AI 药物研发平台 Pharma.AI 的技术原理主要体现在以下几个方面：
-
靶点发现：利用机器学习和深度学习算法，基于大量的生物医学数据，包括基因表达数据、蛋白质相互作用数据、疾病相关的组学数据等，构建疾病的生物学模型。通过对这些数据的分析，挖掘与疾病发生、发展密切相关的关键分子靶点。例如，平台中的靶点发现引擎 PandaOmics 可以分析多种数据和生物通路，对比疾病患者和健康人的数据，构建潜在靶点列表，还能通过自然语言处理模型分析多领域数百万个文本，进一步确认全新潜在靶点46。
-
分子设计：运用生成式人工智能技术，如生成对抗网络（GAN）和 Transformer 算法模块等。Chemistry42 作为分子生成引擎，结合了 40 多种生成化学算法和超过 500 个预训练的奖励模型，能够根据靶点的结构和功能特点，设计出具有特定属性的小分子化合物结构。它可以生成大量的候选化合物，并通过虚拟筛选和优化，挑选出与靶点结合能力强、成药性好的化合物56。
-
临床试验结果预测：通过建立临床预测模型，综合考虑化合物的生物学特性、药代动力学性质、临床前研究数据以及类似药物的临床试验结果等多方面因素，对候选药物在临床试验中的疗效、安全性等进行预测和评估。临床预测和方案优化引擎 inClinico 利用这些模型，帮助研究人员挑选出更有潜力的候选分子进入临床试验，同时优化临床试验的设计和方案，提高临床试验的成功率36。
-
数据处理与管理：借助亚马逊云科技的多种服务来实现。利用 Amazon SageMaker 进行机器学习模型的训练和部署，开发人员能够在单一环境中整合多个深度学习框架，并利用自主建设的数据集对专有模型进行训练和调优。使用 Amazon Bedrock 简化科研论文分析和知识图谱构建。借助 Amazon RDS 快速创建和自定义数据库，解决数据管理问题。采用 Amazon S3 进行大规模云存储，提升数据质量与一致性。利用 Amazon Elastic Kubernetes Service (EKS) 实现自动管理 Kubernetes 集群基础设施，降低计算和存储成本13