Exscientia 利用生成式人工智能重构药物研发

Exscientia 从患者需求出发开展逆向工作，定义了精确的目标产品概况（TPP），其中规定了耐受性良好的有效药物所需的复杂特性组合。人工智能工程师设计了算法，以生成符合 TPP 要求的潜在候选药物组合。主动学习算法可以帮助专家设计人员选择一份要在实验室中合成的候选药物的简短清单，因为他们需要推动 TPP 向前发展，或者完善模型以适应未来的 DMTL 周期。

根据公开的药理学数据以及从患者组织样本、基因组学、单细胞转录组学和医学文献中生成的专有内部数据，对 Exscientia 算法进行训练。通过在整个过程中对数据进行编码以及分析实验结果和以前的设计周期，Exscientia 可以优化即将到来的设计周期，并推动可物理合成的化合物设计。使用这种在 AWS 上构建的合成感知迭代方法，Exscientia 生产的化合物数量仅为行业平均水平的 1/10。“我们的想法是在患者身上进行测试之前，消除化学弊端，以生产出更安全、更有效的候选药物，”Hallett 说道。

与行业基准相比，Exscientia 将药物设计速度提高了 70% 之多，同时将资本成本降低了 80%。Exscientia 利用生成式人工智能和其他工具，不仅可以更快地开发出更好的候选药物，还确定了用来在患者身上进行临床试验的正确药物组合。