2021 年 8 月 4 日，全球领先的人工智能平台公司上海商汤科技公布了多项最新的重磅研究成果，利用原创 AI 技术赋能新药研发和精准医疗，涵盖药物发现、临床前研究、临床试验、新药上市后等药物研发环节旨在通过人工智能技术加快新药研发和上市进程，缩短新药研发周期，降低药物研发成本，提高新药研发成功率。药物研发。目前，相关成果已发表在《Nature Precision Oncology》、《Bioinformatics》、国际人工智能联合会议（IJCAI）等国际顶级期刊和会议上，并开源了医药行业基础研究与创新的相关代码提供前沿的突破性想法。

商汤科技副总裁、研究院副院长张绍廷表示，“新药研发是关系到人类生命健康的事业。互相合作。依托商汤科技多年积累的原创技术能力，商汤智慧健康首次利用AI赋能新药研发，希望全面深入挖掘化合物、蛋白质、细胞系和临床大分子的潜在规律。数据，为加快新药研发进程提供准确证据，逐步覆盖新药研发的多个环节，帮助药企及相关研发机构降低药物研发风险，提高效益，加快药物研发进程。开发和实施新药，为改善人类健康做出贡献。”

药物发现：自学习蛋白质相互作用和分类，辅助药物靶点定位

蛋白质摩尔作为构成细胞的基本有机物细胞及其相互作用是细胞实现各种复杂功能的基础。因此，建立基于蛋白质-蛋白质相互作用（PPI）的蛋白质关系网络，可以帮助分析疾病发生时的分子机制，从而帮助研究人员发现和了解药物靶点，促进新药的开发。然而，传统的基于实验研究的PPI研究方法不仅耗时，而且难以有效分析PPI的具体分类。虽然计算机模拟可以快速为实验室研究提供候选 PPI 并加快实验效率，但现有方法在遇到未包含在训练集中的蛋白质数据时仍会遭受性能损失，无法很好地泛化到未知蛋白质和 PPI。这也对分析不断发现的新蛋白质及其 PPI 以及由此产生的潜在新目标提出了巨大挑战。

商汤智慧健康团队基于大量研究，在IJCAI发表的文章《Learning Unknown from Correlations: Graph Neural Network for Inter-novel-protein Interaction Prediction》中提出了新的测量指标（ metrics），通过新的数据划分方法，有效衡量模型对跨数据集和未知蛋白质的性能影响；同时提出了一种新的建模方法（methodology），创新性地训练了一组学习蛋白 互相关关系的GNN（Graph Neural Network）模型，实现了更稳定的跨数据集性能，从而达到更好的在未知 PPI 预测中的表现。在对全行业公共数据集进行的跨数据集实验中，商汤提出的新方法与现有方法相比，预测准确率提高了36%。这两种创新的解决方案可以更好地帮助新药开发过程中药物靶点的发现、理解和选择。

高度稳健的基于 GNN 的 PPI 分析框架

在新药开发的临床前实验阶段，准确预测对癌症的药物反应目标疾病是最重要、最具挑战性的任务，尤其是在癌症治疗领域。临床前实验主要涉及在实验室环境中使用计算模型和相关细胞组织分析和测试，为后续的人体临床试验奠定基础。近年来，高通量基因测序技术的快速发展极大地促进了基于细胞系的抗癌药物反应研究。然而，鉴于癌症发病机制和药物作用机制的复杂性，传统方法仍无法有效捕捉药物的化学结构，充分整合基因组、转录组等多种组学信息，限制了准确性。药物反应预测。进一步提高。

在《生物信息学》发表的研究“DeepCDR：一种用于预测癌症药物反应的混合图卷积网络”中，商汤智能健康团队首次将GCN（图卷积网络）应用于癌症中在药物反应研究领域，提出了一种新的混合图卷积网络模型 DeepCDR。该模型能够自动挖掘和建立药物的化学结构特征，能够高效处理细胞系中的基因组学、转录组学、表观基因组学等多组学数据，实现抗癌药物反应的准确预测。在涵盖238种药物和561个细胞系的公开数据集上，该模型将预测准确度指数（Pearson相关系数）从0.780提高到0.923，用于在临床前实验室环境中测试抗癌药物的药物敏感性。 ，并且寻找在肿瘤中调节药物反应的新基因提供了更准确和有效的研究工具。

基于混合图卷积网络的遗传多组学和药物化合物在癌症评估中的应用及药效分析

临床研究：基于病理图像预测癌症亚型，为降低亚型评估成本提供新思路