AI-enriched COMPUTATIONAL SIMULATION
AI计算模拟
以AI、大数据分析及数字化工作流为基础的综合计算模拟解决方案
靶点识别 、药物发现与优化 、临床研究和试验执行
创新药研发可以概括为以下四个主要步骤。首先是靶点识别，需要考虑通过针对什么样的靶点来治疗什么类型的疾病，解决未满足的临床需求；确立靶标后，接下来就是针对这个靶标的药物开发，一般经历先导药物发现、先导药物优化和确立临床候选药物的过程；一旦确定了候选药物，需要对候选药物进行临床前安全性、药代动力学、药效学和药剂学等安全性和有效性的相关研究，以支持临床试验的启动；然后就是申请临床试验，进行1期、2期和3期的临床，在完成所有三个阶段的临床试验并分析所有资料及数据，证明该药物的安全性和有效性后，则可以提交上市申请。当然，成功上市的药物还会经历4期临床（上市后研究）和上市后再审批来进一步评估药物的安全性和有效性。
整个新药研发的过程中，一直面临着周期长、成本高、成功率低的痛点。但随着机器学习、深度学习等关键技术的快速发展，AI技术已应用至药物研发的各个阶段，而且在缩短研发周期、降低研发成本和提高成功率方面的优势正逐渐显现。
靶点识别
生物信息学驱动的靶点识别：生物关系数据和多组学数据是复杂而微妙的，需要依赖真实准确的生物学背景来对数据进行诠释，而通过人工智能和人工审核相结合所整理的数据则更加可靠。在我们的生物信息学综合性解决方案中（IPA、OmicSoft、HGMD、COSMIC、HSMD），始终贯穿着人工智能与人工审核相结合的理念，不断为用户提供准确而全面的数据。借助这些经过领域内认证专家审核和管理的标准化“组学数据”，许多研究者得以快速上手组学大数据的分析和挖掘，节约了实验成本和数据处理的时间，在药物发现、靶点探索等方面取得突破。
药物发现与优化
融合物理模型、机器学习与高性能计算的端到端数字平台：Schrödinger平台无缝集成了基于物理的第一性原理计算与先进的机器学习/人工智能技术，构建了一个统一的数字药物发现与优化环境。该平台覆盖从靶点评估、苗头化合物发现、先导化合物优化到候选药物选择的完整流程。其核心优势在于利用物理模型的准确性和可解释性为机器学习提供高质量的训练数据，同时借助AI技术大幅提升高通量筛选、性质预测和分子设计的效率与规模。平台全面支持CPU与GPU异构计算，，实现了超大规模虚拟化合物库（数十亿级）的快速探索与评估。
数据驱动、虚实结合的药物研发新范式-现代虚拟筛选工作流 (Modern VS Workflow)：Schrödinger的现代虚拟筛选工作流构建了一个高效的“虚拟漏斗”。它首先利用支持GPU加速的Glide对接工具，对数亿甚至数十亿化合物的超大型数据库进行快速初筛。随后，通过机器学习模型（如基于物理描述符的QSAR模型）和精确的物理模型（如FEP+自由能计算）对初筛结果进行多级精炼和排序。预测出的高潜力虚拟分子进入现实世界的合成与测试环节，而实验获得的活性与ADMET数据又反馈回来，用于优化和验证计算模型。这种“超大规模筛选 → 多精度评估 → 实验验证 → 模型反馈”的迭代循环，实现了从海量化学空间中快速、低成本地发现高质量苗头化合物，并指导其向先导化合物的高效转化。
AI逆合成路线设计与分析平台SYNTHIA™：结合顶尖科学家的专业知识与先进的AI算法及计算能力，在数以万计的可能性中精选最佳路线。系统集成了超过十万种由化学家手工编制的化学反应规则，并辅以机器学习挖掘的附加反应规律。可自定义选择参数来规避专利或者以指定的物料来进行小分子药物的路线设计。自此，复杂化合物的路线设计不再困难。
临床研究和试验执行
AI驱动的临床研究和试验执行平台Certara.AI：一个安全、灵活的平台，用于在组织数据中部署生命科学特定的GPT。通过对数据进行实时索引，Certara.AI可确保访问您感兴趣的领域相关的最新内容。用户可以查看、验证和微调生成的响应，同时提供GPT使用所需的参考。Certara.AI接受生物医学文献培训后，可减少人工研究任务，加快收集团队所需的相关数据，以便成功地设计和实施试验。
