> 数据图表想问下各位网友1.1 AI+药物研发：应用重心在临床前研发阶段2026-1-41.1 AI+药物研发：应用重心在临床前研发阶段 原理上来看，AI基于数据驱动，能够极大提升海量、多维数据的处理效率。靶点发现、hit筛选以海量的数据库为对象，lead和PCC环节需要进行多指标的评价，AI的契合有效提升了应用效率，详情可参见下方表格。我们认为，AI的效率提升的效果：1、数量上大幅减少了非必要化合物的合成与投入；2、质量上基于数据驱动的优化方法提高成功率。图表7：AI在药物研发环节中的技术原理和赋能效果总结研发环节靶点发现及验证技术原理NLP技术、知识图谱技术，通过对海量、多来源、甚至异构的数据库进行交叉引用比对赋能效果可以覆盖目前研究尚不充分的疾病；搜索关联度及广度远超专家经验，避免遗漏苗头化合物（hit）筛选以用于预测各类化合物性质的深度学习模型为核心通过深度学习网络，基于相对明确的底层原理（如QSAR/QSPR等），快速以量子力学的精度对候选库中小分子化合物的特性（包括其自身的物理/化学特性、与靶点的结合模式及亲和力等）进行计算模拟，进而进行打分筛选。减少湿实验与筛选投入，不受专家经验及化合物库体量限制，更易得到新颖分子先导化合物（lead）发现由于需要通过骨架跃迁、基团替换等方法修饰苗头化合物的化学结构，进而提升hit的生物活性、结构构效、毒理学性质等，会通过同时预测药物结构与多个指标间的关系，对修饰后的分子进行多指标评价通过基于化学基团、化合物构效关系等精准预测ADMET等性质，可以减少对于化合物分子合成及测试的湿实验投入生成临床前候选药物（PCC）以用于预测在动物/人体实验中ADMET性质的深度学习模型为核心ADMET模型实用性提高，节约实验成本资料来源：量子位，中邮证券研究所9中邮证券综合其他
