多地是完全不同的高壁垒创新应用，去实现一些之前的技术没有办法实现的事情。当然因为医疗本身的特性，产业没有办法在短期之内就证明给所有的人。但是现在在整个行业当中其实已经看到了很多积极的尝试，从分子发现到效果评价，再到临床试验的数据积累，甚至包括真实世界数据去指导早期的研发。ITBT可以做到之前完全实现不了的一些全新场景。

星亢原联合创始人兼CEO 陈航认为，当下产业正在多技术融合的阶段，AI计算技术是其中之一，但是生物医药产业慢慢随着数据的积累越来越多，对药物机理的理解越来越透彻，在AI计算这个技术维度上，首先占的分量会越来越大，渗透的环节会越来越多；第二AI计算可能会打开以前技术难以探索的空间，比如在生物大分子药物领域，既可以探索自然界中可以发现的蛋白，也可以基于AI计算设计非自然界的蛋白。另外在PROTAC等蛋白降解小分子领域，之前小分子有 “Rule of five”，但在 PROTAC 上之前的Rule of five不见得还是可以应用。所以有没有可能基于AI计算快速地建立PROTAC等蛋白降解小分子的理性设计标准，这是产业在重点关注的。

百度浏览   来源 : 动脉网新医药   

版权声明：本网站所有注明来源“医微客”的文字、图片和音视频资料，版权均属于医微客所有，非经授权，任何媒体、网站或个人不得转载，授权转载时须注明来源：”医微客”。本网所有转载文章系出于传递更多信息之目的，且明确注明来源和作者，转载仅作观点分享，版权归原作者所有。不希望被转载的媒体或个人可与我们联系，我们将立即进行删除处理。 本站拥有对此声明的最终解释权。