其他行业 · AI应用
Exscientia 利用生成式 AI 重塑药物发现
Exscientia 面临传统药物发现流程效率低下的挑战，通常需要合成大量化合物，导致成本高昂且周期漫长。为解决这一问题，该组织将生成式 AI 集成到其设计-制造-测试-学习 (DMTL) 循环中，实现了药物候选物的计算机模拟设计、自动化合成以及通过机器人进行测试。这种创新方法不仅将需要合成的化合物数量减少了约十倍，还将设计过程加速了高达 70%。结果，Exscientia 的资本成本比行业基准降低了约 80%，多个 AI 设计的分子已进入临床试验，展示了通过持续学习和改进获得更安全、更有效药物候选物的潜力。
合成化合物数量减少
比行业平均少10倍
来源披露
药物设计加速
最高加速70%
来源披露
资本成本降低
比行业基准降低80%
来源披露
01
业务背景
Exscientia 面临传统药物发现流程效率低下的挑战，通常需要合成大量化合物，导致成本高昂且周期漫长。为解决这一问题，该组织将生成式 AI 集成到其设计-制造-测试-学习 (DMTL) 循环中，实现了药物候选物的计算机模拟设计、自动化合成以及通过机器人进行测试。这种创新方法不仅将需要合成的化合物数量减少了约十倍，还将设计过程加速了高达 70%。结果，Exscientia 的资本成本比行业基准降低了约 80%，多个 AI 设计的分子已进入临床试验，展示了通过持续学习和改进获得更安全、更有效药物候选物的潜力。
02
遇到的问题
传统药物发现方法耗时长达15年、成本超20亿美元，失败率高达90-96%，原因在于科学家需从10^60种候选分子中筛选特定药物，流程低效、周期漫长且费用高昂。
03
AI 解决方案
基于AWS构建设计-制造-测试-学习(DMTL)循环：首先从患者需求出发定义精准的目标产品特性（TPPs）；利用生成式AI算法在云端进行计算机辅助的化合物设计，并通过主动学习筛选出最有可能推进TPPs或优化模型的少数候选分子；再由自动化机器人实验室全天候合成候选药物，减少人工操作；实验数据反馈至模型，不断优化后续设计循环，实现合成感知的迭代研发，从而显著减少合成化合物数量并加快研发速度。
- 1定义目标产品特性（TPPs），明确所需药物的复杂属性组合
- 2AI工程师设计生成式算法，在云端生成大量潜在候选化合物
- 3主动学习算法辅助专家从生成结果中选出少量需合成的候选分子
- 4自动化机器人实验室7×24小时合成选定的候选药物
- 5收集实验数据并分析，优化模型，进入下一轮DMTL循环
04
实施结果
合成化合物数量减少：比行业平均少10倍（减少90%）
药物设计加速：最高加速70%（70%）
资本成本降低：比行业基准降低80%（80%）
进入临床试验的AI设计分子数：6个（无）
05
风险与边界
未披露
“Using AWS, we reduce bottlenecks and accelerate the pipeline.”
David Hallett · Interim CEO and Chief Scientific Officer, Exscientia
信息来源
1 个来源页面内容为结构化改写；关键结论应可追溯到以下材料。