在今年诺贝尔奖的激烈角逐中，人工智能（AI）无疑大放异彩，抢尽了风头。

先是诺贝尔奖物理学授予了AI在人工神经网络机器学习，后有诺贝尔奖化学领域再次对垂青AI，肯定了其在计算蛋白质设计与蛋白质结构预测方面的卓越应用。AI硬控诺贝尔奖，成为了万众瞩目的焦点。

图源：诺贝尔官网

在AI变革时代，南宫NG·28作为一站式生物医药临床前研发服务平台，凭借其敏锐的洞察力和前瞻性的布局，不仅紧跟时代步伐，更成为了AI+CRO领域的先行者和推动者。

AI+制药，全面渗透药物研发

在医药领域，AI的应用已逐步渗透到药物研发的各个关键环节，从靶点的发现和识别、药物的从头设计、ADMET（吸收、分布、代谢、排泄和毒性）预测，到临床试验的设计与执行，AI正全面改变着药物研发的传统模式。

1. 靶点的发现和识别

传统靶点发现过程往往依赖于实验数据积累和文献调研，耗时耗力且成本高昂。而AI技术则能够通过大数据分析，快速挖掘海量生物信息数据中的潜在靶点，结合机器学习算法，对靶点进行精准预测和验证。这不仅大大提高了靶点发现的效率，还降低了发现成本，为药物研发提供了更多可能性。

图源：英矽智能

如：三名高中生使用英矽智能AI靶点发现平台PandaOmics确定了多形胶质母细胞瘤的新治疗靶标^[1]，而IBM的Watson系统通过阅读大量的文献摘要和论文，预测了RNA结合蛋白与肌萎缩侧索硬化（ALS）的相关性^[2]，这些案例都有力地证实了AI在靶点发现领域的完善与强大潜力。

2. 药物的从头设计

在药物设计方面，AI展现出了强大的计算能力。通过机器学习算法，AI能够预测化合物的生物活性、毒性以及药代动力学性质，从而设计出具有潜在药效的候选分子。这种从头设计的方法不仅提高了药物的研发效率，还降低了研发成本，为新药研发开辟了新的道路。

一种自然界中不存在的蛋白质折叠形式 Top7

图源：Terezia Kovalova/The Royal Swedish Academy of Sciences

如：大卫·贝克尔（David Baker）利用软件创造出了一个与天然蛋白质截然不同的新蛋白质Top7，以及英矽智能利用AI驱动的药物设计平台Chemistry42快速设计出新的潜在药物化合物INS018_055，都是AI在药物设计领域取得的重要成果。值得关注的是，INS018_055已进入临床二期，并受到诺贝尔化学奖得主迈克尔·莱维特博士的高度评价。

3. ADMET预测

ADMET预测是药物研发过程中的重要一环。AI技术能够综合考虑化合物的物理化学性质、生物转化途径以及潜在毒性等多方面因素，对化合物的ADMET性质进行精准预测。这有助于在早期阶段就筛选出具有良好药代动力学性质和较低毒性的候选药物，减少后期研发失败的风险。

AiDMET预测的Fosravuconazole经酯酶代谢为Ravuconazole的过程

图源：AiDMET成药性预测平台

如：天智药成团队开发的AiDMET成药性预测平台成功预测了Fosravuconazole和Ravuconazole的理化性质参数以及代谢过程；Liu等人利用定向消息传递网络（D-MPNN）对FOODB库中的化合物进行的Nrf2激动活性预测及毒性分析^[3]，以及QSAR模型的广泛用都充分展示了AI在药物ADMET预测中的有效性和准确性。

4. 临床试验设计与执行

在临床试验阶段，AI同样发挥着重要作用。通过分析历史试验数据和患者信息，AI能够优化试验设计，提高试验效率和准确性。同时，AI还能实时监测患者的生理指标和反应情况，为医生提供及时的反馈和建议，确保试验的安全性和有效性。

临床试验模拟及分析流程图^[4]

如：斯坦福大学团队开发的Trial Pathfinder^[4]利用电子健康记录（EHR）数据优化临床试验入组标准，提高招募效率并确保患者安全；医渡科技与北京大学肿瘤医院合作，利用AI自动扫描技术发现临床试验数据质量问题[5]。这些应用通过AI技术自动筛选患者、分析数据，有力支持药物研发与上市。

AI+CRO模式的探索与实践

国内AI+新药企业商业模式统计情况

数据来源：公开信息及调研访谈，蛋壳研究院制

CRO，同AI技术一样，致力于降低研发成本并提升研发效率。AI技术的蓬勃发展，不仅颠覆了药物研发的传统范式，更引领了AI+CRO这一创新研发模式的诞生。该模式将AI技术的前沿智能分析、精准预测能力，与CRO公司卓越的药物研发专业实力、丰富项目经验及高效执行策略完美融合，为新药研发带来了显著优势：

高效精准的研发体系：结合AI的数据处理、模型预测与自动化实验能力和CRO的专业研发及实验验证经验，构建了一个高效、精准的药物研发体系，显著提升了研发效率。与传统新药研发管线比，基于AI和生物计算的新药研发管线平均 1-2 年就可以完成临床前药物研究 ^[6]，可缩短前期研发约一半时间，使新药研发的成功率从当前的 12% 提高到 14%，每年为全球节约化合物筛选和临床试验费用约 550 亿美元 ^[7]。

数据驱动与智能化决策：利用CRO积累的实验数据，AI技术进行深度分析和预测，为药物研发提供智能化的决策支持，快速筛选出具有潜力的药物候选物，优化了研发流程。

降低成本与提高成功率：AI技术的精准预测和优化能力减少了不必要的实验和重复劳动，降低了研发成本；同时，通过模拟和预测药物在生物体内的行为，AI技术提高了研发成功率。

促进新药发现与加速上市：AI+CRO模式为药物研发提供了新的思路和方法，推动了新药发现的创新。AI的创新能力不断拓展药物研发的边界，为治疗各种疾病提供了更多可能性，有助于发现传统方法难以发现的新药。

南宫NG·28：一站式生物医药临床前CRO的AI探索

作为AI+CRO领域的先行者和实践者，南宫NG·28二十年来一直积极探索药物研发的前沿技术。在AI制药领域，南宫NG·28于2021年联合发起成立张江AI新药研发联盟，陈春麟博士出任联盟首届轮值联席主席。至今，南宫NG·28已与英矽智能、德睿智药、深势科技等多家AI创新药研发公司达成战略合作。此外，南宫NG·28基于AI技术的一站式创新药临床前研发服务平台项目申报了政府相关政策扶持。

基于自身丰富的创新药物分子设计经验及技术储备，以及AI的赋能，南宫NG·28搭建了AI药物发现服务平台，可提供蛋白结构预测与模拟、binding site发现、信息提取与清洗，以及定制化项目数据库构建等，满足科研工作者多样化的需求。此外，平台还深度助力Target-to-hit、Hit-to-lead、Lead-to-PCC等关键研发阶段，为药物研发提供了全方位的技术支持，加速药物研发管线进程。

多年的深耕细作，南宫NG·28在AI制药领域取得了丰硕的成果。如南宫NG·28为英矽智能ISM3412药物提供了涵盖药代动力学、安全性评价等在内的全面临床前研发服务；为德睿智药MDR-001提供了原料药工艺开发和制剂研发服务，为药物的快速获批奠定了坚实的基础。

2024年诺贝尔化学奖的颁布，再次彰显了AI+制药深度结合的巨大潜力。随着AI技术的不断发展和应用，AI药物研发已经成为新药发现的重要途径之一。南宫NG·28将继续秉持“创新驱动、质量至上”的服务理念，积极探索AI在药物研发中的新应用和新模式，为新药研发提供更加高效、灵活和定制化的解决方案。同时，南宫NG·28期待与更多合作伙伴携手共进，共同开创AI制药领域的新纪元。

参考文献：
1.Olsen, A., Harpaz, Z., Ren, C., Shneyderman, A., Veviorskiy, A., Dralkina, M., ... & Zhavoronkov, A. (2023). Identification of dual-purpose therapeutic targets implicated in aging and glioblastoma multiforme using PandaOmics-an AI-enabled biological target discovery platform. Aging, 15.
2.刘晓凡,孙翔宇,朱迅.人工智能在新药研发中的应用现状与挑战[J].药学进展,2021,45(07):494-501.
3.Liu S, et al. Virtual Screening of Nrf2 Dietary-Derived Agonists and Safety by a New Deep-Learning Model and Verified In Vitro and In Vivo. J Agric Food Chem. 2023 May ;71(21):8038-8049.
4.Ruishan Liu, et al. Evaluating eligibility criteria of oncology trials using real-world data and AI. Nature, 2021.
5.http://mp.weixin.qq.com/s/j2_z_CSZf0VNRVRVrULxOQ
6.Chan H, Shan H, Dahoun T, et al. Advancing drug discovery viaartificial intelligence[J]. Trends Pharmacol Sci, 2019, 40(8): 592–604.
7.Wong C H, Siah K W, Lo A W. Estimation of clinical trial successrates and related parameters[J]. Biostatistics, 2019, 20(2): 273–286.