如果對AI制藥新勢力的技術(shù)實力進行評比，英矽智能絕對可以稱得上其中的佼佼者。

今年2月，英矽智能用18個月、投入僅260萬美元，就通過新藥靶點發(fā)現(xiàn)平臺 PandaOmics 和AI分子生成和設(shè)計平臺Chemistry42平臺，研發(fā)出特發(fā)性肺纖維化（IPF）疾病新靶點。

以及全球首例完全由AI驅(qū)動發(fā)現(xiàn)的藥物分子，一舉成為AI制藥全球范圍內(nèi)的一個標(biāo)志性里程碑事件。

對外合作上，英矽智能也相繼拿下多個大藥企訂單，包括默克、輝瑞、勃林格殷格翰、安斯泰來、強生制藥子公司楊森制藥等。

近日，雷鋒網(wǎng)《醫(yī)健AI掘金志》以“AI制藥·下一個現(xiàn)象級賽道”為主題，邀請百圖生科、劑泰醫(yī)藥、未知君、望石智慧、英矽智能、星藥科技六家先鋒企業(yè)，舉辦了一場線上云峰會。

作為此次活動的演講嘉賓，英矽智能首席科學(xué)官、藥物研發(fā)負責(zé)人任峰，就以《人工智能加速新藥研發(fā)》為題，對英矽智能的AI新藥平臺做了介紹。

任峰表示，大家看到我們貌似很容易，就利用AI在短時間找出新靶點和藥物分子，但18個月研發(fā)背后是我們用7年時間對底層技術(shù)的默默研發(fā)。

在找出肺纖維化（IPF）藥物分子之前，英矽智能就根據(jù)新藥研發(fā)周期特點，用大量精力研發(fā)了三款人工智能軟件“ PandaOmics、Chemistry42和InClinico?！?/p>

這三個軟件，針對藥物研發(fā)靶點發(fā)現(xiàn)、藥物分子篩選和臨床試驗三個重要周期，可以分別提供：根據(jù)組學(xué)數(shù)據(jù)自動尋找新靶點；利用生成式對抗神經(jīng)網(wǎng)絡(luò)生成新的分子化合物；為新靶點和新化合物提供臨床結(jié)果預(yù)測，三個重要輔助功能。

這次英矽智能拿出的肺纖維化（IPF）藥物分子成果，也正是在三個系統(tǒng)的前后配合之下，才得以快速完成。

以下是演講全部內(nèi)容，《醫(yī)健AI掘金志》做了不改變原意的整理和編輯：

首先感謝線上朋友和各位同仁，一起來討論人工智能對新藥研發(fā)的作用，以及AI新藥研發(fā)的未來前景。

我叫任峰，是Insilico Medicine（英矽智能）首席科學(xué)官，于今年2月份加入英矽智能，主要負責(zé)公司內(nèi)部產(chǎn)品管線以及對外合作。

加入英矽智能之前，我在上海美迪西任高級副總裁，負責(zé)生物和化學(xué)部兩個部門業(yè)務(wù)。

今天我想給大家分享的內(nèi)容是，用人工智能加速新藥研發(fā)，也就是AI-accelerated Drug Discovery。

眾所周知，新藥研發(fā)具有費用高、成功率低、耗時長的特點，也即是一高一低一長。

一個新藥平均下來，從開始研發(fā)到上市，大概需要10~15年時間，花費超過20億美金；成功率也非常低，從臨床一期到臨床三期大概10%左右。

這是所有新藥研發(fā)企業(yè)共同面臨的困境，突破困境就需要人工智能等其他輔助手段幫忙。

 

新藥研發(fā)主要是分成三個部分：

第一靶點發(fā)現(xiàn)，包括疾病假設(shè)以及靶點發(fā)現(xiàn)和驗證，以生物學(xué)和IRS為主；

第二臨床候選化合物確定以及臨床前研究，以化學(xué)為主；

第三是臨床研究。

傳統(tǒng)藥企里面，這三個部分都是由不同部門完成，或者由不同企業(yè)完成。

英矽智能要做的就是通過人工智能技術(shù)，把三個方面結(jié)合起來。

首先靶點發(fā)現(xiàn)方面，我們希望通過組學(xué)數(shù)據(jù)幫助找新靶點，在這里面，通過找到病人和健康人組學(xué)數(shù)據(jù)之間區(qū)別，找到新靶點。

同時，我們還會利用Text-based(文獻和專利)、Financial scores(包括政府支持的科研經(jīng)費)，以及Key Opinion Leaders等數(shù)據(jù)，對靶點進行評估，包括新穎性、成藥性和安全性。通過這種方式找到想做的靶點，以及新靶點。

找到靶點之后，通過小分子化合物生成系統(tǒng)來產(chǎn)生新化合物，然后可以把化合物推進至臨床研究。

這部分也有人工智能系統(tǒng)來幫助預(yù)測臨床實驗成功和失敗，最主要還是優(yōu)化臨床實驗方案。

 

Insilico Medicine也就是通過人工智能把靶點發(fā)現(xiàn)，化后生成，臨床實驗三個方面結(jié)合起來。

首先，先用一個案例跟大家分享如何把這三方面結(jié)合。

這是我們的特發(fā)性肺纖維化項目，是今年2月份對外做了里程碑式進展發(fā)布。這個項目成功實現(xiàn)利用AI完成從早期靶點發(fā)現(xiàn)，到臨床候選化合物發(fā)現(xiàn)工作。

特發(fā)性肺纖維化長期被定義為一個罕見病，也即是rare disease，雖然是罕見病，但全球病人有71萬多人，是非常龐大的病人數(shù)量，僅亞洲就有30多萬。

這種疾病如果得不到很好的治療，確診后平均壽命也就4年左右，非常致命。

針對該病的治療，目前市場上批準(zhǔn)藥有兩款：吡非尼酮和尼達尼布，這兩款藥在2019年總銷售額在30億美金左右，是一個非常龐大的市場。

但兩款藥有一個共同問題，就是安全窗口非常小，用藥過程經(jīng)常伴隨嚴(yán)重副作用。

基于這種情況，大概10%~40%病人由于無法耐受這種副作用，以至于半途停藥，或者病人耐受劑量范圍之內(nèi)沒有藥效，所以這是一個未滿足的臨床需求。

所以 在這種情況下，我們希望通過前期靶點發(fā)現(xiàn)人工智能和化合物生成平臺，來找到全新機制治療特發(fā)性肺纖維化藥物。

靶點發(fā)現(xiàn)主要是通過組學(xué)數(shù)據(jù)，利用纖維化病人組學(xué)數(shù)據(jù)和健康人組學(xué)數(shù)據(jù)進行對比，找到兩者之間顯著差異，同時用iPANDA技術(shù)，在信號通路上找到能夠影響這些信號通路的組學(xué)數(shù)據(jù)，進而找到新靶點。

整個過程我們共發(fā)現(xiàn)了20多個靶點，隨后對其進行優(yōu)先級排序，如果靶點是一種激酶或者GPCR，那么它的成藥性就會比蛋白-蛋白之間相互作用好很多；

在優(yōu)先級排序中，主要從靶點安全性和未來價值進行篩選，一方需要看有沒有靶點敲除數(shù)據(jù)，被敲除之后，會不會導(dǎo)致非常嚴(yán)重的毒副作用，另一方面，還需要看靶點晶體結(jié)構(gòu)是不是已經(jīng)報道出來。

通過這一系列流程之后，我們找到了治療特發(fā)性肺纖維化表現(xiàn)效果最好的一個全新靶點。

找到靶點之后，我們又利用Chemistry42平臺（另一款人工智能軟件，主要作用是小分子化后生成）來生成和篩選小分子化合物。

通過這個平臺大概合成了80種化合物，其中13個化合物活性小于10nM，絕大多數(shù)（35個）活性在10~10nM，有15個活性在100~1000nM，還有十多個化合物沒有活性。

最終，我們選擇出055化合物，它的活性雖并不是最高，但總體最好，我們在其中主要關(guān)注成藥性和活性。

隨后，我們就把055化合物用到小鼠肺纖維化模型上，進行實驗驗證，結(jié)果效果是不錯的，可以在低劑量下達到同樣的治療效果。

我們又進一步用肺纖維化病人細胞來進行兩個實驗，首先是肺纖維化病人細胞體外實驗，從纖維化細胞到肌纖維化細胞之間轉(zhuǎn)化，看到化合物比尼達尼布活性高5倍左右。

另外是EMT實驗，從上皮細胞到間質(zhì)細胞轉(zhuǎn)換，活性同樣比尼達尼布高十幾倍左右。

FMT和EMT這兩個過程是特發(fā)性肺纖維化發(fā)病比較明顯的病理特征，最終證明在肺纖維化病人外細胞上，055比尼達尼具有更強活性，這跟前面的動物實驗結(jié)果互為印證。

14天DRF實驗結(jié)果也表明，安全窗口大概是尼達尼的60倍左右，現(xiàn)在這個化合物還在做臨床研究，估計今年年底或明年初能就能進入臨床實驗。

總結(jié)一下，這個項目總共花了18個月時間，費用是270萬美金，傳統(tǒng)靶點藥物研發(fā)一般需要4年半時間，我們只用了一年半，費用也大大降低。

這個案例證明人工智能可以在新藥研發(fā)，尤其是原創(chuàng)性新藥研發(fā)工作中可以大大縮短研發(fā)時間、降低研發(fā)成本，提高研發(fā)效率。

我再介紹一下Insilico Medicine，我們現(xiàn)在全球有130多位員工，80多位人工智能科學(xué)家；主要強項在靶點發(fā)現(xiàn)以及小分子化合物生成；

目前為止，在全球雜志或?qū)＠习l(fā)表100多篇文章或?qū)＠?/p>

像剛才的介紹，大家看到好像很容易就找出新靶點和藥物分子，但這背后我們歷時7年，在藥物研發(fā)三個方面，分別開發(fā)了三個人工智能軟件：

第一、PandaOmics，利用組學(xué)數(shù)據(jù)幫助尋找新靶點；

第二、Chemistry42，利用生成式對抗神經(jīng)網(wǎng)絡(luò)來進行深度學(xué)習(xí)，幫助生成新小分子化合物；

第三、InClinico，進行臨床實驗結(jié)果預(yù)測，同時幫助更好設(shè)計臨床實驗方案。

首先介紹第一個方案PandaOmics，它的主要流程，首先是在里面選擇感興趣的數(shù)據(jù)庫，包括TCGA、GEO、ArrayExpress等等。

之后在數(shù)據(jù)里做一些Correlations，也就是找到關(guān)聯(lián)，發(fā)現(xiàn)數(shù)據(jù)之間區(qū)別，它們的差異表達以及功能分析，以此來發(fā)現(xiàn)新靶標(biāo)蛋白，找到新靶點。

第二個方案Chemistry42，這個軟件主要幫助生成小分子化合物。主要包括兩個模型，一個是 Structure-based(基于結(jié)構(gòu))，另外一個是ligand-basis(基于配體)。

把想要設(shè)計化合物的蛋白（例如晶體結(jié)構(gòu)或者小分子結(jié)構(gòu)等）輸?shù)紺hemistry42系統(tǒng)里，大概需要2~3天時間，就可以產(chǎn)生針對這些蛋白的小分子化合物，數(shù)量大概是幾百個到幾千個之間，然后通過virtual screening排序，挑選效果好的進行合成。

所以，Chemistry42系統(tǒng)最大特點就是能針對所給出的靶點，從無到有產(chǎn)生小分子化合物庫，而且命中率非常高。

基于這些AI制藥工具，我們不僅自己內(nèi)部開發(fā)管線，同時也將AI作為工具和藥企或科研院校合作，幫助他們進行新藥研發(fā)，例如Pfizer、Janssen、Merck等，大體可分為六點：

第一，幫助尋找新靶點，主要使用PandaOmics的能力。

第二，用PandaOmics幫助做再利用，例如根據(jù)已知靶點，找到最好的indication;

第三，用Chemistry42做Fast follow（快速跟隨），也就是破專利項目，這其實非常容易；

第四，用Chemistry42幫助產(chǎn)生和選擇化合物，例如激酶選擇性，或者針對特殊突變，來對抗resistance靶點，這有可能成為best-in-class（同類最優(yōu)）或first-in-class（同類第一）的項目;

第五，Chemistry42還可以針對全新靶點，從無到有生成hits（具有活性的藥品分子），同時也可以針對undruggable（無成藥性）或challenging target的目標(biāo)，來生成hits；

第六，通過人工智能系統(tǒng)幫助更好設(shè)計PROTAC分子；

演講最后我分享一下人工智能對 Farce Follow Program的影響。

這是2018年到2019年我們做的一個項目，靶點是DDR1的kinase(激酶)靶點，是一個全新結(jié)構(gòu)骨架化合物。

拿到這個任務(wù)之后，我們首先建數(shù)據(jù)庫，用了7天時間找到跟靶點相關(guān)或無關(guān)的kinase數(shù)據(jù)庫。

然后針對這些數(shù)據(jù)庫，用12天時間進行深度學(xué)習(xí)，對模型建模和深度學(xué)習(xí)，產(chǎn)生3萬個左右化合物。

又用兩天時間對這些化合物進行排序，最后縮小40個化合物范圍，然后從里面選擇6個化合物進行合成，其中有兩個活性在10-100nM之間，兩個活性在100-1000nM之間，另外兩個沒有活性。

最終選出了最好化合物1，這是一個全新骨架，我們把它拿去做DMPK，最終證明其具有很好的PK性質(zhì)。

從拿到靶點，到找到最合適化合物，完成合成測試，我們這個試驗性項目總共用了46天時間，結(jié)果發(fā)表在2019年Nature Biotechnology上，進一步證明人工智能可以大大縮減研發(fā)周期。

而且，我們也一致認為人工智能需要跟整個藥物研發(fā)團隊結(jié)合起來才能更有效找到化合物。

在線問答

Q1：靶點發(fā)現(xiàn)的AI貢獻是什么？

任峰：在靶點發(fā)現(xiàn)階段，AI主要貢獻首先是縮短研究時間，用組學(xué)數(shù)據(jù)比較正常人和病人之間差異，幫助找到新靶點，同時分析這些差異組學(xué)在不同信號通路的影響，相較于傳統(tǒng)方式這大大縮短了時間。

另外我們在藥篩選中還引入了時間機器學(xué)習(xí)模型。

這個模型建好之后，可以用2010年之前組學(xué)數(shù)據(jù)發(fā)現(xiàn)或?qū)ふ裔槍δ承┘膊☆I(lǐng)域的靶點，因為這些靶點在十年間就已經(jīng)被臨床驗證，系統(tǒng)可以尋找到靶點通過與現(xiàn)實結(jié)果比對，來驗證系統(tǒng)結(jié)果真實可靠性，并把這些驗證結(jié)果再反饋給Panda Omics系統(tǒng)，進行下一輪機械學(xué)習(xí)。

經(jīng)過幾輪學(xué)習(xí)過程之后，就可以讓它用2010年到2020年之間預(yù)測靶點驗證算法，增加系統(tǒng)靶點預(yù)測準(zhǔn)確率。

Q2：你們與傳統(tǒng)利用生物信息學(xué)分析多組學(xué)數(shù)據(jù)+文獻挖掘相比特別之處在哪里？

任峰：特別之處就是用了一個時間機器學(xué)習(xí)模型，有training過程，傳統(tǒng)方式?jīng)]有training過程，這可能是它們之間最大區(qū)別。

Q3：找出靶點是針對IPF的新靶點，還是完全沒人做過靶點（針對所有適應(yīng)癥）？

任峰：我們找到的靶點是針對IPF的新靶點，是包括臨床和臨床前都沒有人做過的。

這個靶點，我們不能說沒有任何人做，做的人非常少，全球目前只有一家小公司在做這樣一個靶點，他們針對的是另外一種適應(yīng)癥，現(xiàn)在還沒有應(yīng)用在臨床。

Q4：請教AI公司和CDMO公司是如何合作的？

任峰：目前很多算法或重點都不是和CDMO公司合作，主要還是集中于前期Drug Discover階段，對Development沒有特別涉及。

可能有的AI公司設(shè)計化合物合成路線，或者針對工廠自動化可以跟CDMO公司進行深入合作。

Q5：請問有比較好加速binding affinity預(yù)測的方法嗎？

任峰：Chemistry42系統(tǒng)，并不能告訴哪些化合物binding affinity比另一些化合物要好，只能幫助產(chǎn)生一些小分子化合物可能binding在蛋白上。

我們也是用像薛定諤binding affinity預(yù)測或者優(yōu)先級排序方式，目前據(jù)我所知，用薛定諤預(yù)測binding affinity應(yīng)該已經(jīng)是比較好的。

Q6：AI用于藥物研發(fā)的商業(yè)化前景如何呢？例如幾年前很多企業(yè)做肺小結(jié)節(jié)的AI診斷，競爭堪稱紅海，而醫(yī)院付費意愿不強烈。對比當(dāng)下，現(xiàn)在做AI制藥的公司也非常多，是否會出現(xiàn)類似的結(jié)果：很多AI公司希望與大藥企合作/license-out，大藥企付費意愿并不強烈？

任峰：用AI來做藥物研發(fā)商業(yè)化前景非常廣闊，而且大藥企是愿意付錢的，原因基于以下兩點：

第一、大藥企面臨共同問題，研發(fā)效率低、研發(fā)成本高、研發(fā)周期長、失敗率高這樣的問題，藥企希望能有顛覆性技術(shù)來改變現(xiàn)狀；

第二、人工智能目前經(jīng)過一些實例，已經(jīng)證明確實對解決新藥研發(fā)的問題，可以提供顛覆性解決方案能力。

所以基于這兩點來說，大藥企是愿意付錢的。而且最近就有一篇報道，有藥企與AI公司簽訂開發(fā)藥物協(xié)議，總金額達12億美金左右，同時首付金額也非常高，達到幾千萬美金，這也證明大藥企愿意把這些錢投入到AI輔助藥物研發(fā)上。

Q7：AI制藥公司的數(shù)據(jù)從哪里得來呢？

任峰：目前的AI公司大多是小公司，這些公司絕大多數(shù)都是基于公開數(shù)據(jù)。

接下里，AI公司的競爭則就靠從這個published數(shù)據(jù)發(fā)展而來的私有數(shù)據(jù)，所以現(xiàn)在有實力的AI公司都在建立自己的數(shù)據(jù)采集系統(tǒng)。

Q8：AI藥物研發(fā)公司建立了自研管線，和潛在合作藥企可能存在利益沖突，這塊是否有什么考慮？

任峰：每一家AI公司都是兩條腿走路，一個是有自研管線，另一方面是跟一些藥企合作，共同開發(fā)一些項目。

因為自研管線是通過自己的項目來驗證或優(yōu)化人工智能平臺，所以并沒有利益沖突。而其這些合作很多都是具有排他性的，自研管線和其他藥企合作是有排它性，不同藥企之間合作也有排它性。

Q9：AI新藥挖掘從苗頭到PCC的各個點的化合物數(shù)據(jù)庫是哪里來的？

任峰：這需要分成兩個情況：

第一，如果是針對 Fast follow（快跟），那么數(shù)據(jù)采集都是從文獻和專利上扒下來進行深度學(xué)習(xí)，對系統(tǒng)進行培訓(xùn)得來；

第二，如果是全新靶點，就像我們的IPF，就不需要已知數(shù)據(jù)，針對靶點的數(shù)據(jù)，人工智能系統(tǒng)可以通過其他項目的蛋白和小分子結(jié)合案例培訓(xùn)，然后它就可以自己設(shè)計某個蛋白，不需要針對靶點進行培訓(xùn)。

Q10：分子生成庫是否基于已有活性化合物結(jié)構(gòu)，有哪些規(guī)則？

任峰：我們的Chemistry42分子生成庫不是針對某一個或某一類靶點，而是針對所有的。

根據(jù)人工智能系統(tǒng)，利用已知小分子和蛋白結(jié)合結(jié)合形狀和樣式進行培訓(xùn)，讓小分子（或片段）能識別蛋白里一些結(jié)合口袋。

把這些片段識別出來之后，再通過算法，把這些片段慢慢結(jié)合成真正的小分子化合物，這是它的主要邏輯。

Q11：想請問AI企業(yè)與研發(fā)組織合作，對研發(fā)組織自身的數(shù)據(jù)有沒有什么要求？例如數(shù)據(jù)格式、數(shù)據(jù)類型、數(shù)據(jù)質(zhì)量。

任峰：這個是有要求的，AI企業(yè)跟研發(fā)組織合作，如果他們想根據(jù)自己數(shù)據(jù)用AI企業(yè)人工智能系統(tǒng)，尋找靶點或發(fā)現(xiàn)化合物，就需要按照我們要求的格式錄入到系統(tǒng)當(dāng)中去。

而且，我們對數(shù)據(jù)組的質(zhì)量要求也非常高，因為高質(zhì)量數(shù)據(jù)才能產(chǎn)生高質(zhì)量結(jié)果。

數(shù)據(jù)類型可能每個公司系統(tǒng)都不太一樣，例如我們的PandaOmics，就需要有組學(xué)數(shù)據(jù)，尤其是人組學(xué)數(shù)據(jù)，這樣才更適合找新靶點。

Q12：據(jù)我了解，數(shù)據(jù)庫來自文獻，那數(shù)據(jù)可靠度怎么解決的，而且不同方法測得數(shù)值不一樣？

任峰：這是非常好的問題，也是可能所有人工智能公司所面臨的問題。

每個公司策略可能不同，例如我們的PandaOmics主要是用組學(xué)數(shù)據(jù)，而且組學(xué)數(shù)據(jù)是細分的，最好是在同一個實驗室里產(chǎn)生的祖學(xué)數(shù)據(jù)。

我們不會把所有組學(xué)數(shù)據(jù)累計在一起找新靶點，這樣就可以避免實驗方法不一致造成的困惑。

另外對于化合物，我們Chemistry42生成的小分子，它主要是基于晶體結(jié)構(gòu)，所以晶體結(jié)構(gòu)數(shù)據(jù)基本上都是比較可靠的，此外我們也會挑比較好的晶體結(jié)構(gòu)來給系統(tǒng)進行training。

Q13：國內(nèi)外藥企的情況也不一樣，國內(nèi)做fast-follow、me-too、me-better的可能比較多，可以介紹Insilico在中國的商業(yè)化情況嗎？

任峰：Insilico今年才開始在中國商業(yè)化，以前在中國沒有團隊，知名度也比較低。

我們從今年開始在中國做一些商業(yè)化合作，國內(nèi)確實做 fast-follow、me-too比較多，我們的Chemistry42，針對fast-follow也有非常好的經(jīng)驗，它可以小分子化合物選項里，選擇跟已知某一個小分子化合物結(jié)構(gòu)similarity，如果similarity做達到80-90%，

它產(chǎn)生的小分子化合物就跟設(shè)定的小分子化合物結(jié)構(gòu)非常類似，同時它有自己的專利空間。所以我們的Chemistry42對于fast-follow是非常高效的，目前也有幾個例子可以證明。

Q14：我想問下如果設(shè)計的分子是真正全新的母核、側(cè)鏈，是否會因為與數(shù)據(jù)庫所有分子指紋匹配度不高導(dǎo)致預(yù)測準(zhǔn)確性會下降？

任峰：這是正常的。我們的Chemistry42里面可以選擇跟已知母核similarity很高的結(jié)果，例如80-90%；同時也可以選擇similarity非常低，例如30-40%。這樣涉及到的分子結(jié)構(gòu)是完全不一樣。

從理論上來講，越相似分子活性可能性越大，而且保持好性質(zhì)的可能性就越大，反之，活性就會低一些，而且有可能完全改變其他性質(zhì)，

但這些分子會因為是全新組合，跟已知化合物相似度非常小，那么它的專利空間就非常大，所以就需要做一個平衡。

Q15：大分子藥物方面有什么AI的策略或者案例嗎？

任峰：我們Insilicon Medicine目前不涉及大分子，但我們認為人工智能系統(tǒng)在大分子領(lǐng)域?qū)⒂蟹浅：玫膽?yīng)用前景。

由于我們團隊沒有大分子方面人才，所以目前不知道大分子設(shè)計的痛點，我們也沒有大分子業(yè)務(wù)。

Q16：如果靶點蛋白沒有復(fù)合物怎么辦，如何預(yù)測呢？用同源蛋白建模是好的解決方法嗎？

任峰：是的，如果靶點蛋白沒有復(fù)合物，我們的方式就是去找同源性比較高的蛋白，來代替靶向蛋白，放到Chemistry42里面，這樣也可以產(chǎn)生相應(yīng)小分子化合物。

Q17：臨床數(shù)據(jù)來源于醫(yī)院嗎？

任峰：是的，臨床數(shù)據(jù)最初肯定來源醫(yī)院，但也有一些公開臨床數(shù)據(jù)，經(jīng)過我們整理之后放到系統(tǒng)里；

同時我們以前也跟一些其他國家，例如和英國政府合作做臨床數(shù)據(jù)分析，所以也有一些自有數(shù)據(jù)。

Q18：三個平臺對外開放嗎？如何收費？

任峰：我們只有PandaOmics對外開放，它是通過組學(xué)數(shù)據(jù)幫助找新靶點，我們已經(jīng)將其部署在云端。

其他兩個還沒有完成這樣部署，所以暫時還不能開放，我們今年有可能會把Chemistry42也部署到云端。

目前PandaOmics是收取一定的授權(quán)費。

再次感謝今天來參加線上會議，然后非常高興有這么多志同道合的朋友對AI感興趣，AI以后會有可能發(fā)展成一種顛覆性技術(shù)來幫助新藥研發(fā)。我們也堅持相信AI只有跟新藥研發(fā)團隊結(jié)合在一起，才能實現(xiàn)最大價值。雷鋒網(wǎng)雷鋒網(wǎng)

雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。