人工智能AI行业报告：从AIGC角度看医药产业图谱（附下载）
今天分享的是：人工智能AI行业报告：从AIGC角度看医药产业图谱（报告出品方：西南证券）
AI可参与药物开发过程多个阶段
理化性质和生物活性的预测:化合物的溶解度、分配系数、电离度、渗透系数等理化性质可能阻碍化合物药代动力学特性和药物靶向结合效率，在设计新的药物分子时必须考虑。基于A的工具已被开发用于预测这些性质，包括分子指纹、SMILES格工库仑阵( oulomb matrices )和势能测量，都用于DNN训练阶段;药物分子治疗活性取决于其与受体或点的结合效因此预测化学分子与治疗靶点的结合亲和力对于药物的发现和开发十分重要。AI算法的最新进展增强了该过程，使用相似性特征已开发了几个基于网络的工具，如ChemMapper和相似集合方法(SEA;此外，还构建了基于ML和DL的药物靶标亲和力识别模型，如KronRLS、SimBoost、DeepDTA和Padme等.
化合物的作用方式和毒性预测:药物毒性指化学分子由于化合物的作用方式或新陈代谢方式而对生物体产生的不利影响。AI可以预测药物分子与靶点结合和未结合时的效应，以及体内安全性分析。基于Web的工具已被开发，如LimTox、pkCSM.admetSAR和Toxtree等
分子通路的鉴定与多重药理学:A和最大似然算法在药物发现和开发中的重要成果之一是预测和估计疾病网络、药物-药物相互作用和药物-把点关系的总体拓扑和动力学。数据库如DisGeNET、STRTCH、STRING分别被用于确定基因-疾病关联、药物靶标关联和分子途径。Gu等人2020年使用相似性集成方法确定了197种最常用中草药的靶点，使用DisGeNET数据库将靶标与不同疾病联系起来，从而将草药与可用于治疗的疾病相联系，多重药理学，指在与疾病相关的药物靶标生物网络中设计能与多个点相互作用的单一药物分子。它适合于为复杂疾病，如癌症、神经退行性疾病(NDDS )、糖尿病和心力衰竭等设计治疗剂。由于强大的挖掘能力和数据分析能力，基于ML的方法具有分析牵连分子网络的潜力，大大增加发现多靶配体的概率。此外，ML模型有助于识别具有不同结合口袋的多靶配体。
临床试验设计:引入AI技术后临床试的成功率大幅提高，IBMWatson开发了临床试脸配对系统，该系统使用患者的医疗记录和大量过往临床试验数据来创建详细档案。AI模型还可以通过分析毒性、副作用和其他相关参数来提高成功率，从而降低临床试验成本。
报告共计：50页
海量/电子版报告/来源公众号: 优选报告库
报告共计：50页
海量/电子版报告/来源公众号: 优选报告库