Computer-Aided Drug Design (AIDD)
在任何一个反应瓶被使用之前，先缩小合成清单的计算化学服务。 基于结构的药物设计、虚拟筛选、自由能方法和机器学习模型与我们的药物化学家并行工作，因此预测结果在数周内就能得到实验验证，而不是被归档搁置。
在药物发现中，AI 只有在真正改变了”合成什么”时才有用。我们的 AIDD 团队置身于化学组织内部，而不是游离在其旁边——生成模型、虚拟筛选与 ADMET 预测直接汇入药物化学的设计循环，因此计算产出转化的是被合成的化合物与真实数据，而不是一份报告。 AIDD可以在项目的任何阶段介入，从靶点识别到先导化合物优化全程覆盖。
我们的平台覆盖完整的计算工作流程。 靶点发现以双向方式开展——阐明作用机制、识别并确证靶点、探索老药新用机会，以及预测脱靶效应和毒性风险。 结构预测采用基于 AlphaFold 的深度神经网络模型，用于解析缺乏实验结构的靶标蛋白结构。 从头设计依托十余种生成模型，可产出完整分子或经改造的骨架，从而支持围绕现有专利空间进行骨架跃迁。 虚拟筛选覆盖超过 1,200 万个现货化合物库，针对已知专利进行结构新颖性过滤，并通过 AI 与 CADD 相结合的方式进行打分。我们的 ADMET 平台利用自研模型预测 160 余项类药性参数——包括 Caco-2 渗透性、人与大鼠肝微粒体稳定性以及光毒性——并可选择基于您自己的数据构建定制模型。
除小分子之外，我们将同样的思路应用于抗体设计（表位分析、围绕 CDR 的亲和力成熟、可开发性预测）、通过 Linker-GPT 进行的 ADC 连接子设计（这是我们基于 Transformer 架构的生成模型，已在 3,700 多个已知 ADC 连接子上完成微调）、借助基于口袋的扩散模型并针对活性、毒性与极性进行多目标优化的载荷设计，以及面向分子胶项目的降解子发现。
在近期的一个从头设计项目中，我们以 574 个专利化合物为起点，生成了 78,011 个全新结构。 经过多轮分子对接、类药性与 ADMET 过滤以及专家药物化学验证的自由能微扰（FEP）分析，最终将范围缩小到5个化合物进行合成。其中三种化合物的效力接近参照化合物——且拥有清晰的知识产权定位。
真正有意义的对比，是与同类工作通常的开展方式相比。此类先导化合物优化工作，传统模式需要 3 至 5 名药物化学家、1.5 至 2 年时间，以及约 100 万–150 万美元投入；而我们只用了 1 至 3 名化学家、8 个月时间和约 50 万–100 万美元——时间与成本均降低超过 50%。在我们过往的项目积累中，AIDD 已为制药企业、生物技术公司及学术机构合作伙伴，支持了中枢神经系统（CNS）、肿瘤、代谢性疾病与心血管疾病等适应症的项目，覆盖范围从靶点识别一直延伸至 IND 申报阶段。
