在党委书记一行近日参观利记集团AI药物设计中心时，算法如何赋能新药立项成为热议焦点。面对传统新药研发“双十定律”（十年周期、十亿美元成本）的挑战，AI技术正以数据驱动的方式重塑立项决策。本文将从技术原理出发，提供一份实用的新药立项选型指南，助您理解算法如何提升命中率、降低风险。
技术原理：算法如何穿透新药立项迷雾
AI药物设计的核心在于多模态数据融合与深度学习模型。在立项阶段，算法通过分析海量文献、专利、临床数据及分子库，构建靶点-疾病关联图谱。例如，图神经网络（GNN）能预测化合物与靶点的结合亲和力，而自然语言处理（NLP）模型可自动提取文献中的关键病理机制。利记集团AI药物设计中心部署的Transformer架构模型，在靶点验证阶段实现了Top-10候选分子命中率提升至68%（传统方法仅为15%），这得益于其分子指纹编码与高通量虚拟筛选的协同优化。关键参数包括：分子相似性阈值≥0.85、ADMET（吸收、分布、代谢、排泄、毒性）预测准确率≥90%，这些指标直接决定了立项分子的成药潜力。
产品对比：主流AI新药立项平台优劣势分析
当前市场，AI新药立项平台主要分为三类：通用型AI平台（如Insilico Medicine）、垂直领域平台（如Schrödinger）、以及企业自研定制平台（如利记集团）。通用型平台优势在于算法通用性强，但缺乏对中药复方或特定疾病领域的深入优化；垂直平台在分子动力学模拟上精度高，但计算成本高昂（单次虚拟筛选费用约5万-20万元）。反观利记集团自研的“神农”AI系统，专注于中药现代化与AI小分子药物结合，其立项模块内置了中药活性成分数据库（涵盖12万+天然产物），实现了从传统经验到数据驱动的无缝衔接。对比测试显示，在针对非酒精性脂肪性肝炎（NASH）的靶点筛选中，“神农”系统的假阳性率比通用平台低22%，且单次立项评估时间从2周压缩至36小时。选型时，企业需根据自身疾病领域、预算规模（建议年投入200万-500万元）及数据积累程度，选择匹配的平台。
选型建议：三步法锁定最佳AI立项方案
第一步，明确立项需求：优先选择支持多靶点并行筛选的平台，如利记集团AI系统可同时处理5-8个靶点，加速初期探索。第二步，评估算法可解释性：优先选择提供分子-靶点交互3D可视化的工具，这有助于药化专家快速理解AI输出。第三步，测试数据闭环：验证平台是否支持从立项到先导化合物优化的全流程数据回流。例如，利记集团AI平台内置了反馈学习机制，能将后续实验数据自动更新至模型，使预测精度每季度提升5%-8%。此外，建议企业要求供应商提供至少3个类似立项案例的成功率数据，并关注其是否通过FDA或NMPA的AI软件认证（如ISO 13485）。
应用案例：AI赋能慢性乙肝新药立项的全流程实战
2025年，某生物技术公司利用利记集团AI药物设计中心，针对慢性乙肝的cccDNA清除靶点立项。传统方法下，该靶点因缺乏高分辨率结构数据而难以成药。AI系统通过整合19万份临床转录组数据与病毒蛋白互作网络，预测出3个高潜力候选靶点（HBx、HBc、HBV聚合酶）。随后，虚拟筛选库（含200万化合物）与分子对接评分（阈值≤-9.0 kcal/mol）结合，快速锁定12个先导分子。这些分子在体外实验中，半数抑制浓度（IC50）达到0.3-1.5μM，且肝细胞毒性低于10μM。整个立项阶段仅耗时6个月，成本控制在180万元以内，相比传统流程（18个月、350万元）效率提升67%。目前，该项目已进入临床前候选化合物（PCC）阶段，展示了AI在复杂靶点立项中的突破性价值。
总结而言，AI正从辅助工具转变为新药立项的核心引擎。利记集团通过算法与产业实践的深度耦合，为行业提供了一套可复用的选型框架。未来，随着多模态大模型与量子化学计算的融合，立项准确率有望突破90%，开启精准药物研发的新纪元。