Press Releases China
2025-12-19 15:00

Pharma.AI 2025 年第四季度冬季发布回顾：前沿 AI 创新重塑药物发现

英矽智能（Insilico Medicine）是一家处于临床阶段、由生成式人工智能（AI）驱动的生物科技公司。12 月 10 日，公司举办了第四期 Pharma.AI 季度发布网络研讨会，主题为 “Epic Year-End Recap & Q4 Winter Updates（史诗级年终回顾与第四季度冬季更新）”。本次活动吸引了来自全球高校、医疗机构、跨国制药企业以及创新生物技术公司的超300 名注册参会者。

在会上，Insilico 的软件团队通过现场演示和真实案例，回顾了 2025 年 Pharma.AI 的整体进展，并展示了平台的最新的功能升级。

Generative Biologics
大分子药物工程平台

2025年功能更新回顾：
  • 肽类工作流程： 基于模板对肽库进行受体筛选，并支持基于热点位点的口袋手动选取，同时提供肽长引导和 3D 构象分析。
  • 模型训练： 引入 3D 增强模型，性能得到提升（Pearson/Spearman 相关系数提高约 0.2–0.3），并在 Ginkgo 抗体数据集上完成验证。
  • 生成引擎： 新增基于扩散模型的抗体生成模型（可按表位和框架进行条件控制），并提供可配置的责任/风险位点约束，结合基于基序的过滤。
  • PDB 集成： 可直接抓取、自动修复并在实验中使用 PDB 结构。

Q4 升级亮点：
  • 升级的接触可视化与评估： 提供更清晰的残基级接触图，加速对靶点–结合物相互作用的解读。
  • 改进的结合物评分： 优化打分函数，更好地融合结构特征和能量特征，从而提高排序准确性。
  • 新增 MD 模拟实验： 通过分子动力学模拟，在更贴近真实生物物理环境的条件下评估结合物的稳定性和构象行为。

Chemistry42 / Nach01
小分子设计和优化平台

2025年功能更新回顾：
  • 生成式化学（Generative chemistry）：在原有配体药效团基础上增加蛋白基药效团点，使两者互为补充，从而实现更加多样化、并基于蛋白信息的药效团引导分子生成。
  • Alchemistry 2.0：新一代双阶段 RBFE 引擎（平衡 MD + 非平衡切换），在保证行业级精度的同时具备大规模可扩展性，并配备交互式轨迹查看器以及即将上线的绝对结合自由能模块。与上一版本相比，精度最高可提升 16%，计算速度提升约 2–4 倍。
  • MDFlow：新增可配置的分子动力学（MD）模拟、丰富的轨迹分析功能以及多种格式导出。与 Alchemistry 2.0 结合后，构成从自由能计算到完整 MD 模拟的一体化物理建模工作流。
  • ADMET 属性预测（ADMET Profiling）：在全新训练框架下完全重构，显著提升关键回归终点预测精度及离靶安全性评估能力；新增 超70个 GPCR 抑制剂模型，将 Chemistry42 的预测能力拓展至更复杂的药理空间。
  • 逆合成分析（Retrosynthesis）：系统支持导入生成分子、自定义分子以及手绘分子结构；利用专家级反应模板和 AI Root Planner 生成选择性高且符合文献报道的合成路径；可与 eMolecules 及用户自有砌块库集成，实现成本敏感的合成规划，并支持快速批量逆合成，附带详细可下载报告及 CDX 路线图导出。
  • Natch 01：面向化学与药物发现的多模态基础模型，基于数十亿级分子与文本数据点训练，将语言理解与化学智能相结合，用于性质预测、分子设计与科学推理。目前已在 AWS Marketplace 上线，便于学术界和工业界集成使用。后续将加入生成式能力，进一步巩固其作为 Chemistry42 AI 驱动生态核心的地位。

Q4 升级亮点：
  • MolSpace：采用生成拓扑映射（GTM）技术，将生成分子与大规模公共数据集进行对比可视化，并提供从 SDF/CSV 文件到分析的一站式工作流。新增密度、分类、回归和对比等多种化学空间“景观”模式，结合智能采样与多维尺度分析（MDS），为化学空间中常见与稀有区域提供准确且可解释的可视化视图。
  • PACE（Patent Analysis Chemical Engine）化学专利分析引擎：通过分割和识别化学结构及构效关系（SAR）表格，自动从 PDF 专利中抽取结构化化学数据和 SAR 信息，并利用专门的视觉模型和视觉语言模型，实现更深入的结构–活性关系及专利空间分析。

PandaOmics
靶点和生物标志物发现引擎

2025年功能更新回顾：
  • 扩展了靶点与生物标志物发现的功能范围，并提升了分析严谨性。
  • 借助 4 个全新的、由大语言模型（LLM）驱动的评分指标，以及升级后的排序框架，以获得更加均衡、且具临床相关性的靶点优先级排序：
  • Confidence Score（置信度评分）：衡量支持该靶点参与疾病机制的证据强度。
  • Commercial Tractability Score（商业可行性评分）：从需求和竞争格局等维度，综合评估该靶点的市场可行性。
  • Drug ability Score（成药性评分）：反映围绕该靶点成功开发药物的可能性。
  • Mechanism Clarity Score（机制清晰度评分）：评估对干预如何影响通路和疾病机制的理解程度。
  • 共计 27 项评分，用于整合多组学、文献文本及其他数据来源，为靶点识别和生物标志物发现项目提供支持。为帮助分析工作顺利起步，我们引入了新的排序方案：对 5 个核心评分取平均值，以突出那些证据均衡、研究充分的靶点。

Q4 升级亮点：
  • 多实体基因支持（Multi-entry gene support）：
针对单个基因，上传并分析其多种分子实体（同工型、转录本或蛋白变体）
  • 扩展物种支持（Extended species support）：
支持上传来自犬和猫研究的转录组数据；在使用 Ensembl 或 NCBI Entrez ID 时，可自动识别物种信息。
  • 强化数据安全与治理：
  1. 支持虚拟私有云（VPC）部署
  2. 集成单点登录（SSO）
  3. 增强数据管理功能
  4. 支持组织内部对专有数据集的安全共享

此外，值得期待的是，单细胞数据集可视化工具和基因特征（基因签名）功能即将上线。

Dora
AI驱动的科研文档撰写助手

Deep Research 大幅压缩了从研究构想到生成可发表级别报告的全过程。当你在对话界面中输入一个主题和简要背景后，系统会自动构建一个聚焦明确的研究计划，并仅检索高质量文献来源；这些来源会依据是否经过同行评议、作者专业度以及相关性进行评分，并为每条文献提供可追溯的原始链接。

随后，系统运用高级推理能力，对跨领域知识进行综合，化解相互矛盾的信息，挖掘隐藏问题，并以透明的推理链展示每一项结论背后的逻辑。在几分钟内即可生成一份简明但达到分析师水准的报告，清晰呈现关键洞见、支撑证据以及可执行的建议。最终报告会在 DORA 中打开，你可以借助内置的 AI 工具对其进行修改、润色和扩展，然后再将其用于决策或发表。

MMAI GYM for Science

MMAI GYM 是一个平台，你可以将任意 AI 模型送入其中训练，使其在真实世界的药物研发任务中成长为高性能的专家。它结合了专有多组学数据集、专利、论文、临床读出结果以及面向特定领域的强化学习，教会模型如何原生处理生化数据格式，理解复杂的研发任务，并在生物学、安全性、有效性和可合成性等多重约束下开展工作。由此可显著提升各类因果模型或前沿大语言模型在生物和化学方面的智能水平，在关键药物发现基准任务上实现最高可达 10 倍的性能提升。