2025年中国药学会智能药物专业委员会学术年会

在生成式AI掀起新一轮技术浪潮的今天，人工智能与生物医药的深度融合正在重塑生命健康产业的底层逻辑。智能药物通过整合药物研发、生产、使用等全链条数据，依托生成式模型、时空神经网络等前沿算法，在分子图谱解码、靶点动态预测、自适应智能递送系统等维度实现研发范式跃迁，破解传统医药领域的高风险困局。为了深入探讨智能药物在临床医学中的前沿进展与潜在应用，推动人工智能、大数据与药物研发及临床治疗的交叉融合，由中国药学会智能药物专业委员会主办的“2025年中国药学会智能药物专业委员会学术年会”拟定于2025年10月17日至20日在上海市召开。

会议将邀请高等院校、科研院所、医疗机构、制药企业、管理机构等知名专家做主题报告和专题研讨，聚焦人工智能驱动的药物发现、智能递送系统、临床决策支持工具、个性化治疗方案等领域的突破性进展，探讨智能药物在肿瘤、神经系统疾病、罕见病等临床场景中的转化潜力与挑战，共同推动智能药物领域的繁荣发展，为人类的健康事业贡献智慧与力量。

会议主题

AI与医药融合驱动智能药物创新变革

以下内容为GPT视角对中国药学会智能药物专业委员会学术年会相关领域的研究解读，仅供参考：

智能药物专业研究现状

一、核心技术进展

AI驱动的药物发现

靶点预测与验证：利用深度学习模型（如卷积神经网络、图神经网络）分析蛋白质结构、基因表达数据，预测潜在药物靶点。例如，AlphaFold2在蛋白质结构预测上的突破，为靶点研究提供了高精度工具。

虚拟筛选与分子设计：通过生成对抗网络（GAN）、强化学习等技术设计新型分子结构，结合分子对接模拟筛选高活性化合物。例如，Insilico Medicine利用AI设计特发性肺纤维化（IPF）药物，从靶点确认到临床前候选化合物仅用18个月。

ADMET预测：机器学习模型可快速评估药物的吸收、分布、代谢、排泄和毒性（ADMET）性质，减少后期实验失败风险。

大数据与多组学整合

整合基因组、转录组、蛋白质组等多组学数据，结合电子健康记录（EHR）和真实世界数据（RWD），构建疾病-靶点-药物关联网络。例如，IBM Watson for Oncology通过分析海量文献和临床数据辅助癌症治疗决策。

联邦学习技术实现跨机构数据共享，解决数据隐私与孤岛问题，提升模型泛化能力。

自动化与机器人技术

实验室自动化（Lab Automation）结合AI算法，实现高通量筛选、化合物合成和毒性测试的自动化。例如，Recursion Pharmaceuticals通过图像识别技术分析细胞表型变化，加速药物发现。

微流控芯片与器官芯片技术模拟人体环境，为AI模型提供更真实的实验数据。

二、应用场景拓展

罕见病与个性化医疗

AI可分析小样本数据，挖掘罕见病致病机制，设计针对性疗法。例如，DeepMind与Genomics England合作开发罕见病诊断工具。

结合患者基因组信息，AI可预测药物反应，实现精准用药。例如，FDA批准的Truvada（HIV预防药）通过AI优化剂量方案。

老药新用（Drug Repurposing）

通过分析已有药物与新疾病的关联网络，快速发现潜在适应症。例如，AI模型预测雷帕霉素可能用于治疗阿尔茨海默病，目前进入临床试验阶段。

临床试验优化

AI辅助设计试验方案，预测患者入组标准，提高试验效率。例如，Antidote Match平台通过自然语言处理匹配患者与临床试验。

数字孪生技术模拟临床试验过程，减少实际试验成本和时间。

三、核心挑战

数据质量与标准化

生物医学数据存在噪声大、标注成本高、跨平台差异等问题，影响模型准确性。例如，不同实验室的蛋白质表达数据可能因实验条件差异难以直接比较。

可解释性与信任度

深度学习模型常被视为“黑箱”，临床医生难以理解其决策逻辑，限制了实际应用。例如，FDA要求AI辅助诊断工具需提供可解释性报告。

伦理与监管

数据隐私、算法偏见、责任归属等问题需政策规范。例如，欧盟《通用数据保护条例》（GDPR）对医疗数据使用提出严格限制。

跨学科人才短缺

智能药物研发需同时掌握AI技术、生物学知识和药学实践的复合型人才，目前培养体系尚不完善。

四、未来趋势

多模态融合

结合影像、文本、基因等多类型数据，构建更全面的疾病模型。例如，利用自然语言处理解析临床文献，结合图像识别分析病理切片。

闭环药物研发系统

从靶点发现到临床试验的全流程智能化，实现“干实验”（计算）与“湿实验”（实验室）的无缝衔接。例如，Exscientia的AI平台已实现从靶点到临床前候选化合物的全自动化设计。

开放创新生态

药企、科研机构、初创公司通过开放数据平台（如MIT的Drug Repurposing Hub）和合作联盟（如Alliance for Artificial Intelligence in Healthcare）共享资源，加速技术转化。

政策与资本推动

各国政府加大对AI制药的投入（如中国“十四五”规划明确支持AI+生物医药），风险投资持续涌入（2023年全球AI制药融资超百亿美元）。

智能药物专业研究可以应用在哪些行业或产业领域

一、制药行业：全链条智能化升级

药物发现与开发

靶点识别与验证：AI分析蛋白质结构、基因表达数据，快速锁定疾病相关靶点。例如，BenevolentAI利用自然语言处理挖掘文献，发现巴瑞替尼（原为类风湿关节炎药物）可能用于治疗COVID-19引发的细胞因子风暴。

分子设计与优化：生成式AI设计新型分子结构，结合强化学习优化活性、选择性和成药性。例如，Exscientia开发的AI平台仅用12个月便完成首款AI设计药物DSP-1181（用于强迫症）的临床前研究。

虚拟筛选与ADMET预测：机器学习模型从百万级化合物库中筛选潜在候选物，并预测其吸收、代谢等性质。例如，Schrödinger公司的AI平台将虚拟筛选效率提升10倍以上。

临床试验优化

患者招募与分层：AI分析电子健康记录（EHR）和基因组数据，精准匹配适合临床试验的患者群体。例如，Antidote Match平台通过自然语言处理技术，将患者招募时间缩短30%。

试验设计与监测：数字孪生技术模拟试验过程，预测结果并优化方案；可穿戴设备实时监测患者生理指标，提高数据质量。例如，Novartis与IBM合作开发AI系统，实时分析临床试验数据以调整剂量。

老药新用（Drug Repurposing）

AI挖掘已有药物与新疾病的关联网络，快速发现潜在适应症。例如，Atomwise通过深度学习预测雷帕霉素可能用于治疗阿尔茨海默病，目前进入II期临床试验。

二、医疗健康产业：精准医疗与个性化服务

疾病诊断与预后

AI结合多组学数据（基因组、转录组、蛋白质组）和影像数据，实现疾病早期诊断和亚型分类。例如，FDA批准的DeepLook系统通过分析眼底图像预测糖尿病视网膜病变进展风险。

数字孪生技术构建患者虚拟模型，模拟疾病发展轨迹并预测治疗反应。例如，Siemens Healthineers的AI平台可预测心血管疾病患者5年内的死亡风险。

个性化用药方案

基于患者基因组、代谢组和临床数据，AI推荐最优药物剂量和组合。例如，Mayo Clinic的“Right Drug, Right Dose, Right Time”项目通过AI优化华法林剂量，将出血风险降低40%。

远程医疗与健康管理

智能穿戴设备（如Apple Watch）结合AI算法，实时监测心率、血氧等指标，预警潜在健康风险。例如，AliveCor的KardiaMobile设备通过AI分析心电图，检测房颤准确率达97%。

三、生物技术领域：创新工具与平台开发

基因编辑与合成生物学

AI优化CRISPR-Cas9基因编辑系统的脱靶效应预测，提高编辑精度。例如，DeepCRISPR工具通过深度学习模型，将脱靶率降低至0.1%以下。

生成式AI设计合成生物回路，实现复杂代谢途径的自动化构建。例如，Ginkgo Bioworks利用AI平台设计微生物工厂，生产罕见糖类化合物。

类器官与器官芯片

AI结合微流控技术，构建模拟人体器官功能的类器官模型，用于药物毒性测试和疗效评估。例如，Emulate公司的“Organs-on-Chips”平台已应用于肺、肝等器官的药物筛选。

生物信息学工具

开发AI驱动的生物数据挖掘平台，整合公开数据库（如PubMed、GEO）和私有数据，加速科研发现。例如，BenchSci的AI平台通过分析1.2亿篇文献，帮助科学家快速定位实验试剂。

四、农业与食品产业：生物农药与功能性食品开发

生物农药设计

AI筛选天然产物数据库，发现具有杀虫或抗菌活性的化合物，开发环境友好型农药。例如，Pivot Bio的AI平台设计出可替代化肥的微生物菌剂，减少农业碳排放。

功能性食品成分开发

通过代谢组学和AI分析，挖掘食物中的活性成分（如多酚、膳食纤维），开发具有降血糖、抗氧化等功能的食品。例如，Nestlé利用AI优化咖啡豆烘焙工艺，提升抗氧化物质含量。

五、保险与金融行业：风险评估与投资决策

健康险定价与核保

AI分析投保人的基因组、生活方式和医疗记录，预测疾病风险并定制个性化保费。例如，Oscar Health的AI系统将糖尿病患者的年保费降低15%。

医药投资与并购

自然语言处理技术实时监测科研动态、临床试验进展和专利数据，辅助投资机构识别潜力项目。例如，Citeline的AI平台通过分析10万+临床试验数据，预测药物上市成功率。

六、监管与政策领域：合规性审查与标准制定

药物审批加速

AI辅助监管机构（如FDA、EMA）分析药物安全性数据，缩短审批周期。例如，FDA的“Real-Time Oncology Review”项目通过AI提前审核临床试验数据，将审批时间从6个月压缩至2个月。

伦理与数据治理

开发可解释性AI工具，确保算法决策符合伦理规范（如避免算法偏见）。例如，IBM的AI Fairness 360工具包可检测并修正模型中的歧视性偏差。

未来趋势：跨行业融合与生态构建

“AI+生物医药”开放平台：药企、科研机构和初创公司通过共享数据与算法（如MIT的Drug Repurposing Hub），加速技术转化。

垂直领域解决方案：针对特定疾病（如癌症、神经退行性疾病）开发端到端AI工具链，覆盖从靶点发现到患者管理的全流程。

全球合作网络：跨国药企与AI公司（如Pfizer与XtalPi、Sanofi与Exscientia）建立战略联盟，共同推进智能药物研发。

智能药物专业领域有哪些知名研究机构或企业品牌

一、知名学术研究机构1. 国际顶尖机构

MIT（麻省理工学院） - 计算机科学与人工智能实验室（CSAIL）

研究方向：AI驱动的药物发现、蛋白质结构预测、合成生物学自动化。

成果：开发了基于深度学习的分子生成模型（如“Chemception”），并与药企合作推进AI设计药物进入临床试验。

斯坦福大学 - 生物医学信息学研究中心（BMIR）

研究方向：多组学数据整合、临床决策支持系统、AI在精准医疗中的应用。

成果：主导开发了“DeepPatient”模型，通过电子健康记录预测患者疾病风险，并与医院合作部署。

Broad研究所（哈佛大学与MIT联合）

研究方向：基因组学、CRISPR技术、AI辅助靶点发现。

成果：构建了全球最大的癌症基因组数据库（DepMap），并利用AI挖掘潜在药物靶点。

DeepMind（谷歌旗下）

研究方向：蛋白质结构预测、AI在生物医学中的应用。

成果：AlphaFold2破解了困扰生物学界50年的蛋白质折叠难题，已预测超2亿种蛋白质结构，助力药物靶点研究。

2. 国内领先机构

清华大学 - 人工智能研究院药物发现中心

研究方向：AI分子设计、药物ADMET预测、类器官芯片。

成果：开发了“AIDD Platform”平台，与多家药企合作推进AI设计药物研发。

上海药物研究所 - 人工智能药物研发中心

研究方向：中药现代化、AI驱动的老药新用、多靶点药物设计。

成果：利用AI发现中药成分“黄芩苷”可能用于治疗新冠肺炎，相关研究已发表在《Nature》子刊。

中国科学院 - 计算技术研究所生物信息学组

研究方向：基因组学、AI在药物毒性预测中的应用。

成果：开发了“DeepTox”模型，可快速评估化合物毒性，准确率超90%。

二、知名企业品牌1. 国际企业

Exscientia（英国/美国）

定位：全球首家AI设计药物进入临床试验的公司。

核心产品：

Centaur Chemist：AI平台自动设计分子结构，优化药效和安全性。

DSP-1181：首款AI设计药物（用于强迫症），2020年进入I期临床试验。

合作方：赛诺菲、拜耳、GSK等。

BenevolentAI（英国）

定位：通过AI挖掘疾病机制与药物靶点。

核心产品：

Knowledge Graph：整合10亿+生物医学数据点，构建疾病-靶点-药物关联网络。

Baricitinib：原为类风湿关节炎药物，AI预测其可治疗COVID-19引发的细胞因子风暴，已获FDA紧急使用授权。

合作方：阿斯利康、默沙东。

Recursion Pharmaceuticals（美国）

定位：结合AI与自动化实验室，加速药物发现。

核心产品：

Cell Painting：高通量细胞成像技术，AI分析细胞表型变化以筛选药物。

RX-3117：AI发现的新型抗癌药物，已进入II期临床试验。

融资：2021年完成2.39亿美元D轮融资，估值超30亿美元。

Insilico Medicine（中国/美国）

定位：端到端AI药物研发平台。

核心产品：

Generative Tensor Networks：生成式AI设计新型分子结构。

ISM001-055：AI设计特发性肺纤维化（IPF）药物，从靶点确认到临床前候选化合物仅用18个月。

合作方：复星医药、赛诺菲。

2. 国内企业

英矽智能（Insilico Medicine，中国）

定位：全球领先的AI药物研发公司，总部设在中国。

核心产品：

Pharma.AI：集成靶点发现、分子设计、临床试验预测的全流程平台。

ISM633：AI设计针对COVID-19的3CL蛋白酶抑制剂，已进入临床前研究。

融资：2023年完成3500万美元D+轮融资，累计融资超4亿美元。

晶泰科技（XtalPi，中国/美国）

定位：AI+量子物理驱动的药物研发平台。

核心产品：

ID4Inno：基于量子化学和AI的分子性质预测系统。

与辉瑞合作：利用AI优化新冠口服药Paxlovid的晶型设计，缩短研发周期。

估值：2021年D轮融资后估值超40亿美元。

望石智慧（StoneWise，中国）

定位：专注于小分子药物设计的AI公司。

核心产品：

AtomNet：图神经网络模型，预测分子与靶点的结合亲和力。

与恒瑞医药合作：AI设计新型抗肿瘤药物，已进入临床前阶段。

融资：2022年完成1亿美元B轮融资。

百奥几何（BioMap，中国）

定位：生成式AI驱动的药物发现平台。

核心产品：

GeoDiff：扩散模型生成具有特定功能的蛋白质结构。

与腾讯合作：开发AI设计mRNA疫苗序列的技术。

背景：由创新工场孵化，团队来自DeepMind、斯坦福等顶尖机构。

三、行业趋势与生态构建

跨学科合作：学术机构与企业通过“产学研”模式加速技术转化（如MIT与赛诺菲合作开发AI设计抗体）。

开放平台：企业推出开源工具（如Exscientia的“Centaur Chemist”平台）降低行业门槛。

垂直领域深耕：部分企业聚焦特定疾病（如癌症、神经退行性疾病）或技术（如CRISPR、mRNA）开发专用AI工具。

全球布局：中国企业在AI药物研发领域快速崛起，与欧美企业形成竞争与合作并存的格局。

智能药物专业领域有哪些招聘岗位或就业机会

一、核心技术方向与对应岗位1. AI驱动的药物发现

岗位类型：

AI药物设计研究员：利用深度学习、生成式AI（如GAN、扩散模型）设计新型分子结构，优化药效和安全性。

计算化学工程师：结合量子化学计算（DFT、MD模拟）与AI模型，预测分子性质（如溶解度、代谢稳定性）。

靶点发现科学家：通过多组学数据（基因组、蛋白质组）和AI分析，挖掘疾病相关靶点。

典型企业：Exscientia、Insilico Medicine、晶泰科技、望石智慧。

能力要求：

精通Python/PyTorch/TensorFlow，熟悉RDKit、OpenBabel等化学信息学工具；

理解药物化学基本原理（如Lipinski五规则、ADMET预测）；

有分子生成模型（如REINVENT、MolGPT）或蛋白质结构预测（AlphaFold2）经验者优先。

2. 生物医学数据挖掘

岗位类型：

生物信息学家：分析基因组、转录组、蛋白质组数据，构建疾病-靶点-药物关联网络。

临床数据分析师：整合电子健康记录（EHR）、真实世界数据（RWD），优化临床试验设计。

知识图谱工程师：构建生物医学知识图谱（如BenevolentAI的“Knowledge Graph”），支持靶点推理和药物重定位。

典型企业：Broad研究所、DeepMind、BenevolentAI、平安智慧医疗。

能力要求：

掌握R/Python生物统计工具（如Bioconductor、Seurat）；

熟悉NLP技术（如BERT、BioBERT）处理生物医学文献；

了解图数据库（Neo4j）和知识图谱构建流程。

3. 自动化与高通量实验

岗位类型：

自动化实验科学家：设计机器人流程（如液体处理、细胞成像），结合AI实现“干湿实验闭环”。

高通量筛选（HTS）工程师：开发微流控芯片、类器官芯片，加速化合物活性测试。

实验室信息化专家：搭建LIMS（实验室信息管理系统），实现实验数据自动化采集与分析。

典型企业：Recursion Pharmaceuticals、Strateos、药明康德。

能力要求：

熟悉机器人编程（如Python控制机械臂）、实验室设备API接口开发；

了解微流控技术或3D细胞培养模型；

有化学/生物学实验室背景者优先。

4. 药物研发全流程优化

岗位类型：

AI制药项目经理：协调跨学科团队（AI、化学、临床），管理从靶点发现到临床前候选化合物的全流程。

计算毒理学专家：利用AI模型预测化合物毒性（如肝毒性、心脏毒性），降低研发风险。

临床试验AI优化师：通过强化学习优化患者入组标准、剂量选择，缩短临床试验周期。

典型企业：赛诺菲、阿斯利康、复星医药。

能力要求：

熟悉FDA/EMA药物研发法规；

掌握生存分析、贝叶斯统计等临床试验设计方法；

有项目管理经验（PMP认证优先）。

二、新兴交叉领域岗位1. 生成式AI与蛋白质设计

岗位：生成式生物学研究员

职责：利用扩散模型、Transformer设计功能性蛋白质（如酶、抗体），突破传统定向进化限制。

典型案例：百奥几何的“GeoDiff”模型可生成具有特定催化活性的酶结构。

能力要求：熟悉Rosetta、AlphaFold2等蛋白质建模工具，有结构生物学背景者优先。

2. AI+CRISPR基因编辑

岗位：基因治疗AI工程师

职责：通过AI优化CRISPR-Cas9的脱靶效应预测、sgRNA设计，开发下一代基因编辑工具。

典型企业：Editas Medicine、Intellia Therapeutics。

能力要求：了解基因编辑原理，熟悉深度学习在基因组学中的应用（如DeepCRISPR）。

3. AI驱动的中药现代化

岗位：中药信息学研究员

职责：结合AI与网络药理学，解析中药复方作用机制，挖掘老药新用潜力（如黄芩苷抗新冠）。

典型机构：上海药物研究所、中国中医科学院。

能力要求：熟悉中药化学成分数据库（如TCMSP），掌握代谢组学数据分析方法。

三、行业需求与职业发展路径1. 行业需求分布

企业类型：

AI制药初创公司：需求集中于算法工程师、药物设计研究员，薪资竞争力强（博士年薪可达50-100万）。

跨国药企（MNC）：如罗氏、辉瑞，设立AI创新中心，招聘跨学科人才（AI+药学复合背景优先）。

CRO/CDMO：如药明康德、康龙化成，需自动化实验科学家、计算化学工程师支持外包服务。

地域分布：

国内：长三角（上海、苏州）、珠三角（深圳、广州）、京津冀（北京）聚集了80%以上AI制药企业。

国际：美国波士顿（生物医药枢纽）、英国剑桥（Exscientia总部）、中国上海（晶泰科技、英矽智能）。

2. 职业发展路径

技术专家路线：

初级研究员 → 高级科学家 → 首席科学家（10-15年，主导前沿项目）。

管理路线：

项目经理 → 部门总监 → CTO（需兼具技术深度与跨部门协调能力）。

跨界转型：

算法工程师可转向投资分析（如生物医药VC评估AI项目技术可行性）；

临床数据分析师可转型为医学事务经理（支持药物上市后真实世界研究）。

四、能力提升建议

技术栈：

编程：Python（核心）、R（统计）、SQL（数据查询）；

框架：PyTorch/TensorFlow（深度学习）、Scikit-learn（机器学习）、RDKit（化学信息学）；

工具：AlphaFold2、GROMACS（分子动力学）、KNIME（工作流自动化）。

实践项目：

参与Kaggle竞赛（如“ChEMBL Drug Discovery”）；

复现顶刊论文（如《Nature》子刊发表的AI设计药物案例）；

申请企业实习（如晶泰科技“AI+量子物理”暑期项目）。

认证与课程：

深度学习认证：Coursera《Deep Learning Specialization》（Andrew Ng）；

生物信息学课程：edX《Bioinformatics: Introduction and Methods》（MIT）；

行业认证：CDISC（临床数据标准）、PMP（项目管理）。