Pharma.AI 平台的药物研发流程主要包括靶点发现、药物设计与优化、临床前研究以及临床试验预测等环节，具体如下1：
-
靶点发现：采用组织纤维化相关的组学和临床数据集，对 Pharma.AI 平台下属的靶点发现引擎 PandaOmics 进行训练。PandaOmics 平台通过深度特征合成、因果关系推断和全新通路重建等过程提名潜在靶点列表。此后，PandaOmics 中的自然语言处理（NLP）模型通过分析涵盖专利、出版物、研发基金、临床试验等文本数据的数百万个文本文件，进一步评估潜在靶点的新颖性以及与疾病的关联性，最终确定最有潜力的靶点。
-
药物设计与优化：确定靶点后，利用 Pharma.AI 下属的生成化学引擎 Chemistry42，根据基于结构的药物设计（SBDD）策略生成具有所需特性的创新分子结构。Chemistry42 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，支持新颖化合物从头生成，能根据专家反馈进行虚拟筛选并优化生成结果。经过多次迭代筛选，得到潜力苗头化合物，并针对溶解度、ADME 安全性、毒性等进行优化，同时保留其对靶点的显著亲和力，最终获得候选分子。
-
临床前研究：候选分子进入临床前研究阶段，在体内和体外试验中验证其对疾病的疗效，并进行药代动力学和安全性研究。通过多个细胞系和多个物种的实验，评估候选药物的有效性和安全性，为后续的临床试验提供依据。
-
临床试验预测：Pharma.AI 平台的 inClinico 模块可用于临床风险评估和投资组合分类。它能够整合生物学数据、科研论文、临床数据等，预测单个临床试验的成功概率，帮助研究人员了解影响试验成败的因素，优化试验设计，做出更科学的数据驱动决策。