Translai资产数字化的发展前景云平台前景如何？

来源：蜘蛛抓取(WebSpider) 时间：2022-10-13 15:14 标签： 资产数字化的发展前景

涵盖AI药物研发（辅助制药）：白皮书、国内外技术报告、干货书、最新综述论文（入门）、关键技术最新论文（含实现代码，进阶）、数据集、教程课程讲解PPT等。

  1. 2021.1，《imit白皮书——AI驱动新药研发深度发展》，浙江数字医疗卫生技术研究院。本白皮书 总结了AI之于新药研发的意义、全球AI新药研发发展环境、 AI新药研发技术与应用现状、AI新药研发行业发展现状、我国AI新药研发发展面临的机遇与挑战。[]
  2. 2021.5，《2021 易凯资本中国健康产业白皮书——医药与生物科技篇》。[]
  3. 2021.6，《中国细胞与基因治疗产业发展白皮书》，弗若斯特沙利文咨询（中国），59页。本报告旨在分析中国细胞与基因治疗 （Cellular and Gene Therapy, CGT） 行业发展现状、行业特点、治疗领域、驱动因素及发展趋势 ，并聚焦中国医药CGT行业市场竞争态势，反映该市场领袖梯队企业的差异化竞争优势。[]
  4. 2021，《中国医疗科技行业白皮书 》，119页PPT，头豹。从市场热度、科技创新、产业周期及政策红利的角度探寻中国医疗科技行业生态产业（ AI药物研发等）发展的机遇。[]

  1. 2021.12，《2021AI药物研发发展研究报告》，健康界研究院，37页。健康界研究院认为，人工智能技术对药物研发提质增效的作用毋庸置疑，前景可期，但行业毕竟处在发展初期，数据与算法的技术挑战尤为明显，商业模式的可行性还需市场的进一步检验 。[]
  2. 2021.9，《"AI+"系列报告之 1: AI+新药研发》，易凯资本。 针对大众普遍关注的12 个问题（AI辅助药物研发（AIDD）目前主要应用的算法有哪些？有何局限性？ 2022年 AI+药物研发融资趋势如何？等），易凯资本给出了的答案。[]
  3. 2021.9，《全球44家顶尖药企AI辅助药物研发行为白皮书（2021）》。 盘点了全球44家顶尖药企（包括3家中国药企）在利用AI辅助药物研发上的行动 。[]
  4. 2021.9，《AI新药研发（AIDD）行业系列报告——洞鉴行业发展，把握投资先机》，中银证券，88页，[]
  5. 2021.1，《2021中国AI/计算制药 产业报告：药物发现篇》，亿欧智库，33页。本报告在梳理 现阶段中国人工智能/计算制药行业发展阶段 以及 人工智能/计算新技术在药物研发中的应用情况，为希望了解这个行业的创业者、医药企业以及跨界企业、投资人等提供参考。[]
  6. 2020.8，《DEL（DNA 编码化合物库） 技术引领原创新药加速发展——成都先导（688222）深度报告》，国海证券，30页。[]

    Discovery"。人工智能全球伙伴关系("GPAI")是一个由19个成员国组成的多方倡议。GPAI的专家来自学术界、工业界和公共部门的贡献者，提供了解决当前多方面问题所需的广泛视角。 本报告总结了药物发现生态系统中值得关注的主题、开发数据、药物发现目前的挑战机遇、未来发展建议等。[] 和查尔姆斯理工大学的专家的精选采访。[] 考察了化学家们已经在使用人工智能和机器学习预测潜在药物的活动，制药和生物技术公司正在投资的领域，以及未来的发展方向。该报告还包括为药物发现领域提供人工智能服务的** 前20家初创企业和小型公司的独家指南**，以及麻省理工学院制药公司联盟的简介，该联盟正在重新思考化学家如何设计药物，等等。[]

  1. ，347页pdf。为药物开发人员而不是计算机科学家写的，这一专论采用了一种系统的方法来挖掘科学数据源，涵盖了从化合物筛选到先导化合物选择和个性化药物的合理药物发现的所有关键步骤。第一部分明确地分为四个部分，讨论了不同的可用的数据来源，包括商业和非商业的，而下一节着眼于数据挖掘在药物发现中的作用和价值。第三部分比较了多药理学最常见的应用和策略，其中数据挖掘可以大大提高研究工作。书的最后一部分是致力于复合测试的系统生物学方法。

  2. ，238页pdf。实践开发人员和科学家准备将他们的技能应用于科学应用，如生物学，遗传学，和药物的发现，这本书介绍了几个深度网络原语。您将跟随一个案例研究，研究如何设计将物理、化学、生物学和医学结合在一起的新疗法——这个例子代表了科学界最大的挑战之一。

  1. 摘要：人工智能 (AI) 启发了计算机辅助药物发现。机器学习（尤其是深度学习）在多个科学学科中的广泛采用，以及计算硬件和软件的进步等因素继续推动了这一发展。最初对人工智能在药物发现中应用的怀疑已经开始消失，从而有利于药物化学。本文 回顾了人工智能在化学信息学中的现状 。本文讨论的主题包括定量结构-活性/性质关系和基于结构的建模、从头分子设计和化学合成预测。重点介绍了当前深度学习应用的优势和局限性，以及对用于药物发现的下一代 AI 的展望。 基于深度学习的方法才刚刚开始解决药物发现中的一些基本问题。某些方法学上的进步，例如消息传递模型、保持空间对称性的网络、混合从头设计和其他创新的机器学习范式，可能会变得司空见惯，并有助于解决一些最具挑战性的问题。开放数据共享和模型开发将在利用 AI 推动药物发现方面发挥核心作用。

  2. 摘要 ：计算化学和基于结构的设计传统上被视为有助于加速药物发现过程的工具子集，但通常不被视为小分子药物发现的驱动力。然而，在过去十年中，该领域取得了巨大的进步，包括 (1) 开发基于物理的计算方法，以准确预测从效力到溶解度的各种端点，(2) 人工智能和深度学习方法的改进(3) 随着 GPU 和云计算的出现，计算能力显着提高，从而能够在计算机中探索和准确描述大量的药物类化学空间。在结构生物学方面也取得了同步进展，例如低温电子显微镜 (cryo-EM) 和计算蛋白质结构预测，允许获得更多高分辨率 3D 结构的新型药物受体复合物。这些突破的融合使结构支持的计算方法成为发现新型小分子疗法的驱动力。这篇综述将 广泛概述计算化学、机器学习和结构生物学领域的最新进展，特别是在hit识别、hit-to-lead和lead优化领域的协同作用 。

  3. ：药物设计和开发是制药公司和化学科学家的重要研究领域。然而，低功效、脱靶递送、时间消耗和高成本构成了影响药物设计和发现的障碍和挑战。此外，来自基因组学、蛋白质组学、微阵列数据和临床试验的复杂和大数据也给药物发现管道带来了障碍。人工智能和机器学习技术在药物发现和开发中发挥着至关重要的作用。换句话说，人工神经网络和深度学习算法已经使该领域现代化。 机器学习和深度学习算法已在多个药物发现过程中实施，例如肽合成、基于结构的虚拟筛选、基于配体的虚拟筛选、毒性预测、药物监测和释放、药效团建模、定量构效关系、药物重新定位、多药理学和理化活性 。过去的证据加强了人工智能和深度学习在该领域的实施。此外，新颖的数据挖掘、管理和管理技术为最近开发的建模算法提供了关键支持。总之，人工智能和深度学习的进步为合理的药物设计和发现过程提供了绝佳的机会，最终将影响人类。

  4. 摘要 ：这篇综述强调了人工智能在制药行业各个领域的有效使用，例如 药物发现和开发、药物再利用、提高制药生产力、临床试验 等，从而减少了人类的工作量并实现了目标在短时间内。还讨论了用于执行 AI 的工具和技术、持续的挑战以及克服这些挑战的方法，以及 AI 在制药行业的未来。

  5. 的各种方面，如药物-蛋白质相互作用预测、药物疗效的发现、确保安全性生物标志物。本综述提供了在药物开发的各个阶段通过ML工具和技术发现药物的可行文献，以加速研究过程，降低临床试验的风险和支出。机器学习技术改进了在不同应用中的药物数据决策，如QSAR分析、hit发现、从头药物架构检索准确的结果。在本综述中，靶点验证、预后生物标志物、数字病理学都被认为是存在问题的。ML挑战必须适用于可解释性结果不足的主要原因，这可能会限制药物发现中的应用。在临床试验中，必须生成绝对数据和方法学数据，以解决在验证ML技术、改进决策、提高ML方法的意识以及推断药物发现中的风险失败方面的许多难题。

  6. 。首先概述了药物的发现和相关应用，并将其归纳为分子性质预测和分子生成两个主要任务。介绍了公共数据资源、分子表示和基准平台。人工智能技术被分解为模型架构和学习范式。按照时间顺序调研了近年来人工智能在药物发现方面的技术发展。还提供GitHub知识库包含了一组论文(和代码)作为学习资源，并定期更新（[]）

  7. 导致人们急于重新利用现有药物。药物再利用是一种利用现有已知药物或药物组合在意想不到的医疗场景中进行探索的技术。因此，与传统的从头药物发现过程相比，药物再利用通过节省时间和成本，在加速设计新药的临床前过程中发挥着至关重要的作用。由于药物再利用依赖于现有药物和疾病的大量观察数据，因此公开可用的大规模机器学习方法的巨大增长为数据科学在疾病、医学、治疗和识别目标方面提供了最先进的应用以最小的错误。 本文介绍了有关利用机器学习方法加速药物再利用的策略和选项的指南 。讨论了如何在精准医学研究中使用机器学习方法，并以机器学习方法如何通过开发中药疗法来加速 COVID-19 药物再利用。本文为使用机器学习方法进行药物再利用提供了很强的合理性，包括在抗击 COVID-19 大流行期间。

  8. 。其中13个利用GNN进行分子性质预测，29个利用RL和/或深度生成模型进行分子生成和优化。在大多数情况下，总结的重点是模型，它们的变体，以及针对药物设计中特定任务的修改。此外，将人工智能在分子生成和优化方面的60个额外应用简要总结在一个表格中。最后，本研究对基于人工智能的药物设计的丰富应用进行了全面的讨论，从而明确了基于人工智能的药物设计的任务、潜在解决方案和挑战。

  9. 摘要 ：知识图谱(KG)在许多任务中都有应用前景，包括药物再利用、药物毒性预测和目标基因疾病优先排序。在药物发现的KGs中，包括基因、疾病和药物在内的关键元素被表示为实体，而它们之间的关系表示相互作用。然而，要构造高质量的KGs，需要适当的数据。 这篇综述详细介绍了适合用于构建药物发现KGs的公开可用的数据源。对现有的公共药物发现 KGs进行比较分析，并对文献中选取的案例进行评估。此外，提出了与该领域及其数据集相关的独特挑战和问题，同时也强调了未来的关键研究方向。

  10. 摘要：鉴于新药的高损耗率、巨大的成本和缓慢的开发速度，重新利用"旧"药物治疗常见和罕见疾病正日益成为一个有吸引力的提议，因为它涉及使用无风险化合物，具有较低的总体开发成本和较短的开发时间。已经提出了各种数据驱动和实验方法来确定可再利用的候选药物; 然而，还有一些重大的技术和监管挑战需要解决。本综述介绍了用于药物再利用(也称为药物再定位)的方法，讨论了药物再利用社区面临的挑战，并提出了解决这些挑战的创新方法，以帮助实现药物再利用的全部潜力。

  11. ：药物再利用又称为药物重新定位或治疗转换。开展了各种研究，通过利用不同的药物再利用方法来设计新的药物分子，以识别用于治疗COVID-19的药物物质，它们可以作为对病毒蛋白的重要抑制剂。利用药物再利用策略，通过虚拟筛选药物库来确定合适的药物。该方法通过分子相似性和同源性建模等计算工具，有助于确定候选药物与冠状病毒靶蛋白的结合相互作用。为了预测药物受体相互作用和结合亲和力，还进行了分子对接研究和结合自由能计算。参与药物再利用的方法可以分为三组drug-oriented等面向目标的和疾病或therapy-oriented取决于相关的信息质量和数量的理化、生物、药理、毒理学和药物分子的药代动力学性质。 本文重点介绍了瑞德西韦、法匹拉韦、利巴韦林、Baraticinib、托西单抗、氯喹、羟氯喹、普卢利沙星、卡菲佐米、比替格韦、奈非那韦、特哥布韦和糖皮质激素等现有药物的药物再利用策略，以确定其对COVID-19治疗的有效性 。

  12. 摘要 ：冠状病毒病(COVID-19)大流行导致了对现有药物的重新利用，尽管基本的证据基础质量参差不齐。随着人们对COVID-19病毒学和临床表现的认识不断加深，潜在的药理靶点越来越多。 本综述的目的是描述药物再用途的监管和药理方面，并根据注册的临床试验确定拟议用于COVID-19再用途的药物 ，讨论支持它们在这种疾病治疗中的使用的证据。还将讨论如何正确解读现有的临床前/临床证据，以及如何生成与COVID-19药物再利用有关的新证据。

  13. 摘要 ：本综述 将重点讨论当前使用的抗COVID-19药物的再用疗效及其作用机制、药代动力学、给药剂量、安全性和未来前景 。 与硅内、体外、体内、人体临床试验、病例报告和新闻档案相关的实验研究文章被选择进行综述。利用病毒发病机制和药物药效学的基本知识，以及计算工具，许多药物目前正在被重新利用。 在当前情况下，重新部署药物可被视为治疗COVID-19的新途径。

  14. 摘要 ：本文首先讨论了多尺度生物分子模拟在识别靶向大分子上的药物结合位点和阐明药物作用机制方面的作用。 然后， 介绍和讨论了虚拟筛选方法(如分子对接、药效团建模和QSAR)以及基于结构和配体的经典/新药设计 。最后，探讨了机器学习方法的发展及其在上述计算方法中的应用，以加快药物发现的过程。讨论了几种方法相结合的应用实例。不同方法的结合，共同解决不同尺度、不同维度的难题，将是药物筛选与设计的必然趋势。

  15. ，即牙科医学、血液学、外科、心脏病学、肺病学、骨科、放射学、肿瘤学、普通医学、精神病学、内分泌学、神经学、皮肤病学、肝病学、肾病学、眼科和药物发现。本文讨论了这些系统在医疗实践中的进步，以及这些系统对医疗专业人员的影响。

  16. 正在成为药物发现不可或缺的一部分。它具有跨越药物发现和开发价值链的潜力，从目标识别到临床开发。这篇综述概述了当前的人工智能技术，并通过强调人工智能产生真正影响的例子来了解人工智能如何重新构想临床前药物发现。考虑到围绕人工智能在药物发现中的兴奋和夸张，我们旨在通过讨论在药物发现中采用人工智能的机遇和挑战来呈现一个现实的观点。

  17. ：药物再利用被推广为一种提供新药的具有成本和时间效益的机制。然而，学术研究人员通常没有充分考虑确保重新利用的药物可用于新适应症所需的过程。致使药物再利用无法兑现其承诺。经常被忽视的重要方面包括财务和知识产权考虑、临床和监管路径以及临床平衡，这为随机对照试验提供了伦理依据。药物再利用的目标是为现有药物获得监管机构批准的新标签，因此，药物再利用和传统药物开发的轨迹相似。在这里，讨论了药物重新利用成功的关键因素，以帮助学术研究人员更好地识别药物重新利用的机会。

  18. ，使其更加高效和准确。本文对相关研究进行了系统综述。这项工作支持机器学习和人工智能在促进药物开发和发现过程中的作用，使其更具成本效益或完全消除了临床试验的需要，因为能够使用这些技术进行模拟。它们还使研究人员能够更广泛地研究不同的分子，而无需任何试验。本文的结果证明了机器学习和人工智能方法在药物发现中的普遍应用，并预示了这些技术的广阔前景；这些结果应该使研究人员、学生和制药行业能够在药物发现和开发环境中更深入地研究机器学习和人工智能。

  19. 摘要 ：随着计算机计算能力的提高、数据的积累和算法的快速发展，人工智能（AI）与药物合成的融合加速，药物分子的设计和合成得到显着提升。近年来，数据驱动的计算机辅助合成工具迅速广泛地应用于逆合成分析、反应预测和自动化合成，可有效加速药物发现和开发过程，提高设计和合成药物分子的质量。 本文回顾了计算机辅助合成技术的发展和应用，从计算机辅助药物设计、计算机辅助药物合成路线设计和计算机辅助智能药物合成机三个方面介绍了计算机辅助药物开发的最新进展 。此外，还讨论了计算机辅助药物合成技术的挑战和机遇。

  20. ：图机器学习(GML)因其建模生物分子结构、它们之间的功能关系以及整合多组数据集的能力而受到制药和生物技术行业越来越多的关注。提出了一个关于药物发现和研发多学科的学术-工业综述的主题。在介绍了关键术语和建模方法之后，按时间顺序介绍了药物开发流程，以确定和总结工作包括：靶标识别、小分子和生物制剂的设计，以及药物的重新利用。尽管该领域仍处于新兴阶段，但关键的里程碑，包括重新用途的药物进入体内研究，表明GML将成为生物医学机器学习的建模框架选择。

  21. ：上个世纪的技术进步，以计算机革命和药物发现中高通量筛选技术的出现为标志，为生物活性分子的计算分析和可视化开辟了道路。为此，有必要以计算机可读且各领域科学家可理解的语法来表示分子。多年来已经开发了大量的化学表示，它们的数量众多是由于计算机的快速发展以及产生包含所有结构和化学特征的表示的复杂性。在这里展示了一些用于药物发现的最流行的电子分子和大分子表示，其中许多是基于图形表示的。此外，描述了这些表示在 AI 驱动的药物发现中的应用。目标是提供一个关于结构表示的简要指南，这对于人工智能在药物发现中的实践至关重要。这篇综述为那些在处理化学表征方面缺乏经验并计划在这些领域的接口上开展应用工作的研究人员提供指导。

  22. 摘要 ：毒性预测对公共卫生非常重要。在其众多应用中，毒性预测对于降低药物临床前和临床试验的成本和劳动力至关重要，因为预测的毒性可以避免许多药物评估（细胞、动物和临床）。在大数据和人工智能时代，毒性预测可以受益于机器学习，机器学习已广泛应用于自然语言处理、语音识别、图像识别、计算化学、生物信息学等诸多领域，表现优异。 本文回顾了已应用于毒性预测的机器学习方法，包括深度学习、随机森林、k-最近邻和支持向量机 。还讨论了机器学习算法的输入参数，特别是它从仅描述化学结构描述转变为结合人类转录组数据分析，这可以大大提高预测准确性。

AI 制药领域需要人工智能和药物研发的深度交叉过程，AI可以有效地应用于药物发现的不同领域，包括药物设计、化学合成、药物筛选、多药理学和药物再利用。

靶蛋白3D结构预测、药物-蛋白质相互作用预测、药物活性确定、新药设计

  1. 摘要 ：在三维分子结构上运行的计算方法有可能解决生物学和化学中的重要问题。特别是，深度神经网络已经获得了极大的关注，但由于缺乏系统的性能基准或用于与分子数据交互的统一工具包，它们在生物分子领域的广泛采用受到了限制。为了解决这个问题， 提出了ATOM3D ，它是一个新的和现有的基准数据集的集合，涵盖了几个关键的生物分子类别。为了降低进入门槛并促进该领域的进一步发展，开源 atom3d Python 包中提供了一整套用于数据集处理、模型训练和评估的工具。

  2. 摘要 ：从 2D 分子图预测稳定的 3D 构象一直是计算化学中的一项长期挑战。最近，与传统的实验和基于物理的模拟方法相比，机器学习方法已经显示出非常有希望的结果。这些方法主要侧重于对分子图上相邻原子之间的局部相互作用进行建模，而忽略了非键合原子之间的长程相互作用。然而，这些非键合原子在 3D 空间中可能彼此接近，并且建模它们的相互作用对于准确确定分子构象至关重要，特别是对于大分子和多分子复合物。本文 提出了一种称为动态图分数匹配 (DGSM) 的新方法，用于分子构象预测 ，该方法通过在训练和推理过程中根据原子之间的空间接近度动态构建图结构来模拟局部和远程相互作用。具体来说，DGSM根据动态构建的图，使用分数匹配方法直接估计原子坐标对数密度的梯度场。可以以端到端的方式有效地训练整个框架。跨多个任务的实验表明，DGSM 在很大程度上优于最先进的基线，并且能够为更广泛的系统（如蛋白质和多分子复合物）生成构象。

  3. 摘要：了解配体与其分子靶标之间形成的相互作用是指导分子优化的关键。已应用不同的实验和计算方法来更好地理解这些分子间相互作用。本文报告了一种基于几何深度学习的方法，该方法能够预测配体与蛋白质靶标的结合构象。该模型基于距离似然学习统计潜力，这是为每个配体-目标量身定制的。这种潜力可以与全局优化算法相结合，以重现配体的实验结合构象。结果表明，此处描述的基于距离似然的潜力与用于对接和筛选任务的成熟评分函数相似或更好。总体而言，这种方法代表了如何使用人工智能来改进基于结构的药物设计的一个例子。

  4. ：在多药理学中，药物需要与多个特定靶点结合，例如增强疗效或减少耐药性的形成。虽然深度学习在药物发现的从头设计方面取得了突破性进展，但其应用大多只针对单一药物靶点生成类药物活性分子。然而，在现实中，药物分子经常与多个靶点相互作用，这些靶点可能具有预期的(多药理学)或非预期的(毒性)作用。在之前的研究中，提出了一种名为DrugEx的新方法，该方法将探索策略整合到基于RNN的强化学习中，以提高生成分子的多样性。 本文将DrugEx算法进行多目标优化扩展，生成针对多个靶点或一个特定靶点的类药物分子，同时避免脱靶 (本研究中的两个腺苷受体A1AR和A2AAR，以及钾离子通道hERG)。 模型使用RNN作为agent，机器学习预测器作为环境。在强化学习框架下，agent和环境都预先进行了训练，然后相互作用。该方法融合了进化算法的概念，通过与agent相同的深度学习模型实现交叉和变异操作。在训练循环过程中，agent生成一批基于smile的分子。随后，环境提供的所有目标的分数被用来构建生成的分子的帕累托秩。对于这个排名，一个非支配的排序算法和谷本基于拥挤距离算法使用化学指纹被应用。证明了化合物的生成具有多种预测的对多个目标的选择性，提供了高效和低毒的潜力。

  5. 摘要 ：蛋白质的生物学功能由其 3D 分子表面的几何和化学结构定义。最近的工作表明，几何深度学习可用于基于网格的蛋白质表示，以识别潜在的功能位点，例如潜在药物的结合目标。不幸的是，使用网格作为蛋白质结构的底层表示具有多个缺点，包括需要预先计算输入特征和网格连接性。这成为蛋白质科学中许多重要任务的瓶颈。本文 提出了一个新的蛋白质结构深度学习框架 ，以解决这些限制。方法的主要优点之一是从底层原子点云和一个新颖的高效几何卷积层中即时计算和采样分子表面。因此，能够以端到端的方式处理大量蛋白质，将原始 3D 坐标和其原子的化学类型作为唯一输入，无需任何手工制作的预先计算的特征。这些结果将大大简化蛋白质科学中深度学习方法的部署，并为蛋白质建模任务（如功能预测和设计）中的端到端可微方法打开大门。

  6. 制剂的数据样本。机器学习算法lightGBM用于构建性能良好（R2>0.87）的预测模型。更重要的是，该算法确定了 LNP 中可电离脂质的关键亚结构，这与已发表的结果非常吻合。动物实验结果表明，使用 DLin-MC3-DMA (MC3) 作为可离子化脂质的 LNP，N/P 比为 6:1，在小鼠体内的效率高于使用 SM-102 的 LNP，这与模型预测一致。分子动力学建模进一步研究了实验中使用的 LNP 的分子机制。结果表明，脂质分子聚集形成LNP，mRNA分子缠绕在LNP周围。综上所述， 首先开发了基于 LNP 的 mRNA 疫苗的机器学习预测模型，并通过实验验证，并进一步与分子建模相结合 。该预测模型未来可用于LNP配方的虚拟筛选。

  7. 摘要 ：确定单个蛋白质结构所需的数月至数年的艰苦努力使结构覆盖成为瓶颈。需要准确的计算方法来解决这一差距并实现大规模的结构生物信息学。50多年来，仅根据氨基酸序列预测蛋白质将采用的三维结构——"蛋白质折叠问题"的结构预测部分——一直是一个重要的开放性研究问题。尽管最近取得了进展，但现有方法远远达不到原子精度，尤其是在没有同源结构可用的情况下。本文 提供了第一个计算方法，即使在不知道相似结构的情况下，也可以定期预测具有原子精度的蛋白质结构 。在具有挑战性的第 14 次蛋白质结构预测关键评估 (CASP14)中验证了基于神经网络的模型 AlphaFold 的完全重新设计的版本，在大多数情况下证明了与实验结构竞争的准确性，并且大大优于其他方法。支持最新版本的 AlphaFold 是一种新颖的机器学习方法，它将有关蛋白质结构的物理和生物学知识，利用多序列比对，整合到深度学习算法的设计中。

  8. ：多类型蛋白质-蛋白质相互作用（PPI）的研究是从系统的角度理解生物过程和揭示疾病机制的基础。目前的评估忽略了新蛋白间的相互作用，因此未能给出有指导意义的评估。因此，从评估和方法两方面来解决这个问题。首先，设计了一个新的评估框架，该框架充分关注新蛋白间的相互作用，并在数据集之间提供一致的评估。其次，认为蛋白质之间的相关性必须为分析新蛋白质提供有用的信息，并在此基础上，提出了一种基于图神经网络的方法（GNN-PPI），以 更好地预测新蛋白质间的相互作用 。

  9. 摘要 ：应用于化学的深度学习方法可以用来加速新分子的发现。 本文介绍了一个 利用图神经网络(gnn)开发的基于图的分子设计平台 GraphINVENT。 GraphINVENT使用一种分层的深度神经网络架构，以概率的方式每次生成一个单键的新分子。 GraphINVENT中实现的所有模型都可以快速学会构建类似于训练集分子的分子，而不需要任何明确的化学规则编程。 这些模型已经使用基于MOSES分布的度量标准进行了基准测试，显示了GraphINVENT模型与最先进的生成模型之间的良好对比。 这项工作在GraphINVENT中比较了六种不同的基于gnn的生成模型，并表明最终门控图神经网络比本文考虑的度量性能最好。

  10. 。在这项工作中，讨论了开发自己的分子生成模型的研究人员可能感兴趣的技术细节，包括对基于图的分子设计和设计新模型的策略的先前工作的概述。还提供了在代码开发过程中有用的开发和调试工具的建议。最后，本文描述了一些经过测试但最终未能在GraphINVENT开发中带来有希望的结果的方法，希望这将帮助其他研究人员避免开发过程中的陷阱，转而将精力集中在更有前途的基于图的分子生成策略上。

  11. 摘要 ：通过使用基于图形或字符串(SMILES)的表示，已经设计出了一系列体系结构，以找到生成化合物的最佳方法。本研究目标是 为社区提供一个用于从头设计新药物的生产工具 ，称为REINVENT。它可以有效地应用于药物发现项目，努力解决探索或开发问题，同时导航化学空间。它可以使研究人员注意到最有前途的化合物。

  12. 摘要 ：本工作 介绍了一种方法来调整基于序列的分子从头设计生成模型，通过增强的情景似然可以学习生成具有特定理想属性的结构。将演示该模型如何执行一系列任务，例如生成查询结构的类似物和生成预计对生物目标具有活性的化合物。

  13. 摘要 ：生成模型正在成为探索分子空间的首选工具。这些模型在大型训练数据集上学习，并产生具有相似特性的新型分子结构。生成的结构可用于虚拟筛选或在下游任务中训练半监督预测模型。虽然有很多生成模型，但尚不清楚如何对它们进行比较和排名。本工作 引入了一个名为 Molecular Sets (MOSES) 的基准测试平台来标准化分子生成模型的训练和比较 。 MOSES 提供训练和测试数据集，以及一组指标来评估生成结构的质量和多样性。

  14. 摘要 ：从头设计旨在通过虚拟设计-制造-测试循环生成具有所需特性配置文件的分子。随着深度学习和神经生成模型在许多应用领域的出现，基于神经网络的分子设计模型最近出现并显示出可喜的成果。然而，新模型并没有针对一致的任务进行分析，并且很少对成熟的算法进行比较研究。为了标准化对从头分子设计的经典模型和神经模型的评估， 提出了一个基于一套标准化基准的评估框架 GuacaMol。基准任务包括测量模型的保真度以重现训练集的属性分布、生成新分子的能力、化学空间的探索和利用，以及各种单目标和多目标优化任务。

反应产率预测、逆合成分支预测、反应机理洞察力开发、设计合成路线

  1. 摘要 ：近年来，人工智能助力的药物合成给社会带来了极大的便利。 由于逆合成分析在合成化学中占有重要的地位，因此受到了研究者们的广泛关注。 本文全面总结了在深度学习背景下逆合成的发展过程 。本综述涵盖了回溯的所有方面，包括数据集、模型和工具。具体来说，报告了来自学术界的代表性模型，此外还详细描述了行业中可用和稳定的平台。还讨论了现有模型的不足之处，并提供了潜在的未来趋势，以便更多的初学者能够快速了解和参与到retrosynthesis planning家族中来。

  2. Networks)的MRL方法，要么以SMILES字符串作为难以编码分子结构信息的输入，要么过分强调GNN体系结构的重要性而忽视其泛化能力。在这里，建议 使用化学反应来帮助学习分子表征 。关键思想是在嵌入空间中保持分子相对于化学反应的等价性，即迫使每个化学方程的反应物嵌入和生成物嵌入之和相等。该约束有效地保持了分子嵌入空间的组织性，提高了分子嵌入的泛化能力。此外，模型可以使用任何GNN作为分子编码器，因此对GNN结构是不可知的。

  3. 。在这个框架下，DeepReac被设计成一个基于图-神经网络的模型，直接以二维分子结构作为输入，自动适应不同的预测任务。此外，精心设计的主动学习策略，大大减少模型训练所需的实验数量。展示了DeepReac+的通用性和高效性，通过在几种情况下，在三种不同的化学反应数据集上以最少的标记数据实现了最先进的结果。总之，DeepReac+在人工智能辅助化学合成的发展中具有巨大的潜力和应用价值。

  4. 摘要 ：在过去几百年里，化学家们编写了化学合成的语言，通过了解原子在化学转化过程中如何重新排列，推断出一系列的"反应规则"，这个过程被称为原子映射。原子映射是一项费力的实验任务，当用计算方法处理时，需要对化学反应进行连续的注释，并扩展逻辑上一致的指令。 在这里，证明Transformer神经网络在没有监督或人类标记的情况下学习产物和反应物之间的原子映射信息 。利用Transformer注意力权重，构建了一个化学不可知的、注意力引导的反应映射器，并从未注释的反应集合中提取连贯的化学语法。

  5. **摘要：**有机反应通常被划分为含有类似试剂和机理的一类反应。反应类有助于复杂概念的交流和化学反应空间的有效导航。然而，分类过程是一项繁琐的任务。它需要通过标注反应中的分子数量、反应中心、反应物和试剂的区别来识别相应的反应类模板。在这里，展示了基于转换器的模型可以从化学反应的非注释的、简单的基于文本的表示中推断出反应类。

  6. 摘要 ：随着机器翻译方法的快速改进，神经机器翻译开始在逆合成规划中发挥重要作用，为目标分子寻找合理的合成途径。先前的研究表明，利用神经机器翻译的序列到序列框架是解决逆合成规划问题的一种很有前途的方法。 这项工作使用无模板的序列到序列模型将逆合成规划问题重新定义为语言翻译问题 。该模型以端到端和完全数据驱动的方式进行训练。与之前翻译 SMILES 反应物和产物的模型不同，引入了一种基于分子片段来表示化学反应的新方法。

治疗靶点识别、新药治疗用途预测

  1. 。NeDRex集成了10个不同的数据源，涵盖基因、药物、药物靶标、疾病注释及其关系。NeDRex允许构建异质生物网络，挖掘它们的疾病模块，优先考虑针对疾病机制的药物，并进行统计验证。平台主要包含知识库NeDRexDB，应用软件NeDRexAPP和API接口NeDRexAPI。在五个特定的用例中演示NeDRex的用途。

  2. 阶段）的病理学与基因名称列表中编码的分子机制之间的潜在关联。DRIAD 应用于由 80 种 FDA 批准和临床测试的药物在分化的人类神经细胞培养物中产生的基因列表，产生可能的再利用候选者的排名列表。检查得分最高的药物在其目标之间的共同趋势。建议 DRIAD 方法可用于提名药物，在对相关药效生物标志物进行额外验证和鉴定后，可以在临床试验中轻松评估。

  3. 摘要 ：现实世界的医疗保健数据具有潜力，可以通过有效地定位安全有效的再利用候选药物来确定进展性疾病的治疗方案。这种方法绕过了早期临床发展的关键挑战，特别是与神经系统疾病相关的挑战，符合《21世纪治愈法案》的愿景。然而，到目前为止，这些数据主要用于验证目的，而不是作为药物发现的引擎。 本文展示了真实世界的数据在识别用于疾病修饰作用的候选药物，特别是对帕金森病(PD)进展表现出有益作用的候选上市药物方面的有用性 。

  4. 摘要 ：药物再利用是确定现有药物新用途的有效策略，提供从临床到临床最快的过渡。 真实世界的数据，如电子健康记录和保险索赔，提供了许多药物的大量用户群体的信息。 本文提出了一个高效的、易于定制的框架，通过对真实世界数据的回顾性分析来生成和测试多个药物再利用的候选药物 。基于成熟的因果推理和深度学习方法，此框架模拟了大规模医疗索赔数据库中药物的随机临床试验。在数百万患者的冠状动脉疾病队列中展示了框架。成功地确定了能显著改善冠状动脉疾病预后但尚未被用于治疗冠状动脉疾病的药物和药物组合，为药物再利用铺平了道路。

物化性质预测、生物活性预测、毒性预测、靶细胞分类识别

  1. 提出了一种有效的自监督学习策略——掩蔽原子预测，对大量未标记数据进行MG-BERT模型的预训练，挖掘分子中的上下文信息 。发现MG-BERT模型可以在预训练后生成上下文敏感的原子表示，并将学习到的知识用于预测各种分子性质。MG-BERT模型不需要任何手工制作的特征作为输入，由于其出色的可解释性，更可靠，为开发最先进的模型提供了一个新的框架，用于广泛的药物发现任务。

  2. 研究已经研究了物理和化学知识，以手动设计描述符以有效预测属性。这项研究扩展了一个消息传递神经网络 (MPNN)，一种知识嵌入 的新型 MPNN 架构(KEMPNN) ，该架构可以与人类专家在包含有关信息的化学图上的非定量知识注释一起 监督分子的重要子结构及其对目标特性的影响 （例如，正面或负面影响）。使用 MoleculeNet（ESOL、FreeSolv、Lipophilicity）中的物理化学数据集和带有虚拟知识注释的聚合物特性（玻璃化转变温度）数据集，在小型训练数据设置中评估了 KEMPNN 的性能。结果表明，具有知识监督的KEMPNN可以提高从MPNN获得的预测精度。

  3. 种不同类型的生物活性（包括目标谱、细胞反应和临床结果）相关，可用作日常化学信息学任务中化学描述符的替代品。事实上，说明了推断的生物活性特征如何有助于以生物学相关的方式导航化学空间，揭示天然产物集合中的高阶组织，并丰富大多数未表征的化学库以对抗药物-孤儿靶标 Snail1。此外，实施了一系列特征-活动关系 (SigAR) 模型，并在一系列生物物理学和生理学活动预测基准中显示了基于化学分类器的性能显着提高。

  4. 摘要 ：分子性质预测能力对药物发现、人类健康和环境保护具有重要意义。尽管某些机器学习模型（例如来自 Transformer 的双向编码器）可以通过自监督学习策略将大量未标记的分子数据整合到分子表示中，但它忽略了三维 (3D) 立体化学信息。代数图，特别是元素特定的多尺度加权彩色代数图，将互补的 3D 分子信息嵌入到图不变量中。通过融合代数图和双向变换器生成的表示以及各种机器学习算法，包括决策树、多任务学习和深度神经网络，提出了一个代数图辅助双向变换器（AGBT）框架。在8个分子数据集上验证了提议的 AGBT 框架，涉及定量毒性、物理化学和生理学数据集。大量的数值实验表明， AGBT是一种最先进的分子特性预测框架 。

  5. 摘要 ：毒性分析是药物设计和发现的主要挑战。由于机器学习的准确性、效率和较低的成本，最近通过机器学习取得了重大进展。美国 21 世纪毒理学 (Tox21) 筛选了一个庞大的化合物库，其中包括大约 12000 种环境化学品和药物，以了解导致毒性作用的不同机制。Tox21 数据挑战赛提供了一个平台来评估毒性预测的不同计算方法。受多尺度加权彩色图 (MWCG) 理论在蛋白质-配体结合亲和力预测中的成功启发，将 MWCG 理论用于毒性分析。在目前的工作中， 通过集成 MWCG 特征和梯度提升决策树 (GBDT) 算法开发了几何图学习毒性 (GGL-Tox) 模型 。Tox21 数据挑战的基准测试用于证明所提出的 GGL-Tox 模型的实用性和实用性。与其他最先进模型的广泛比较表明，GGL-Tox 是一种准确有效的毒性分析和预测模型。

  6. 摘要 ：图神经网络(GNN)被认为是一种有吸引力的分子性质预测建模方法，大量研究表明，与传统的基于描述符的方法相比，GNN可以产生更有前景的结果。本研究基于覆盖不同属性端点的11个公共数据集，采用8种机器学习(ML)算法，包括4种基于描述符的模型(SVM、XGBoost、RF和DNN)和4种基于图的模型(GCN、GAT、MPNN和FP)， 对预测模型的预测能力和计算效率进行了研究，进行了广泛的测试和比较 。总之，认为现有的基于描述符的模型仍然可以直接用于准确预测各种化学端点，具有良好的可计算性和可解释性。

  7. ，作为药物引起的肾毒性的案例。为了实现这一目标，使用化合物处理后源自人类细胞系的廉价转录组谱来训练模型，并结合化合物化学结构信息。基因组学数据由于其稀疏、高维和嘈杂的性质，在构建可信赖和透明的机器学习模型方面提出了重大挑战。在这里，通过从异构来源构建特征集并将它们与通过基于高斯过程的贝叶斯模型实现的模型不确定性度量相结合来解决这些问题。

  8. ：生物医学数据，特别是基因组学领域的数据，具有对机器学习应用具有挑战性的特点——它可能是稀疏的、高维的和有噪声的。生物医学应用也对模型选择提出了挑战——尽管强大、准确的预测是必要的，但它们不足以使模型被视为有用。由于预测的性质，模型还必须是可信任和透明的，使从业者有信心使用它是适当和可靠的。本文通过建立特征集与贝叶斯模型，特别是高斯过程来实现。 将高斯过程应用于药物发现，利用人类细胞系的廉价转录组谱预测特定化合物治疗后动物肾脏和肝脏的毒性 。如果体外人体细胞系分析能够准确预测模型动物表型，这种方法有可能减少临床试验中侵入性和昂贵的动物试验。

  9. 摘要：神经机制的进步为分子性质预测带来了广泛的算法解决方案。有两类模型产生了很有希望的结果:应用于计算分子指纹或专家制作的描述符的神经网络，以及通过操作分子的图结构来构建学习分子表示的图卷积神经网络。然而，最近的文献还没有明确地确定这两种方法中哪一种在推广到新的化学空间时更优越。此外，以往的研究很少在工业研究环境中对这些新模型进行比较，而不是现有的应用模型。本文在跨越各种化学终点的19个公共和16个专有工业数据集上广泛地对模型进行基准测试。此外，引入了一个图卷积模型，该模型在公共和私有数据集上始终匹配或优于使用固定分子描述符的模型以及以前的图神经结构。

  1. 摘要 ：实施精准医学取决于将蛋白质组学等组学数据整合到临床决策过程中，但生物医学数据的数量和多样性，以及临床相关知识在多个生物医学数据库和出版物中的传播，对数据集成。在这里，展示了临床知识图谱 (CKG)，这是一个开源平台，目前包含近 2000 万个节点和 2.2 亿个关系，代表相关的实验数据、公共数据库和文献。图谱结构提供了一个灵活的数据模型，当新数据库可用时，该模型很容易扩展到新节点和关系。 CKG 结合了统计和机器学习算法，可加速典型蛋白质组学工作流程的分析和解释。使用一组概念验证生物标志物研究，展示了 CKG 如何增强和丰富蛋白质组学数据并帮助为临床决策提供信息。

  2. SSL)为缺乏生物或临床表型的药物发现提供了新的机会。然而，如何有效地组合多个SSL模型是一个挑战，很少有人研究。因此，提出了一种用于药物发现的生物医学网络自监督表征学习的多任务联合策略，命名为MSSL2drug。设计了六个基本的SSL任务，这些任务的灵感来自于生物医学异构网络的各种模态特征，包括结构、语义和属性。此外，在两种药物发现情境下，利用基于图注意力机制的对抗多任务学习框架对15种多任务组合进行了评估。研究结果表明：(1)与其他多任务联合策略相比，多模态任务组合的性能最佳。(2)局部和全局SSL任务联合训练比随机任务组合训练具有更高的性能。因此，推测，多模式和局部-全局组合策略可以作为多任务SSL药物发现的指导方针。

  3. ：药物靶点相互作用(DTI)预测在药物的虚拟筛选、药物再利用和潜在药物副作用的识别等领域都发挥着重要作用。尽管在DTI预测方面投入了大量的努力，但现有的方法仍然存在DTI数据集的高稀疏性和冷启动问题。在此，将知识图谱(KG)和推荐系统相结合，开发了DTI预测的统一框架KGE_NFM。该框架首先学习KG中各种实体的低维表示，然后通过神经分解机(NFM)集成多模态信息。KGE_NFM在三个现实场景下进行了评估，并在四个基准数据集上实现了准确而稳健的预测，特别是在蛋白质冷启动场景下。

  4. 摘要 ：分子表征学习有助于多个下游任务，例如分子特性预测和药物设计。为了正确表征分子，图对比学习是一种很有前途的范式，因为它利用自我监督信号并且不需要人工注释。然而，先前的工作未能将基础领域知识整合到图语义中，因此忽略了具有共同属性但不直接通过键连接的原子之间的相关性。为了解决这些问题， 构建了一个化学元素知识图谱 (KG) 来总结元素之间的微观关联，并提出了一种用于分子表征学习的新型知识增强对比学习 (KCL) 框架 。 KCL 框架由三个模块组成。第一个模块，知识引导图增强，基于化学元素 KG 增强原始分子图。第二个模块，知识感知图表示，使用用于原始分子图的通用图编码器和知识感知消息传递神经网络 (KMPNN) 提取分子表示，以在增强分子图中编码复杂信息。最后一个模块是一个对比目标，最大化这两种分子图视图之间的一致性。大量实验表明，KCL 在八个分子数据集上获得了针对最先进基线的卓越性能。可视化实验正确地解释了 KCL 从增强分子图中的原子和属性中学到的东西。

  5. 简介 ：构建社交图谱——知识图谱——通过提供更好的清晰度和对异构数据集的访问来改善临床试验的过程和降低成本。

  1. ：是美国国立卫生研究院(NIH)的一个开放化学数据库。"开放"意味着你可以将你的科学数据放在PubChem中，其他人可以使用它。自2004年推出以来，PubChem已成为科学家、学生和公众的关键化学信息资源。每个月，网站和程序化服务为全球数百万用户提供数据。PubChem主要包含小分子，但也有较大的分子，如核苷酸、碳水化合物、脂质、多肽和化学修饰的大分子。收集有关化学结构、标识符、化学和物理性质、生物活动、专利、健康、安全、毒性数据等方面的信息。[]
  2. ChEMBL ：是一个人工管理的具有类药物特性的生物活性分子数据库。它汇集了化学、生物活性和基因组数据，以帮助将基因组信息转化为有效的新药。[]
  3. (Bio-decagon)：是一个用于多药副作用识别问题的数据集，它被构造为一个包含药物和蛋白质两种节点类型的两层多模态图/网络中的多关系链接预测问题。蛋白质-蛋白质相互作用网络描述蛋白质之间的关系。药物-药物相互作用网络包含964种不同类型的边缘(每一种副作用类型对应一条边)，描述了哪些药物对导致哪些副作用。最后，药物-蛋白质连接描述了特定药物所针对的蛋白质。[]
  4. BioGRID ：是一个生物医学交互知识库，其数据通过全面的管理工作编译而成。目前的索引版本为4.2.192，检索了来自主要模式生物物种的75,868篇出版物，涉及种蛋白质和遗传相互作用、29,093种化学相互作用。[]
  5. DrugBank ：是一个全面、免费的在线数据库，包含有关药物和药物目标的信息。作为一种生物信息学和化学信息学资源，将详细的药物(即化学、药理和药学)数据与全面的药物靶点(即序列、结构和通路)信息结合起来。DrugBank Online被制药行业、药物化学家、药剂师、医生、学生和公众广泛使用。[]
  6. KEGG ：是一个从分子水平信息，特别是基因组测序和其他高通量实验技术生成的大规模分子数据集，了解生物系统的高级功能和用途的数据库资源，如细胞、有机体和生态系统。[]
  7. PDBbind ：为蛋白质数据库(PDB)中沉积的所有生物分子复合物提供一个全面的实验测量结合亲和力数据的收集。它提供了这些配合物的能量和结构信息之间的基本联系，这有助于分子识别、药物发现等各种计算和统计研究。[]
  8. BindingDB ：是一个公开的、可通过网络访问的结合亲和力数据库，主要关注被认为是药物靶标的蛋白质与小的类药物分子之间的相互作用。截至2022年2月6日，BindingDB包含41296个条目，每个条目包含一个DOI，包含8661个蛋白质靶标和1,039,940个小分子的个结合数据。[]
  9. UniProt ：为科学界提供全面、高质量和免费获取的蛋白质序列和功能信息资源。[]
  10. Benchmark数据集的更新版本。DILIrank由1036种fda批准的药物组成，根据其引起药物性肝损伤(DILI)的可能性将其分为4类。DILI分类是通过分析fda批准的药物标签文件中出现的肝毒性描述和评估文献中的因果关系证据而得出的。具体地说，这个最大的公开可用注释的DILI数据集包含三个组(vMost-，vLess-和vNo-DILI关注)，其中有证实的因果证据将药物与肝损伤联系起来，还有一个额外的组(ambig- DILI关注)，其因果关系尚未确定。[]
  1. TorchDrug ：Mila 唐建团队开源了机器学习药物研发平台 TorchDrug，这是一个专为药物研发设计的机器学习平台。涵盖从图机器学习（图神经网络、几何深度学习和知识图谱）、深度生成模型到强化学习的技术，它提供了一个全面而灵活的接口来支持 PyTorch 中药物发现模型的快速原型设计。该平台包含四项关键功能，分别为：最小化领域知识、数据集与搭建模块、综合基准测试、可扩展的训练和推理。[]
  2. DeepChem ：DeepChem的目标是提供一个高质量的开源工具链，使深度学习在药物发现、材料科学、量子化学和生物学领域的应用普及。
  3. DeepTox ：DeepTox是一个预测化合物毒性效应的工具，可以预测12000种药物毒性。[]
  4. ORGANIC ：是一种高效的分子生成工具，能够创建具有所需属性的分子。它有一个面向用户的界面，并且不需要HPC集群。[]
  5. PotentialNet ：利用神经网络预测配体的结合亲和力。[]
  6. NERDD ：维也纳大学系列药物发现工具。[]
  • CYPstrate由一系列机器学习分类器(随机森林和支持向量机)组成，用于预测异种生物代谢中9种最重要的人类CYP同工酶的底物和非底物(即CYPs 1A2, 2A6, 2B6, 2C8, 2C9, 2C19, 2D6, 2E1和3A4)。这些模型是在由1831个基板和非基板组成的高质量数据集上进行训练的，这些数据集由公共来源编译而成。
  • CYPlebrity是一组机器学习模型的集合，用于预测一种小型有机化合物是否为不同人类CYPs的抑制剂。目前，CYPlebrity产品包括CYPs 1A2、2C9、2C19、2D6和3A4。这些模型的特点是其广泛的适用性领域，这是对PubChem Bioassay数据库(AIDs 1851、410、883、884、899和891)、ChEMBL数据库和ADME数据库(富士通)编制的综合生物活性数据库进行培训的结果。
  • FAME 3是一组用于预测代谢(SoMs)一期和二期位点的机器学习模型。SoMs是一个代谢反应开始的原子，因此，是一个很好的起点，以确定外生物化合物的代谢命运。
  • GLORY是一种工具，用于预测由属于细胞色素P450 (CYP)酶家族的酶在人体中形成的代谢物。
  • GLORYx是一个工具，预测人类代谢物。包括I期和II期代谢。
  • Hit Dexter是一种机器学习方法，用来估计一个小分子在生化和生物分析中引发积极反应的可能性。这些模型来自于25万种化合物的数据集，这些化合物经过实验确定至少有100种不同的蛋白质组具有活性。
  • NP-Scout是一项免费的网络服务，服务对象是:大型分子文库中天然产物的鉴定；小分子天然产物相似性的量化；天然产物或合成分子特征的小分子中的原子和区域的可视化(基于相似图)。NP-Scout利用由超过265k天然产物和合成分子组成的数据集训练的随机森林分类器。
  • Skin Doctor CP机器学习模型，用于将小型有机化合物分类为皮肤敏感剂和非敏感剂。更具体地说，Skin Doctor CP的核心是一个随机森林二分类器，它被包裹在一个聚合的蒙德里安保形预测框架中。这允许用户为分类定义一个错误重要级别(即错误率)。因此，预测(即敏化剂或非敏化剂)只对预期可靠性达到或超过用户定义的错误率的化合物进行报告。框架的误差显著性级别参数可以调整。Skin Doctor CP是在当地淋巴结试验(LLNA)中测量的1285种化合物的管理数据集上训练的。
  1. DeltaVina ：提供蛋白质配体结合亲和力的评分功能。[]
  2. Neural graph fingerprint ：该软件包实现了以任意大小的分子图作为输入卷积网络。这些对预测新分子的性质很有用，并被设计为Morgan或ECFP指纹的直接替代品。[]
  3. Chemputer ：帮助以标准格式描述化学合成过程。[]
  4. OpenChem ：用于计算化学和药物设计的基于PyTorch的深度学习工具包。提供了简单快速的模型开发、模块化的软件设计和多个数据预处理模块。[]

  1. 题目 ：AI+化学与制药|人工智能为药物研发和化学研究按下快进键
    简介 ：2020年6月29日，青创联盟发起的YOSIA Webinar线上学术研讨会特别推出了“AI+X”科学系列主题，本期主题为AI+化学与制药，汇集化学、制药、化工、生物和AI技术专家，主要针对人工智能在药物发现、化学化工领域的学科交叉研究与应用进行了分享。
    嘉宾 ：翁经科，麻省理工白头生物医学研究所成员、麻省理工学院生物系副教授；李成涛，Galixir星药科技创始人；裴剑锋，北京大学前沿交叉学科研究院特聘研究员, 博士生导师；申威峰，重庆大学特聘研究员，博士生导师；杨东，博士，西湖大学副研究员；杨庆怡，博士，辉瑞有限公司医药计算化学科学家

  2. ：药物发现是一个漫长而昂贵的过程，平均需要10年时间和25亿美元来开发一种新药。人工智能有潜力通过分析生物医学领域产生的大量数据，如生物测定、化学实验和生物医学文献，来显著加速药物发现的进程。最近，在许多不同的领域，包括机器学习、数据挖掘和生物医学领域，人们对开发人工智能技术用于药物发现越来越感兴趣。在本教程中，我们将详细介绍药物发现中的关键问题，如分子性质预测、新生分子设计和分子优化、反合成反应和预测、药物再利用和组合，以及针对这些问题的人工智能关键技术进展。本教程可以作为对药物发现感兴趣的计算机科学家和药物发现从业者的入门材料，以便沿着这个方向学习最新的人工智能技术。

  3. 简介 ：图表示学习技术是机器学习和数据挖掘领域中一个快速发展的主题，专注于图形结构数据的深度学习。由于该领域中的许多数据都是分子和生物医学知识图等图形结构的数据，它为药物发现带来了巨大的机遇。在本次演讲中，将介绍在药物发现的图表示学习方面的最新进展，包括: (1)分子性质预测; (2)从头分子设计与优化; (3)反合成预测。

  4. 简介： 医学中的硅模型是指直接使用计算方法来支持药物的发现和开发。机器学习和数据挖掘方法已经成为硅模型的一个组成部分，并且在药物发现和开发过程的各个阶段都显示出了良好的性能。本教程将介绍数据分析方法在药物研发中的应用，包括概述相关数据和分析任务，然后介绍这些任务的启用数据分析方法；描述这些任务的具体应用。
    讲者： Cao (Danica) Xiao 是IQVIA卓越分析中心的机器学习主任。她正带领IQVIA的北美机器学习团队推动下一代医疗人工智能。她的团队致力于各种疾病建模和硅化药物建模项目（例如，药物不良反应检测、药物重新定位和从头设计）。
    教程PPT：背景，数据，任务（分子表示学习、定量构效关系（QSAR）建模、药物重新定位、药物相互作用、药物分子全新设计），未来方向

敬请关注 和关注专知公众号，获取第一手AI相关知识

人工智能（artificial intelligence，AI）技术被誉为是继第一次工业革命（蒸汽革命）、第二次工业革命（电气革命）、第三次工业革命（计算机革命）之后的第四次工业革命的核心驱动技术之一。21世纪以来，AI技术取得一系列突破性进展，同时逐步渗入至医学行业之中，为医疗模式带来革命性的改变［, ］。本文广泛参考国内外相关领域中AI医学应用的最新研究文献撰写了此综述，旨在为广大临床工作者全面介绍AI在医学中的应用现状及展望，以期推进AI技术在医学领域中新的发展。

一、AI技术的发展与介绍

AI技术在20世纪50年代由“AI之父”——Alan Turing所提出：机器可以拥有类似人类智能的算法，并且通过模拟训练后甚至可以超越人脑，其发表的《计算机与智能》（Computing Machinery and Intelligence）一文正式提出了AI的早期概念［］。历史上，AI技术的发展曾经历过两次热潮［］：第一次热潮（1956—1966年），即AI概念诞生的初期，这一阶段在AI定理证明、计算机算法语言设计方面形成了较多突破；第二次热潮（1975—1990年），这一阶段提出了建立AI专家系统和知识工程的研究方向，并且热点逐步聚焦在“机器学习（machine learning，ML）”的研究方面。ML是实现AI的技术关键，它能模拟人类智慧对现有数据库解析、分析、获得信息并智能判断，是赋予计算机智能的根本。但受限于当时落后的计算机硬件、数据库规模和算法算力等条件，ML这一根本技术一直无法被良好实现，整个AI的发展一度进入寒冬。21世纪以来，随着计算机技术和信息技术的更新换代，“深度学习（deep learning，DL）”的概念被提出，DL算法是通过模拟构建人类大脑思维方式的神经网络机制，能够通过深度神经网络提升ML模型的效能，实现对数据库的深度挖掘和解释，如卷积神经网络（convolutional neural networks，CNNs）为其代表性算法。DL算法的产生使ML得到了更好的实现，因此AI技术在21世纪迎来了第三次发展热潮，目前已形成了以计算机视觉、自然语言图像识别、大数据统计分析、专家决策系统及智能机器人为主的多元化技术方向［］，这些技术方向同时也被逐步应用到了医学领域中，为医学行业带来了巨大革新，有了AI技术辅助传统医疗模式也发生改变，形成了一系列新型诊疗思路。

二、AI技术在医学中的应用

（一）AI技术辅助急诊预检、病情评估

我国各级医院急诊普遍存在患者病情危重、急诊科医师不足等情况，急诊患者候诊时间长、风险大。并且由于医疗资源相对匮乏，急诊科医师工作负荷重，短时间内难以对患者形成全面、准确的预检分流及病情评估。目前各医院急诊科通常使用美国急诊严重度指数（emergency severity index，ESI）和英国曼彻斯特预检标尺（Manchester triage system，MTS）对患者病情进行危重度判断和预检分诊，然而由于患者个体化差异大、医疗人员个人经验占比高等问题，目前急诊患者的评估工作尚存不足。随着AI技术的突破，DL算法模型能够基于急诊数据库建立临床决策智能系统，实现对患者智能预检、病情评估，弥补了急诊科的现状［］。在急诊患者病情评估方面，Fernandes等［］收集了既往使用MTS进行评估的235 826例急诊患者临床资料建立起数据库并以此训练ML算法模型，通过最佳性能优化，该模型的曲线下面积（area under curve，AUC）达到0.96，能够精准预测患者的格拉斯哥昏迷评分、血氧饱和度，实现了高危患者的智能检出，加强临床护理工作开展［］。同样，早期智能预警评分系统TREWS通过对81 520例急诊患者变量分析后，成功对患者入院后各时间节点的死亡率风险作出预测，为加强高危患者的护理提供参考。在智能识别急诊危重患者方面，Joseph等［］通过对445 925例急诊患者（其中危重者60 901例，占比13.7%）的临床数据对DL算法进行学习训练后，最终AUC达到0.851，能够自动识别危重患者并预警，因此急诊科医师可以有选择性安排就诊顺序，对患者的生命健康提供了有力保障。这样的AI技术辅助预检、病情评估的模式，能够为医疗人员提供参考，减轻急诊科工作负荷，优化医疗资源再分配，提高患者诊疗效率的同时降低不良事件发生率及医疗资源浪费，为急诊患者的救治工作带来极大辅助。然而需要注意的是，由于部分危重患者临床特点不典型，也可能误导AI算法错误评估、识别患者情况，因此AI技术辅助急诊预检、病情评估工作的最后一步仍然需要医学专家判决，避免发生医疗事故。

（二）AI技术辅助医学诊断

患者就诊后常产生大量影像、病理、超声、内镜、检验等数据供临床诊断参考，因此如何通过这些庞大的数据作出精准诊断尤为重要。而在临床检查、检验等医技科室同样存在医疗资源不足、高年资医师匮乏等问题，面对海量的临床数据难以快速诊断，加之患者个体化差异大、检查结果不典型、假阴性等问题，高临床工作负荷下医师常有漏诊、误诊可能，这对患者的临床诊断十分不利。AI技术辅助医学诊断，经训练后能对临床数据进行智能诊断，有效解决了这一问题［］。

在影像科，X线、CT、MRI是常用的检查手段，断层扫描产生的庞大影像资料需要影像科医师付出大量精力判读，目前已有多项研究基于DL算法建立了AI模型识别影像资料来解决这一问题。以肺部肺结节疾病的诊断为例，Yoo等［］通过对5 485名吸烟者的胸部X线分析后设计了DL模型，通过训练该模型在对于X线中肺结节的自动识别中敏感性和特异性分别达到了86.2%和85.0%，而对肺癌的自动识别中则达到了75.0%和83.3%，阳性预测值3.8%，阴性预测值99.8%，该结果具备比放射科医师更高的准确率。同样，在对肺部炎症的CT判读中AI也表现出类似的优越性［］，Wang等［］建立CNNs算法模型学习了武汉市1 647例新冠肺炎感染患者和800例非感染患者的胸部CT，随后通过全国多临床机构疑似感染患者的胸部CT进行诊断测试后，模型的敏感性和特异性分别达到了92.3%和85.1%，中位数耗时0.55 min，相较人工判读时间平均减少15 min，为疫情抗击时的快速诊断提供了巨大帮助。关于AI诊断肺部影像资料的准确率，也有研究专门就算法模型和影像科医师判读水平进行对比后发现，目前AI技术已经能完全胜任胸部影像资料的判读并已达到影像科医师水平，有效加快了影像科判读工作流程，节省医疗资源［］。同样，在骨骼疾病的诊断中，常规的骨骼判读较为容易，但在短骨、扁骨、骨盆、脊柱等不规则骨的诊断中仍存在不足。例如足部诸跗骨骨折由于解剖复杂、骨折线隐匿等特点，一直是骨科领域中难以诊断、易发生漏诊的问题，对此有CNNs算法专门就患者足部的X线进行学习后，实现了对舟骨骨折识别的76%敏感性、92%特异性，AUC达到0.84，限于数据库的规模，算法识别水平虽暂不能达到骨科专家效果，但已优于临床一线医师水平［］。在对于桡骨远端骨折的识别中，基于更大数据库（2 340例患者）的CNNs算法最终AUC达到0.96，显示出与骨科专家相似的判读性能［］。在对肋骨的隐匿性骨折识别中，有了CNNs算法的辅助，骨科专家的识别准确度由80.3%提高到91.1%，敏感度由62.4%提高到86.3%，并且平均诊断时间缩短73.9 s［］。在肱骨髁上骨折、踝关节骨折及骨盆骨折的识别中，AI技术也达到了满意的临床水平，这无异于对患者精确诊断提供巨大帮助，弥补了临床上隐匿性骨折难识别、易漏诊等问题［, , ］。在脊柱侧弯的识别中，同样有研究以AI算法实现了对患者脊柱影像数据的快速识别，最终对脊柱侧弯诊断及程度分型的灵敏度和特异性分别达到了86.5%和96.9%，并且对Cobb角的识别精度可达6 °以下，当Cobb角超过30 °时能够达到100%识别［］。类似地，基于AI算法分析CT、MRI影像资料，关节炎、骨质疏松、运动系统损伤以及骨龄的诊断效能都得到有效提升，不但提高了诊断效率和准确率，同时也大大降低了影像科医师的工作负荷［,

在病理科，病理组织切片是最常用的检查方法。同样，各个临床科室的大量病理组织切片统一汇集至病理科后，读片工作给病理科医师带来了巨大工作负荷，尤其对于恶性非典型表现病理组织更是需要高年资医师消耗大量时间和精力完成判读。组织的病理学诊断是决定临床治疗决策的关键，一旦出现漏诊、误诊将延误最佳治疗时机，给患者带来巨大灾难。随着AI和数字化玻片成像技术的普及，病理科的诊断工作更加便捷，AI技术辅助病理读片也获得了发展机会，目前已在切片的肿瘤区域识别、转移检测、病理图像分割等方面显示出卓越成效［］。在胃部肿瘤的病理诊断中，Kosaraju等［］提出的基于多任务的DL算法模型——Deep-Hipo，能够对切片图像多尺度斑块同时采集并进行病理学分析，在对胃部组织切片的判读中能够准确识别正常胃黏膜和高分化、中分化、低分化腺癌以及印戒细胞症，该功能在结肠腺癌病理切片的识别中获得同样效果。对肺部肿瘤的病理识别，Kanavati等［］基于EfficientNet-B3架构训练了CNNs模型，能够准确识别出肺部组织切片中的良恶性病变。还有学者通过建立DL模型以识别基底细胞癌病理图像，不但实现了较高的敏感性（97%）和特异性（94%），并成功将算法植入智能手机，病理科医师仅需要使用智能手机对显微镜目镜拍照上传，经（4.1±1.4）s后即可获得准确的病理诊断结果［］。AI技术的辅助能够为病理科的读片、诊断工作提供便捷，使得病理结果产出更加高效、准确，同时有效减轻了病理科医师的工作负荷，同时也是迈向精准病理诊断的新一步［］。

在超声科与内镜室，AI技术同样为超声和内镜的疾病诊断带来了高效辅助。基于DL的空间域和傅里叶变换频率域两个领域提取超声图像信息特征所建立的算法模型，其效能在区分甲状腺结节的良恶性方面超过了其他任何方法，改善了传统诊断方法中因过度依靠超声科医师个人经验而常出现的误诊情况［］。也有研究使用AI算法学习超声心动图，可以智能捕捉心尖四腔观、双腔观及胸骨旁长轴环并估算出左心室射血分数，其准确性达到了超声科专家水平，能够为低年资超声科医师提供有效指导［］。

在内镜检查中，胶囊内镜的出现将人类对胃肠道疾病的认知提升到了新的高度。然而，患者平均长达10 h的胶囊内镜视频的判读工作给内镜室及消化内科医师带来了沉重的压力，用时（96.60±22.53）min才能完成1例患者的结果判读，精力消耗极大。对此，Ding等［］通过来自国内77家医疗中心6 970例患者的1.13亿张胃肠道胶囊内镜图像建立了CNNs算法模型，基于庞大数据库的训练，该模型对于胃肠道中正常组织和异常组织的识别敏感性达到99.9%。并且在识别出异常组织后，其对于炎症、溃疡、息肉、淋巴管扩张、出血、血管疾病、突出病灶、淋巴滤泡增生、憩室、寄生虫等异常病灶的分类敏感性也达到了76.8%，超过了内镜、消化内科专家平均水平，耗时仅为（5.90±2.23）min，显著降低了人力资源的消耗，极大推动了胃肠道疾病胶囊内镜的诊断工作。AI技术的辅助为超声科和内镜室的诊断工作带来了巨大的发展，依托AI技术，过去耗时耗力的诊断工作更加快速、准确，为患者的健康提供保障。然而同样需要注意的是，由于目前AI算法水平尚未十分完善，仍有可能发生识别错误导致临床误诊、漏诊，因此AI技术辅助医学诊断的最后一步仍然需要医学专家的终审。

（三）AI技术辅助治疗方案决策及外科手术

治疗方案的决策是保障患者治疗效果的关键，但在临床治疗中对于采取手术或保守治疗不同临床医师常持相异观点，临床治疗方案决策存在一定风险。AI技术在规划决策、大数据分析领域的发展能够全面分析患者情况，为临床方案决策提供科学参考，改善了上述情况。

基于ML的模拟运算功能，临床风险计算器应运而生，能够通过分析既往患者的治疗方案和临床转归情况以对新患者进行预测，并通过10倍交叉验证所得结果，模型预测水平和临床真实转归仅有3.4%的误差［］。同样也有研究通过AI技术推出了最优分类树模型POTTER，该模型能够通过算法判断是否对患者采取手术，及术后30 d内感染、脓毒症、死亡等不良并发症发生概率［］。POTTER模型推出后在临床工作中获得了良好效果，但由于数据库规模限制仍存在一定局限性。随后，又有研究进一步基于超过5万例患者的临床数据进行了算法构建，推出了程序：“我的手术风险”，通过患者术前临床数据对患者术后伤口愈合不良、脓毒症、静脉血栓、重症监护病房监护、机械通气、急性肾损伤、神经系统和心血管障碍以及术后24个月内死亡率等8种不良转归精确预测，并且AUC值达到了0.94，能为临床医师选择风险最小的方案［］。类似地，Durand等［］通过算法对1 053例脊柱畸形的患者进行了手术或保守治疗的预测，通过既往史、影像学结果、正位片及侧位片的解剖参数测量等分析，模型最终预测的精度达到86%，对临床脊柱畸形的治疗提供决策参考；同样，杨俭等［］通过DeepSurv算法、多分类器融合模型等AI技术，实现了对原发性肝癌患者的治疗方案智能决策、预后预测，通过院内多学科会诊验证后证实算法准确度达到94.13%。AI技术能够在患者入院后通过病情状态全面分析并提出科学化决策建议，在早期可以为临床医师选择手术或保守治疗方案提供有力参考，经过利弊权衡，最终促成最优治疗方案，很大程度上避免了错误的治疗方案及临床恶性后果，保障了临床患者生命健康。对于已确定需手术治疗的患者，依托AI技术，手术的开展也得到了进一步促进。例如在椎弓根螺钉置入术中，通过ML进行图像分析后，能够自动、智能识别到多个椎弓根标志点，为术中精准定位及微创手术提供帮助［］。Forestier等［］通过算法分析患者脊柱侧弯情况后，成功实现了术中最佳节段选择、术中下一步操作预测，并且准确率高达到95%，使手术医师的术中操作更加安全、精准。然而依然需要注意的是，由于术中情况错综复杂，完全依赖于AI技术仍有可能发生操作失误导致手术失败，因此AI技术辅助治疗方案决策及外科手术的过程中仍需要外科专家全程参与、监督，避免发生医疗事故。

另外值得一提的是，谈及AI技术辅助外科手术的话题，外科手术机器人的概念首当其冲。研究调查表明，当代社会对现代外科手术机器人的临床效果表示认可，并认为这样的AI机器人可能会取代外科医师［］。同样，也有部分学者把现代外科手术机器人纳入了AI技术的应用范围内，指出目前临床上外科手术机器人已广泛投入使用，能够智能化完成外科手术并且效果甚至超越外科医师水平［, ］。其实不然，虽然早在20世纪80年代时期，初代外科手术机器人PUMA-200成功在手术中取得了良好辅助疗效［］，经过几十年的快速发展，如今由麻省理工学院设计发明的达·芬奇手术机器人也已广泛应用在了诸多外科手术之中，通过手术路径规划、切割范围确定、实时导航等功能结合更精细、灵活的操作优势，为普外、泌尿外科等多个领域手术的安全性、精准性和高效性带来了突破发展［, ］，包括由我国北京积水潭医院自主研发的天玑骨科手术机器人［］、南方医科大学的Orthobot脊柱手术机器人［］更是融入了肌骨压力智能反馈的保护机制，在相关手术的安全性方面进一步取得卓越成效。尽管上述手术机器人的应用确实对外科手术起到了巨大的增益作用，但是从目前阶段来看其工作原理还不具备任何AI算法的色彩，也没有实现完全的智能化。外科手术机器人在手术中发挥的作用仍完全依赖于操作者的控制，并且作用效能也很大程度上取决于操作者的水平高低，因此更倾向于是一种高级的机械手术刀，能通过灵活、精细的切割工具和便捷的控制面板来实现传统外科手术中的困难操作，提高了手术的灵活性和精准性。这一点，本综述认为值得向广大医疗工作者强调。现阶段多数人把外科手术机器人同AI的概念混淆，其原因可能由于市面上过度的功能宣传和过高的主观期望，同时作为新时代的尖端技术，相关概念尚不成熟也造成了理解误区。但是，基于计算机系统的外科手术机器人仍具有实现AI技术的潜在远景，并且其最终的发展形态一定是与AI技术的融合，也只有在这一阶段才能真正创造出自主、智能操作的手术机器人。

（四）AI技术辅助麻醉、护理、康复治疗

安全的术中麻醉、优质的护理和有效的康复治疗是患者围手术期的重要环节，也是降低患者术后并发症的关键所在，AI技术的卓越发展也为上述环节的临床工作带来了推动。麻醉实施的安全性和效果不可避免地依赖于麻醉医师的水平，因此麻醉医师的水平差异导致麻醉效果不尽相同。通过AI技术的辅助，这一问题同样得到有效改善，患者术中麻醉效果和安全系数水平相应提高，并主要体现在六个方面：（1）麻醉安全监测；（2）麻醉深度控制；（3）麻醉不良事件预测；（4）智能超声辅助；（5）智能疼痛管理；（6）麻醉手术室智能管理［］。例如，经过训练后的ML算法已能够成功实现对于麻醉患者气道插管的管理评估、诊断、协助以及预测，这对麻醉期间气道安全的监测和预警有很大帮助［］。同样，在患者的临床护理工作中AI技术也起到重要作用。基于AI技术的无线传感器能够通过收集监护仪器产生的临床数据进行分析，实时监测重症患者的同时还能够早期预警患者不良并发症和死亡可能，有效减少了临床危急值假阳性误报，加强患者生命健康保障，同时也减轻了临床护士的工作负荷［］。并且，基于AI算法的精确给药系统已通过临床测试和效果验证，相信在不久的未来将会投入临床护理应用［］。在院外患者的康复治疗中，AI技术也可以促进患者功能恢复，为康复治疗带来便利。例如AI可穿戴式设备，可以在院外实时收集患者的健康参数并通过算法分析、反馈，当发现危急情况时向临床医生预警，加强了患者院外康复的随访和监管［］。通过弱视患者视觉功能、康复需求和生活评分等数据训练的DL算法也能够加强视力辅助设备的开发，弱视患者佩戴后可以通过自身数据特征产生个体化辅助效果，对其院外康复、生活带来帮助［］。并且，融合AI和虚拟现实技术的智能康复训练设备能够根据患者的实时反应提出最优训练方案，这样的康复设备可以帮助临床医师和患者优化康复方案与康复管理，构建更舒适、安全、高效、远程的协同康复系统［］。这样的AI技术辅助麻醉、护理和康复治疗的模式，能够提高临床监管效率，降低不良事件发生率，为患者提供安全、有效的保障。

（五）AI技术辅助药理研究、医药研发

传统的药理研究需要经过靶标确定、成分设计、体内外试验、临床试验等步骤，周期可长达10~20年，这对于临床药物研发十分不利。网络药理学方法的提出打破了药理学研究“单一药物-单一靶点-单一疾病”的传统模式，成为药理学研究系统化新方法。但随着药理学数据爆炸式增长，如何在规模庞大药理数据中提取、挖掘有效数据并建立关联已成为药理研究的最重要需求［］。AI技术的发展弥补了这一不足，通过AI技术可以指导药理化学合成、辅助数据多维描述、增强药理化学理论以及靶向挖掘新化合物［］，最终能够通过靶标预测、药物成分筛选、鉴定以选择合适成分，并对药物成分进行效力计算、分析合成可行性，制定出不同药物成分间的最优配比方案，为药物的药理学研究和医药研发带来了巨大辅助［］。并且，对于分子药物领域和材料药物领域，AI技术也能够通过对有限的数据进行“元学习”以实现深度挖掘、扩增有效信息量，提高药理研究的效率［］。AI医药研发公司Insilico medicine最近发表了一项使用DL算法来进行小分子药物设计的研究，通过21 d的模型建立和药物设计周期成功研发出一款新型的盘状蛋白结构域受体抑制剂，其效果和药代动力学在小鼠体内得到有效验证，对临床纤维化疾病的预防及治疗有重要意义［］。相较于传统药物漫长的药理学研究周期，AI技术辅助下的低研发成本、短研发周期、高药物性能模式脱颖而出，能够加速合成生物学发展，甚至推动新型分子的数据挖掘。

在2020年新型冠状病毒的药物和疫苗研发工作中，AI技术也发挥了重要作用。有研究通过DL算法反向检测蛋白序列后成功预测了新冠病毒的潜在靶点，并提出一种含有结构蛋白和非结构蛋白的“Sp/Nsp鸡尾酒疫苗”，对新冠疫苗的研发有促进作用［］。类似地，使用DL算法分析来自不同国家的新冠病毒序列能够确立出病毒保守基因并建立多肽数据库，为新冠疫苗和药物的研发提供科学参考［］。AI技术还能够对现有药物进行二次挖掘，预测潜在药效，实现药物的再利用。经过二次挖掘，博赛匹韦、氯喹、盐霉素等近80种上市药物被证实具有抵抗新冠病毒的潜在药效［］。对于我国传统中医自主研发的新冠特效药“清肺排毒汤”，AI技术也作出了合理的科学分析，经过算法验证后证实了“清肺排毒汤”的配伍药物中具备多个新冠有效靶点，能通过多种分子信号通路有效抗击新冠病毒［］。这样的AI技术辅助医药开发的新型模式能显著提高研发效率，降低研发成本，未来势必会成为医药研发行业的新领域。

随着算法算力、计算机硬件水平的提升和大数据时代的来临，AI技术已获得蓬勃发展并渗入医学领域之中改变了传统医疗的方式，在急诊预检、病情评估、医学诊断、治疗方案决策及外科手术、麻醉、护理、康复治疗、药理研究和医药开发等临床工作中起到了不可忽视的辅助作用，为临床工作带来巨大便利。然而，虽然AI技术为临床带来了诸多便利，但作为一项兴起的新技术还仍处于起步阶段，医学相关的算法模型仍不成熟，尚存在系统故障和算法错误的风险，这将造成上述临床评估、诊断、方案规划等工作的误判，最终误导临床医生决策错误酿成医疗事故，医学AI的安全性仍待进一步提高。因此临床医生在借助AI技术便利的同时仍需保持清醒客观的认识，不能形成完全依赖，AI辅助的最终环节仍需医学专家严格地加以人工审核判决。并且，由于目前国内关于AI辅助医疗工作的法律法规尚不健全，因此当出现算法错误而发生医疗纠纷时，也还无法进行合理的权责分配以保障患者及临床工作者的权益。未来，AI技术若要进一步与医学融合、实现全面推广，仍面临重大挑战。

李晓理, 张博, 王康, 等. 人工智能的发展及应用[J]. 北京工业大学学报, 2020,

吕文晖, 夏菲, 周长圣, 等. 深度学习胸部CT辅助诊断系统在急诊创伤人群中的应用[J]. 中华医学杂志, 2021,

王炯亮, 李文轩, 陈敏山, 等. 人工智能在肝细胞癌研究的应用现状与前景[J]. 中华医学杂志, 2021,

杨俭, 郭飞, 吕涛, 等. 肝癌人工智能临床决策支持系统研究[J]. 中华医学杂志, 2020,

林云志, 方国芳, 李修往, 等. 半自动脊柱手术机器人系统在脊柱外科治疗中的应用[J]. 中国组织工程研究, 2020,

鄢海燕, 邹妍, 邹纯才. 基于网络药理学和分子对接技术分析清肺排毒汤治疗COVID-19的机制[J]. 南方医科大学学报, 2020,

2022世界人工智能大会

DAY 2亮点集锦大回放，精彩不容错过

今年大会的主题是“智联世界 元生无界”，旨在充分把握人工智能与元宇宙相融互促的发展趋势，连接汇聚世界人工智能最新观点和成果，传递无界共生的创新理念，展现上海智能时代的美好图景。

本届大会按照“会、展、赛、用、才”五大板块进行整体设计，充分展现人工智能+元宇宙领域的“硬核新科技、产业新赛道、未来新场景、治理新议题”，全力打造创新策源能力更强、智能化体验更优、资源链接度更高的行业盛会。

（一）法治论坛——数字法治:供给和适用

2022世界人工智能大会法治论坛今天举行。最高人民法院副院长杨临萍，最高人民检察院副检察长张雪樵，中国法学会副会长张苏军，上海市人大常委会副主任肖贵玉，上海市人民政府副市长、市公安局局长舒庆等线上线下出席论坛并致辞。

市高级法院院长刘晓云、市检察院代理检察长陈勇、市法学会会长崔亚东出席论坛。论坛发布了《世界人工智能法治蓝皮书（2022）》、“人工智能法治发展指数)、亿欧国际站(EqualOcean.com)、研究和咨询服务亿欧智库(EO

电通(上海)投资有限公司

电通中国隶属于电通国际，由五大领导品牌组成——凯络Carat、电通创意DENTSU CREATIVE、dentsu X、安布思沛iProspect、美库尔Merkle，各品牌由其专业团队支持并提供规模化服务。电通中国致力于为客户提供高水准的媒体、客户体验管理和创意传播服务，帮助客户赢得、保留和发展优秀消费者群体，实现企业成功之道。

广州故新智能科技有限责任公司

故新智能企业的首席文档官。故新智能是一家以人工智能技术为核心的科技公司，致力于把最前沿的人工智能技术落地于企业文档文书场景中，为企业提供一个安全的、独立的、专属的、数智化的“AI文档中心”。故新AI文档系统不仅能提供统一的文档管理平台，Kushim AI针对企业级文档进行数据结构化处理，将文本信息进行识别提取并以字段入库，让文档内容成为企业数字化资产，实现更高利用价值。

中国太平洋保险(集团)股份有限公司

中国太平洋保险(集团)股份有限公司(以下称“太平洋保险”)是在1991年5月13日成立的中国太平洋保险公司基础上组建而成的保险集团公司，总部设在上海，是国内领先的综合性保险集团，并是首家A+H+G(上海、香港、伦敦)三地上市的保险公司。太平洋保险拥有人寿保险、财产保险、养老保险、健康保险、农业保险和资产管理等在内的保险全牌照，为客户提供全方位风险保障解决方案、财富规划和资产管理服务。

上海船舶研究设计院成立于1964年，是我国船舶设计领域规模最大、船型最丰富、市场占有率最高、人才队伍最稳定的研究设计单位之一。为客户提供各类运输船舶、豪华邮轮、海洋资源开发装备和特种船舶的研发设计服务。聚焦船舶的智能化升级和节能减排，不断推出面向未来、引领市场的新船型。上船院的应用产业正快速发展，产品涵盖扇形导管、节能毂帽、高效舵等水动力节能装置；智能系统、船舶营运数据分析服务；燃气供气系统等。

上海兰桂骐技术发展股份有限公司

兰桂骐集团是全球智能农业的开拓者及新锐力量，集团总部设立于上海市临港新片区，致力于通过科技与数据之力，助力中国粮食安全、乡村振兴以及三农三产融合发展。

上海人工智能产业股权投资基金合伙企业(有限合伙)

上海人工智能产业投资基金(简称“上海AI基金”)是经上海市政府批准同意，由上海国盛集团、临港集团联合发起设立，旨在贯彻落实世界人工智能大会成果，加快推进上海人工智能高质量发展。基金聚焦人工智能核心技术和关键应用，同时关注优秀创业者陪护和生态资源的持续积累，致力于打造人工智能产业发展各类要素联通的“一站式”平台，助力建设人工智能“上海高地”，同时为产业升级变革创造长期价值。

安擎(天津)计算机有限公司

安擎(天津)计算机有限公司，是中国领先的AI服务器及定制化方案提供商，并具备专业的服务器全生命周期研产能力。安擎的解决方案已广泛应用于人工智能、互联网、云计算、安防、政府、交通、金融、电力、教科研、医疗等行业及领域。在IDC2021年最新排名中，安擎位居中国AI服务器出货量第二名!自2019H1首次进入IDC榜单以来，安擎在中国的市场份额一直名列前茅。

共达地创新技术(深圳)有限公司

共达地创立于2020年，总部位于中国广东省深圳市，是全球领先的AutoML自动化AI训练平台提供商，在业界率先实现了AI视觉算法端到端的全流程自动化开发。面向超大规模精细化的未来AI需求，共达地致力于为所有行业、组织和开发者提供前所未有的加速赋能，以0代码自动化方式实现AI算法的训练、部署和迭代，助力客户向AI化敏捷转型，构建无所不及的智能世界。

宝德计算机系统股份有限公司

宝德计算成立于2003年，是以服务器和PC整机的研发、生产、销售及提供相关的综合解决方案为主营业务的国家级高新技术企业和国家专精特新“小巨人”企业，致力于成为中国领先的IT产品和解决方案提供商，为客户持续提供先进的算力产品、解决方案和全栈服务。并凭借不断创新的产品技术和独特的软硬件综合实力，宝德计算勇夺信创市场NO.1，稳居X86服务器国内品牌TOP5和全球TOP9、中国AI服务器NO.3。

北京中关村科金技术有限公司

北京中关村科金技术有限公司是国内领先的人工智能科技公司，已获得IDG资本、光大控股、中金资本等知名投资机构共计约35亿元战略投资。中关村科金是国家高新技术企业、北京专精特新“小巨人”企业和中关村高新技术企业。公司通过人工智能、大数据、生物识别等前沿科技，以AI+得助数字化营销·运营·服务为引擎，得助系列智能产品为支撑，为500余家金融、零售、教育、医疗、智能制造行业头部企业提供数字化解决方案，为数字中国的建设做出贡献。

众安信息技术服务有限公司

众安科技是众安在线财产保险股份有限公司旗下全资子公司。基于人工智能、大数据、云计算等前沿技术的探索与研发，融合众安生态优势，经过实际业务验证，打造“科技+服务”的价值交付体系。围绕三大标准化科技产品系列以及战略轻咨询、全域数字化运营、技术共建等定制化服务，为企业级客户提供咨询、规划和交付的全链路数字化转型解决方案，助力客户实现业务快速增长，加速数字化转型升级。至今国内外科技输出客户超600。

北京爱数智慧科技有限公司

Magic Data是一家全球领先AI数据解决方案提供商，为人工智能领域研发企业和科研机构提供数据处理工具、AI数据集和采标服务三大核心产品，产品涵盖智慧出行、智慧金融、智能社交、智能家居、智能终端等五大行业，迄今服务了微软、高通、英伟达、阿里巴巴、百度、腾讯等国内外近200家合作伙伴。

上海永力信息科技股份有限公司

毛驴快跑是永力信息旗下无人驾驶解决方案品牌，永力信息成立于2011年，是专注IOT及L4无人驾驶技术研发的高新技术企业。基于自研的无人驾驶线控底盘核心硬件、运动控制系统、导航系统和决策系统，结合自研的高精度定位算法Uni-HPP，3D点云和匹配算法，融合GPS和无线射频定位技术，多传感器融合和目标检测算法，实现环境的智能感知和自主决策和导航。

宸联科技(上海)有限公司

宸联科技(上海)有限公司(Neousys宸曜科技)成立于2010年，专注于设计制造兼具强固及超紧凑的无风扇嵌入式工业电脑和智能系统，核心技术涵盖嵌入式运算及工控数据的采集和处理。宸联科技的产品致力于创新并集成所有应用面向的功能，是自动化，机器视觉，交通运输，GPU智能计算，无人车，安防监控和视频分析等工控业界的指标解决方案。

宁畅信息产业(北京)有限公司

宁畅是集研发、生产、部署、运维一体的服务器厂商，及IT系统解决方案提供商，为全行业客户提供基于X86架构通用机架、人工智能、多节点、边缘计算及JDM全生命周期定制等多类型服务器及IT基础设施产品。宁畅团队专注服务器领域已有15年，核心团队研发服务器产品广泛应用于互联网、电信、金融、医疗、教育等行业。研发人员占比90%以上，在北京等多地设有研发中心；在全国各省市建有完善的销售及服务网络。

上海鼎方电子科技有限公司

上海鼎方电子科技有限公司是专业的自动识别产品供应商和识别应用系统集成商。同时聚焦医院医护人员在日常工作上的应用需求，提供竞争力的智能化、自动化解决方案和服务，持续为客户创造最大的价值。公司产品涵盖了采样管智能贴标系统及设备，条码打印机、条码扫描枪、条码打印耗材、移动数据采集终端、无线网络设备、无线射频识别设备(RFID)、移动护理相关产品等。

杭州云深处科技有限公司

杭州云深处科技(DEEP Robotics)是全球四足机器人行业应用引领者，也是亚洲第一家开展行业应用的智能四足机器人企业。云深处始于2017年，自主研发的“绝影”系列机器人已在安防巡检、勘测探索、公共救援等多种应用环境中落地推广。目前，云深处科技正同国家电网、南方电网、华为、中电海康、广联达等行业巨头开展长期深度合作。

上海复旦微电子集团股份有限公司

上海复旦微电子集团股份有限公司(“复旦微电”，上交所科创板证券代码:688385.SH；“上海复旦”，港交所股份代号:01385.HK)是国内从事超大规模集成电路的设计、开发、生产(测试)和提供系统解决方案的专业公司。公司于1998年7月创办，并于2000年在香港上市，2014年转香港主板，是国内成立最早、首家上市的股份制集成电路设计企业。2021年登陆上交所科创板，形成“A+H”资本格局。

皓视光子(苏州)智能科技有限公司

Ouster(NYSE:OUST)是全球领先的高分辨率数字激光雷达供应商，致力于为自动驾驶、工业自动化、智慧基建和机器人行业提供所需的激光雷达传感器，以创建更安全可持续的未来。Ouster激光雷达同时实现了高性能和低成本，能够根据客户要求定制，以满足数百个不同应用场景的需求，赋能各个行业的自动化变革。截至目前，Ouster已在欧美、亚太和中东设有办公室，赢得600+客户，覆盖全球50+国家和地区。

北京华宇信息技术有限公司

北京华宇信息技术有限公司(简称“华宇信息”)成立于2009年9月9日，注册资金8.5亿元，现拥有员工近3000人。华宇信息以“法律科技”和“智慧政务”双轮驱动为发展战略，为客户的信息化事业提供全方位的解决方案与服务，是您值得信赖的智慧信息服务专家。华宇信息目前拥有200余项具有自主知识产权的软件产品和百余项行业解决方案。涵盖大数据、人工智能、基础软件、智能终端等，主要产品和技术居于国内先进地位

杭州悦数科技有限公司成立于2018年，是一家科技型创业公司，其核心团队成员来自于阿里巴巴、华为、IBM等国内外知名公司，在分布式图数据库、移动大数据、数据存储管理等领域有丰富的研发和项目管理经验。公司致力于打造世界领先的开源分布式图数据库产品Nebula Graph，为全球企业提供稳定高效的互联网基础技术服务。成立3年来，在用户实际生产场景中不断打磨，产品成熟度大幅提升，真正为企业赋能。

北京冲量在线科技有限公司

冲量在线是一家专注于数据流通与隐私计算解决方案的科技创新企业，拥有高新企业认证，总部位于北京中关村，并在上海张江设有全资子公司。截止2021年年底，已获得全球顶级美元基金IDG资本数百万美元和苏州国资元禾元点数千万人民币融资。公司核心团队成员都来自于百度、微软、华为、字节跳动等高科技公司，技术氛围浓厚，企业文化简单开放，扁平化管理。

钛虎机器人科技(上海)有限公司

钛虎机器人成立于2020年8月，坐落于上海闵行交通大学零号湾科技创新中心，是一家提供机器人高端硬件与机器人整体解决方案的高科技公司，专注于机器人硬件的定制服务、研发生产。目前，钛虎机器人是国内唯一一家有能力提供人形机器人以及全身外骨骼，并拥有完整规格机器人关节模组的研发制造公司，甚至包括末端的五指灵巧仿生手。

致力于为客户提供全面高效、稳定可靠的机器人硬件与机器人控制技术解决方案。

国际电气电子工程师学会

IEEE(国际电气电子工程师学会)作为一个非营利性组织，目前是全球规模最大的行业技术学会。IEEE Xplore提供前沿技术期刊、会议、标准、电子书以及在线课程等高质量科研信息。其强大易用的检索系统以及500余万篇全文科技文献，打开通往全球电子电气工程、计算机科学等相关领域的大门。更全面地领略当今世界科技发展的前沿成果，更方便快捷地获取全球最先进的高价值文献，节省您的研发投入，不断提升研发效率。

成都数之联科技股份有限公司

成都数之联科技股份有限公司是一家以计算机视觉技术、多维数据分析挖掘技术和自然语言处理技术为核心的大数据与人工智能产品及解决方案服务商。公司聚焦“智能制造、智慧城市”两大领域，依托“一体化云原生数智服务平台”，为政府、企业和国防单位提供数据治理、数据可视化分析、数据挖掘等面向平台和场景的数智化技术服务，助力客户实现降本、增效、提质。

竹间智能科技(上海)有限公司

竹间智能由前微软(亚洲)互联网工程院副院长简仁贤先生在2015年创办，专注于自然语言理解、知识工程和情感计算，为企业打造端到端的AI数字员工，使其实现销售、客户服务、业务处理的智能自动化，从而提升客户体验，帮助企业提高收入、增加效能、降低成本。

北京新纽科技有限公司，成立于2011年，是一家获得国家高新技术企业、中关村高新技术企业“双高新”认证并拥有CMMI5最高等级认证的高科技企业。公司拥有独立软件研发中心，并与国内多家知名学府开展合作。目前，北京新纽以人工智能、大数据分析等自主研发技术为基础的IT解决方案及产品已陆续实现在金融、医疗及通用行业领域的广泛推广及应用，并已在海南、上海、陕西、新疆等地设有分、子公司并在苏州设有办事处。

昆仑芯(北京)科技有限公司

昆仑芯科技前身为百度智能芯片及架构部，于2021年4月完成独立融资。公司深耕AI加速领域十余年，是一家在体系结构、芯片实现、软件系统和场景应用均有深厚积累的AI芯片企业。秉承着“让计算更智能”的使命，昆仑芯科技专注打造拥有强大通用性、易用性和高性能的通用AI芯片，目前已实现两代通用AI芯片产品的量产及落地应用，在互联网、智算中心、智慧城市等领域均有规模部署，帮助政企加速产业智能化布局。

海飞科(上海)信息技术有限公司

海飞科是一家成立于2019年的高科技初创企业，致力于GPU芯片研发，并建立通用并行计算的软件开发生态。海飞科以为人工智能和大数据处理提供高性能算力为使命，汇集了一批行业内的顶级专家，研发自主创新的并行计算架构，GPU芯片、板卡和全栈软件平台,支持服务器厂商提供软硬件解决方案；并使产品在算力的通用可编程性、有效利用率、算力密度和规模等主要指标具备核心竞争力；推动和引领并行处理器的发展。

北京来也网络科技有限公司

来也科技成立于2015年，是中国乃至全球智能自动化行业的领导者。致力于为客户提供变革性的智能自动化解决方案，提升组织生产力和办公效率，释放员工潜力，助力政企实现智能时代的人机协同。来也科技的产品是一套智能自动化平台，包含机器人流程自动化、智能文档处理、对话式AI等，申请及获得认证的中国及全球RPA专利超400项，在一众RPA供应商、软件公司及行业RPA应用领先企业中遥遥领先。

北京忆芯科技有限公司成立于2015年底，作为国内较早从事高性能固态硬盘主控芯片研发的企业，致力于成为赋能大数据应用的芯片全球领导者。经过7年的发展，公司已成长为国内领先的高端PCIeSSD主控芯片和成品盘供应商，为各行业的信息化发展提供高质量芯片级底层保障，业务方向覆盖消费级、工业级和企业级，主控芯片及解决方案。

上海艺赛旗软件股份有限公司

上海艺赛旗软件股份有限公司是一家专业从事智能软件研发及技术服务的高新技术企业。公司成立于2011年，总部位于上海，研发中心位于南京，在北京、广州、深圳等地设有分支机构。公司通过机器人流程自动化软件(iS-RPA)、机器人流程挖掘软件(iS-RPM)及桌面行为分析软件(iS-CDA)等产品组合为行业客户提供智能化、数字化服务，实现降本增效，帮助客户成功。

上海外服(集团)有限公司

上海外服(集团)有限公司成立于1984年，依托38年丰富实践和专业底蕴，秉承“筑桥引路、聚才兴业”的企业使命，以“咨询+技术+外包”的独特服务模式，聚焦“人事管理、人才派遣、薪酬福利、招聘及灵活用工和业务外包”五项主营业务，为各类企业提供融合本土智慧和全球视野的全方位人力资源解决方案，为上海人才高地建设、“一带一路”建设、“长三角一体化”战略实施提供强有力的人才支撑。

北京中科闻歌科技股份有限公司

中科闻歌是中国科学院旗下企业，2017年成立，定位于全国领先的数据与决策智能服务商，聚焦AI+DI+OR智能核心引擎研发，面向数智安全、数智媒宣、数智金税、数智城市、数智商业五大领域，提供大数据与人工智能基础平台及解决方案，获中科院“弘光专项”、国家科技创新2030“新一代人工智能”重大项支持，已入选国家“专精特新”小巨人企业，获数博会“领先科技成果奖”、“王选新闻科学技术奖”一等奖等奖项。

TranslaiAI人机交互语言服务云平台隶属于上海臻柚科技有限公司，作为语言科技领域的新锐品牌，Translai正在用「智能定制」重新定义数字化时代下的语言服务新模式。先后推出AI人机交互工作流(获得ISO9001质量认证)和基于语言服务低代码引擎的一站式智能定制服务。Translai根植于语言科学，通过产品和商业模式创新深度链接人才、客户和技术服务商三端，致力于用SaaS的标准化交付方式满足企业客户的个性化需求。

明芒(上海)电子科技有限公司

DeepBrain AI明芒科技作为制作数字虚拟人的创新型企业，是一家专业的人工智能公司，拥有影像合成和语音合成底层技术的全球三大企业之一。Deepbrain AI明芒科技采用人工智能语音合成、影像合成技术，提供可与真人共情、进行沟通的虚拟人服务。Deepbrain AI明芒科技以清晰生动的AI人物及智能的人机互动体验，为各行各业提供高水平的AI人工智能视频合成解决方案，大大降低人力和拍摄成本，提高了生产效率。

北京容联易通信息技术有限公司

容联云，中国领先的多业务云通讯服务商，以卓越、稳定的通讯能力和行业前沿的云计算、大数据、人工智能技术，赋能企业营销和服务数智化转型SaaS企业，整合“通讯+数据+智能”为技术驱动，为全球客户提供安全、可靠、可信的智能通讯云服务，以技术连接人、以技术赋能人，推动企业可持续增长。

宇树科技专注于消费级、行业级高性能四足机器人的研发、生产及销售，是世界机器人圈知名初创公司。作为国内四足机器人厂商中第一也是唯一通过欧洲CE，北美FCC，日本PSE等质量强制认证的公司，宇树科技在运动控制、计算机视觉、深度强化学习等领域持续保持领先，相继受到英国BBC、央视新闻联播等采访报道。宇树科技也是全球首家公开零售高性能四足机器人的公司，并且销量领先。

北京沃丰时代数据科技有限公司

沃丰科技是中国人工智能与营销服务解决方案提供商，旗下拥有Udesk、GaussMind、ServiceGo、微丰四大产品线，凭借行业居前的AI场景落地能力，为企业提供覆盖客户全生命周期的智能营销与服务解决方案，得到众多世界500强、中国500强客户的认可。

上海富瀚微电子股份有限公司

富瀚微电子成立于2004年4月，专注于视频监控。富瀚的使命是为视频监控产品提供最具竞争力的芯片和解决方案。富瀚提供H.264/H.265编解码SoC、图像信号处理器IC及各种视频监控产品解决方案。富瀚与国内外的解决方案提供商和设备制造商紧密合作，提供高性能、高性价比的产品和服务，增加市场份额并取得巨大的商业成功。

青岛慧拓智能机器有限公司

中科慧拓是中科院自动化所孵化的国内智慧矿山技术和服务提供商，致力于以科技创新助力我国能源安全战略纵深发展，以智能化建设服务我国工业高质量发展，促进中国采矿业在数字化时代掌握全球话语权，让矿山更安全、更智慧、更绿色、更高效。

上海人工智能实验室计算生物创新中心

上海人工智能实验室是我国人工智能领域的新型科研机构，开展战略性、原创性、前瞻性的科学研究与技术攻关，突破人工智能的重要基础理论和关键核心技术，打造“突破型、引领型、平台型”一体化的大型综合性研究基地，支撑我国人工智能产业实现跨越式发展，目标建成国际一流的人工智能实验室，成为享誉全球的人工智能原创理论和技术的策源地。

上海德鋆信息科技有限公司

上海德鋆信息科技有限公司，成立于2012年，公司是一家高新加双软企业，是专业从事城市信息化领域服务的企业之一。历经多年发展，公司在城市信息化相关行业积累了丰富经验，逐步形成了突出的行业软件与服务优势。公司专注于提供智慧城市应用解决方案，在多个行业都有相关的软件产品，当前涉及的行业有交通、市政、商贸、建筑建设等，产品包括:智慧工地、智慧园区、智能运维、智慧空港、数字商贸等。

零幺宇宙(上海)科技有限公司

零幺宇宙，高性能互联互通元宇宙构建者。以区块链与隐私计算为底层技术，提供从底层区块链到元宇宙虚拟场景构建的全生态链产品与服务。旗下开放联盟链光笺链，获得网信办境内区块链服务备案，已有数藏、设计师社区、独立音乐人社区、知识产权、司法鉴定、公租房溯源、碳计量等十余种生态伙伴。光笺收藏家，是光笺链上的旗舰应用，专注精品数字作品的合规发行运营，并可通过光笺通行证为广大第三方提供用户数字资产接入服务。

上海画龙信息科技有限公司

上海画龙信息科技有限公司(以下简称“Datatist画龙科技”)是领先的商业智能决策大脑供应商，公司已在商业场景中将人工智能、大数据与运营相结合，帮助企业搭建智能运营决策大脑，为数百个运营场景(如拉新、复购、交叉推荐等)提供商业AI决策模型，助力企业实现降本增效，帮助企业实现全生命周期的数智化运营。公司主要包含赋能内部运营的“AI运营官”和驱动数据对外变现的“AI权益联盟”两大产品。

上海赛博网络安全产业创新研究院

赛博研究院是上海市经信委指导下的民办非企业单位，与中央网信办、中国信息安全测评中心、上海市委网信办、上海市经信委等部门建立了稳定的政策咨询渠道，积极支撑网信前沿动态研究与上海网信发展十四五规划等重要项目；与国内重要的党政部门以及阿里巴巴、腾讯、华为等知名企业形成良好稳定的合作关系；成功举办世界人工智能大会安全分论坛、CIS网络安全创新大会等重要活动，是国内专业从事网络空间政策和产业研究的重要智库。

我要回帖

更多关于 资产数字化的发展前景 的文章

 

随机推荐