生命科学和智能计算峰会-AI制药工业落地的痛点与前进方向（三）
嘉宾信息
潘麓蓉 圆壹智慧创始人兼CEO
AI制药工业落地的痛点与前进方向（三）
八、Core Scientific Challenges in AI Drug Discovery
对于指标是很有影响的,一个电信等点就会有巨大的反差,你看起来是非常相似的，从一个2D的角度，一个人的角度，但实际上就有巨大的变化,实际上用ai来学的时候，是可以分开的，它分开的原理说它实际上学到了二维以外的一些维度，它能够识别的一个微小的区别，第二个一个多目标问题,传统的专家，只能够在一个维度上一次优化一个问题，过去要1000个分子2000个分子才可以，如果采取就人工智能里面最典型的的一个方式，实际上它也是可以很快出来的，a i比人做得好的。在过去的实践当中，基本上用ai，比如说在30个维度里面同时去打分，再去做实验，已经在实践当中验证了，像刚才郭博士也在阿里云面提到过了。
实际上过程就是我比较坚信ai是能够比专家更好的。第二个是真正的在制药环节里面不是基于靶点的这种，往往每个项目已经非常后期了，一定不是一个非常新的项目，非常新的项目往往是从表情筛选开始的。也就说它一个黑盒子，一个细胞，或者是一个病人的一个表情，你怎么样能够能够从表情直接预测一个人？
实际上就涉及一个黑盒子的问题。实际上也是ai擅长的，里面也是统计了过去大部分原创新药都是属于这儿出来的，但大部分已经知道了，基本上从发达论的角度就是ai的，过去也尝试过常多。就可以举例说明，比如说在这儿的时候，当时对于3000个人，每个进行了一个ai模型的建立，进行了两种大规模的验证。
研究验证发现，过去30年的数据里面只有5%的数据，它能够基本上接近真实的，实际上已经很好，就说明实际上它有这趋势，在过去的这两三年，数据更多的增长，我相信数字可能会更多一些。另外核心问题一直是一个小分子的瓶颈，基本上去年已经说天路径都已经可以预测，但合成问题的瓶颈并不是在路线上的预测，
在条件预测这块，大家都很关注了，到底怎么用？我们可以说它是一个化时代壮举。首先要提出一个问题，在制药的情况下，到底需不需要知道结构，正常的话，直接在细胞上筛，或者是直接是一个纯化的蛋白筛就可以了，不需要过程问题的，但是过程问题的好处是让知道哪一些关键的点可以改造。
第二个问题，发现预测的结果和传统的这种同元建模实际上，传统的同元建模在有已知的的情况下会更好，实际上里面就涉及到深层次的一个算法，它是借用其所有物种的所有蛋白质发力的信息，来去预测一个高等生物的信息，实际上它在有很多的核心区域上，实际上就应该这么说，如果是传统的同学建模，它基本上在一个已知的，直接就预测了。
在真实的制药的过程当中，发现是传统的建模，它的就执信度会更高一些，但如果是真的没有模板的蛋白，基本上就需要采取其他的办法，最后采取的办法直接从一级结构去预测它的生物性。2013年的时候，我的一个研究生当时也是调用了大概1000，用了两个月，才拿到差不多一个机会，一个跟零蛋白，还有小分子三元体的一个内容。基本上个那个时候到现在，我重新算了一下现在的计算机，十年后它可以从一个月变到一天，但也就30倍的增长，所以要去真正的系统性的算这种动态过程还非难。
最后就提到要用好ai的模型，实际上也是一个很好的。也是行业的一个很有意思的事情，这里面就有一些非常好用的方法来解决里面的问题，怎么去建模，怎么去时间关系，可以分享给大家。这里面最有用的是怎么去，怎么样的方法去提醒，我们都知道，生物大数据的内容非常多，组织干净的数据集，里面有非常多的方法论层面的，工程层面的方法，以及从算法层面，怎么去在里面去找一些东西，以及最后用用提到的，很有用的方法。当你在一个尺度，一个很少数据量的时候，你就需要上去迁移。在同一个问题上，它是一个很好办法，或者是我对一个白点的数据很少，我就去把它所有的数据都找来去做一个建议学习，实际上就可以补充其他的数据。而且最有用的ai模型，它一定是个泛化能力很强的模型，我一定是在我已知的当中能够找到一个位置的事物，才是最有意义的。这种方法是放在门头里是有用的，如果你要做一个内容的话，刚才提到的，你的专家只需要反馈一点点的结果，你只要对于新的问题有这么几个几十个的数据你就可以去做。一你找出来，你可能一轮，两轮，三轮，但是我觉得一般是在五轮以内，你一定可以，过去这种盲赛大规模的筛选会更好，另外你怎么去筛选数据？我觉得从过去我的经验里面有三种方法。第一种，你在现有里面挖，包括基本上所有商业数据库，100多个数据库，基本上最后调汰到咱们95，非常得体的对历史的一个重新的审视；第二个，你需要去自己做实验，有针对性的去补足一些数据，你就不需要知道你数据的化学生空间的分布，怎么样以最小的数据点，最高的模型的分子；第三个数据，知道哪一类的物理，它能够达到什么样的知度，就先去通物理的这种底层去采样，最后用这些数据去换你已经耗费的算利，就不需要再重算了，放在模里面，这三个方法都是有用的。现在的一个一体化的这种解决方案,之后就比较抽象了，因为所有东西都放在个平台上，从一个序列开始,基本上在几个小时的时间内，基本通过几10个模型同时打分，10到20个新的分子，基本上两到三轮，在100个分内就能拿到目标化合物.
九、Ainnocence’s Solution,From tools to whole systemSuperior Data Source,Higher Efficiency,Better Accuracy
基本上是针对了做了非常多的数据和算法的迭代，另外在算率方面也是基本上做了关于所谓抢单机时的行为时的一个。
从一直调用一级到gpu和cpu的分配，非常灵活的方案。
十、Ainnocence’s Global Launch and Partnership
平台基本上也是一个非常自动化的的一个平台,现在说今年到六月份是在生活国际大会有元智慧的,多目标的i模型对于生物药，化学药以及核酸药，现在都有自动化设计的能力，并且也跟全全世界各地，一直到药企都有了非常多的合作。
现在一年大概有300万美金的的订单，我还是比较坚信方法论能够改变行业，可能这边没有太多技术细节，但是我从宏观的方向讲一下过去的一些经验。
