【理特咨詢】2024生成式人工智能GenAI在生物醫(yī)藥大健康行業(yè)應(yīng)用進展報告

醫(yī)藥大健康行業(yè)應(yīng)用進展報告CMAC醫(yī)學(xué)事務(wù)生成式AI聯(lián)盟理特咨詢天士力數(shù)智中藥創(chuàng)新中心南京柯基數(shù)據(jù)科技有限公司2024年4月1前言自2022年底起，OpenAI推出的ChatGPT在全球掀起了熱潮。生成式人工智(GenAI)技術(shù)日新月異，各行各業(yè)正積極探索如何整合最新的GenAI技術(shù)以推動數(shù)字化轉(zhuǎn)型。據(jù)統(tǒng)計，全球大型企業(yè)中，已有10%成功將GenAl技術(shù)應(yīng)用于公司層面的平臺級項目，50%正在進行小規(guī)模嘗試，而另外40%仍在觀望階段。生物醫(yī)藥大健康行業(yè)作為一個高度專業(yè)化和知識密集型的領(lǐng)域。從藥物研發(fā)到臨床試驗，再到上市后的學(xué)術(shù)推廣和患者教育等全流程應(yīng)用場景，涉及到大量非結(jié)構(gòu)化文本、圖片和視頻的處理。隨著集采政策的實施和監(jiān)管要求的提高，運營成本和復(fù)雜性不斷上升，因此迫切需要借助人工智能來提升效率，重塑工作模式。自GenAI推出以來，國內(nèi)外的藥械、營養(yǎng)保健、醫(yī)療機構(gòu)以及科研機構(gòu)紛紛嘗試將GenAI技術(shù)應(yīng)用于不同場景，已經(jīng)有一些公司和機構(gòu)通過GenAI創(chuàng)造了全新的產(chǎn)品和服務(wù)，為業(yè)務(wù)增值。最近的一項調(diào)查顯示，GenAI已成為大多數(shù)制藥公司的首要關(guān)注點，40%的高管表示他們正計劃將GenAI帶來的成本節(jié)約重新投入到2024年的預(yù)算計劃中。另外，60%的公司確立了使用GenAI來幫助企業(yè)降低成本或提高生產(chǎn)效率的目標(biāo)，其中75%的公司將其視為高管層和董事會的優(yōu)先事項。2023年4月，CMAC牽頭與跨國和國內(nèi)生物制藥企業(yè)、醫(yī)藥AI領(lǐng)先企業(yè)以及醫(yī)學(xué)專家共同發(fā)布了《ChatGPT背景下的醫(yī)療健康行業(yè)數(shù)字化轉(zhuǎn)型新范式研究報告》,引起了業(yè)界廣泛關(guān)注。該報告結(jié)合行業(yè)實踐和實際需求，從ChatGPT技術(shù)原理、技術(shù)發(fā)展、醫(yī)療健康行業(yè)國內(nèi)外應(yīng)用和研究進展，以及ChatGPT大模型在醫(yī)藥場景測試等角度，提出了ChatGPT大模型在醫(yī)療健康行業(yè)落地的挑戰(zhàn)及可能的路徑，為在ChatGPT背景下大模型如何賦能醫(yī)療健康行業(yè)數(shù)字化轉(zhuǎn)型提供參考。在過去的一年中，CMAC醫(yī)學(xué)事務(wù)生成式AI聯(lián)盟與數(shù)十家跨國和國內(nèi)的藥械企業(yè)、營養(yǎng)保健企業(yè)、醫(yī)院、醫(yī)療科研機構(gòu)等展開了深入合作。通過研討會、咨詢、概念驗證(POC)、項目申報等形式，我們交流并見證了GenAI在國內(nèi)生物醫(yī)藥大健康行業(yè)的快速發(fā)展和面臨的挑戰(zhàn)，積累了來自第一線的資料和GenAI應(yīng)用落地的經(jīng)驗和方法論。我們相信，2024年將是GenAI在中國生物醫(yī)藥大健康行業(yè)中實現(xiàn)規(guī)?；涞氐年P(guān)鍵一年。因此CMAC醫(yī)學(xué)事務(wù)生成式AI聯(lián)盟牽頭，聯(lián)合理特咨詢、天士力數(shù)智中藥創(chuàng)新中心、柯基數(shù)據(jù)以及生物醫(yī)藥大健康行業(yè)專家和GenAI技術(shù)專家，更新發(fā)布了本報告。報告著重介紹了最新GenAl技術(shù)發(fā)展和進展，生物醫(yī)藥大健康行業(yè)的應(yīng)用場景和案例，落地挑戰(zhàn)及方法論，以及未來展望。我們希望該報告能為GenAI在整個生物醫(yī)藥大健康行業(yè)的應(yīng)用落地提供有益參考。GenAI應(yīng)用關(guān)鍵技術(shù)8模型訓(xùn)練8微調(diào)9提示詞工程13國外大模型18國內(nèi)大模型藥物研發(fā)34靶點發(fā)現(xiàn)與驗證34分子生成36中醫(yī)藥研發(fā)41臨床研究44監(jiān)管合規(guī)44藥物選擇、患者入組45學(xué)術(shù)推廣48患者教育50診前50診中51中醫(yī)診療54現(xiàn)狀總結(jié)57監(jiān)管合規(guī)性未來展望61落地建議62第一章：4C當(dāng)OpenAI在2022年11月30日發(fā)布ChatGPT的時候，沒有人會意識到，新一代人工智能浪潮將在接下來短短數(shù)月給人類社會帶來一場眩暈式的變革。自2010年代初深度學(xué)習(xí)問世以來，人工智能進入到第三次高潮。而2017年Transformer算法將深度學(xué)習(xí)推向了一經(jīng)面世便風(fēng)靡全球，人們驚訝于其能夠進行連貫、有深度對話的同時，也驚異地發(fā)現(xiàn)了它涌現(xiàn)了推理、思維鏈等體現(xiàn)智能的能力。伴隨AI預(yù)訓(xùn)練大模型持續(xù)發(fā)展，生成式人工智能(GenAI)算法不斷創(chuàng)新以及多模態(tài)AI日益主流化，以ChatGPT為代表的GenAI技術(shù)加速成為AI領(lǐng)域的最新發(fā)展方向，推動AI迎來下一個大發(fā)展、大繁榮的時代，將對經(jīng)濟社會發(fā)展產(chǎn)生重大的影響。1.1.1GenAI技術(shù)定義及背景GenAl(GenerativeAI,生成式人工智能)指的是通過人工智能技術(shù)自動生成內(nèi)容的生產(chǎn)方式。通過訓(xùn)練模型來生成新的、與訓(xùn)練數(shù)據(jù)相似的內(nèi)容。與傳統(tǒng)類型的AI主要關(guān)注識別和預(yù)測現(xiàn)有數(shù)據(jù)的模式不同，GenAI著重于創(chuàng)造新的、有創(chuàng)意的數(shù)據(jù)，其關(guān)鍵原理在于學(xué)習(xí)和理解數(shù)據(jù)的分布，進而生成具有相似特征的新數(shù)據(jù)，在文本、圖像、音頻、視頻等多種領(lǐng)域都有廣泛的應(yīng)用。GenAI目前最引人注目的應(yīng)用當(dāng)屬ChatGPT。ChatGPT是基于OpenAl公司的大語言模型GPT-3.5訓(xùn)練、調(diào)試、優(yōu)化的聊天機器人應(yīng)用，同一個AI模型可以處理各種各樣的文字和推理任務(wù)。ChatGPT發(fā)布僅兩個月即獲得1億月活用戶，超越了歷史上所有互聯(lián)網(wǎng)消費者應(yīng)用軟件的用戶增長速度。以大語言模型、圖像生成模型為代表的GenAI技術(shù)，成為新一代人工智能的平臺型技術(shù)，助力不同行業(yè)實現(xiàn)價值躍升。GenAI大爆發(fā)的背后，普遍認為三個領(lǐng)域的AI技術(shù)的發(fā)展為其提供了肥沃的土壤，分別是生成算法、預(yù)訓(xùn)練模型第一，隨著各種生成算法的不斷創(chuàng)新突破，AI現(xiàn)在已經(jīng)可以生成文字、代碼、圖像、語音、視頻物體等各種類型的內(nèi)容和數(shù)據(jù)。GenAl與過去最顯著的區(qū)別是從分析式AI(AnalyticalAI)發(fā)展為生成式AI(GenerativeAI)。分析式AI模型是根據(jù)已有數(shù)據(jù)進行分析、判斷、預(yù)測，最典型的應(yīng)用之一是內(nèi)容智能推薦；生成式AI模型則是學(xué)習(xí)已有數(shù)據(jù)后進行演繹、生成創(chuàng)造全新內(nèi)容。第二，預(yù)訓(xùn)練模型，特別是以ChatGPT為代表的大模型，引發(fā)了GenAI技術(shù)能力的質(zhì)變。在過去，研究人員需要針對每一個類型的任務(wù)單獨訓(xùn)練AI模型，訓(xùn)練好的模型只能從事特定任務(wù)，不具有通用性。而預(yù)訓(xùn)練的大模型技術(shù)顯著提升了GenAI模型的通用化能力5和工業(yè)化水平，讓GenAI模型成為自動化內(nèi)容生產(chǎn)的“工廠”和“流水線”。GenAI模型，包括ChatGPT、GPT-4等大語言模型(LargeLanguageModels,LLM)和Midjourney、StableDiffusion等圖像生成模型，又被稱為基礎(chǔ)模型(FoundationModels),其作為基于種類豐富的海量數(shù)據(jù)預(yù)訓(xùn)練的深度學(xué)習(xí)算法，展現(xiàn)出強大的、更加泛化的語言理解和內(nèi)容生成能力。以大語言模型(LLM)為例，經(jīng)過海量的互聯(lián)網(wǎng)內(nèi)容數(shù)據(jù)的訓(xùn)練，大語言模型的參數(shù)可以達到萬億甚至百萬億級別。這大大增強了語言模型的生成能力，同一個大語言模型可以高質(zhì)量地完成各種各樣的文字和推理任務(wù)，例如作詩、寫文章、講故事、寫代碼、提供專業(yè)知識等等。因此，大語言模型已經(jīng)成為了各大企業(yè)競相追逐的AI方向。第三，多模態(tài)AI技術(shù)的發(fā)展。多模態(tài)技術(shù)讓GenAI模型可以跨模態(tài)地去生成各種類型的內(nèi)容，比如把文字轉(zhuǎn)化為圖片、視頻(Sora)等等，進一步增強了GenAI模型的通用能力。A.文本生成領(lǐng)域自然語言生成是一種GenAI技術(shù)，可以生成逼真的自然語言文本。生成式AI可以編寫文章、故事、詩歌等，為作家和內(nèi)容創(chuàng)作者提供新的創(chuàng)作方式。同時，它還GenerativePre-trainedTransformer對話生成式預(yù)訓(xùn)練變換模型)是由OpenAI開發(fā)的一個人工智能聊天機器人程序，于2022年11月推出。該程序使用基于GPT-3.5架構(gòu)的大語言模型并通過強化學(xué)習(xí)進行訓(xùn)練。ChatGPT目前仍以文字方式互動，可以解決包括自動文本生成、自動問答、自動摘要等在內(nèi)的多種任務(wù)。Jasper已經(jīng)開始為谷歌、臉書等知名公司提供文案GenAI的商業(yè)服務(wù)。B.圖像生成領(lǐng)域圖像生成是GenAI技術(shù)中最為普遍的應(yīng)用之一。StabilityAI發(fā)布了穩(wěn)定擴散(StableDiffusion)模型，通過開源快速迭代大幅降低了AI繪畫的技術(shù)使用門檻，消費者可以通過訂閱旗下產(chǎn)品DreamStudio來輸入文本提示詞生成繪畫作品，產(chǎn)品已經(jīng)吸引全球50多個國家超過100萬的用戶注冊。6C.音視頻創(chuàng)作與生成人工智能技術(shù)的視頻生成工具Sora,再次引發(fā)轟動。這是一款輸入文現(xiàn)實環(huán)境中的重力、碰撞等物理現(xiàn)象，可以通過直播秀、在線教育、遠程醫(yī)療等場合。在“現(xiàn)實已經(jīng)不存在”的驚呼聲中，Sora確為音樂家提供新的創(chuàng)作靈感。這種技術(shù)還可以D.電影與游戲E.代碼生成領(lǐng)域的代碼。者正在編輯的代碼上下文為開發(fā)者提供代碼7GenAI可以直接應(yīng)用于翻譯實踐之中，與傳統(tǒng)機器轉(zhuǎn)效率。(4)科研與創(chuàng)新(AIforScience)8生成式人工智能(GenAT)在生物醫(yī)藥大健球行業(yè)應(yīng)用進展報告在GenAI領(lǐng)域中，有四種關(guān)鍵技術(shù)：模型訓(xùn)練(ModelTuning)、檢索增強生成(RAG)和提示詞工程(PromptEngineering)。針對不同的業(yè)務(wù)目標(biāo)和場景，選擇適當(dāng)?shù)募夹g(shù)模型方法至關(guān)重要。1.模型訓(xùn)練(ModelTraining):需要大量的數(shù)據(jù)和計算資源來從頭構(gòu)建一個人工智能模型。它具有高度的可定制性和可擴展性，但耗時較長，成本最高。適用于全新的突破性應(yīng)用，例如訓(xùn)練一套中醫(yī)診療大模型。2.微調(diào)(Fine-Tuning):專注于將現(xiàn)有模型適應(yīng)特定任務(wù)，提供了定制性和效率之間的平衡。3.檢索增強生成(Retrieval-AugmentedGeneration-RAG):通過整合外部知識庫來增強模型，非常適合需要當(dāng)前或廣泛信息的任務(wù)，是現(xiàn)階段企業(yè)級知識庫以及Chatbot建設(shè)較高性價比的主要方法。4.提示工程(PromptEngineering):依賴于設(shè)計有效的提示來引導(dǎo)預(yù)訓(xùn)練模型，需要在提示設(shè)計方面的技能，但計算資源需求較低。這種方法不僅具有成本效益，而且非常有效，然而其潛力經(jīng)常被低估。每種方法在不同應(yīng)用中都有其優(yōu)勢和限制，取決于數(shù)據(jù)可及性、計算資源、特定的任務(wù)、對最新信息的需求以及所需技能和成本等因素。模型訓(xùn)練類似于AI系統(tǒng)開發(fā)的基礎(chǔ)階段(例如重新開發(fā)一個ChatGPT)。它涉及從零開始構(gòu)建AI模型的過程，類似于將種子培育成長成一棵大樹。這個過程非常重要，因為它奠定了AI的基本能力和智能。1.新領(lǐng)域：當(dāng)涉足現(xiàn)有模型不適用或不足的領(lǐng)域時。例如，開發(fā)一種尚未被探索2.基于獨特數(shù)據(jù)集應(yīng)用：在數(shù)據(jù)對特定需求具有獨特性的情況下，例如公司使用客戶數(shù)據(jù)來預(yù)測購買模式。3.創(chuàng)新和研究：非常適合研究和開發(fā)，用于測試新理論或模型。模型訓(xùn)練是人工智能發(fā)展的基石，提供了無與倫比的定制化和創(chuàng)新潛力。然而，它需要大量數(shù)據(jù)和GPU計算資源和開發(fā)資源，成本很高，并帶有固有的風(fēng)險，因此更適用于需要定制解決方案或在人工智能應(yīng)用領(lǐng)域開辟新天地的情況。9生成式人工智能(GenA1)在生物醫(yī)藥大健康行業(yè)應(yīng)用進展報告微調(diào)類似于磨練技藝嫻熟的藝術(shù)家，使其在特定類型中表現(xiàn)出色。它涉及對經(jīng)過預(yù)訓(xùn)練的模型進行調(diào)整，即對已經(jīng)從大規(guī)模數(shù)據(jù)集中學(xué)到一般模式的模型進行專門任務(wù)或數(shù)據(jù)集方面的進一步提高。這一過程對于將通用人工智能模型適應(yīng)特殊需求至關(guān)重要。例如基于醫(yī)學(xué)文獻訓(xùn)練微調(diào)成一套更適合回答健康護理相關(guān)的問題。1.特定任務(wù)應(yīng)用：適用于需要模型的一般理解與特定需求相匹配的任務(wù)，例如使語言模型適應(yīng)醫(yī)學(xué)術(shù)語。2.有限資源：適用于無法負擔(dān)完整模型訓(xùn)練所需的大量資源的情況。3.提升模型性能：當(dāng)您需要提高預(yù)訓(xùn)練模型在特定領(lǐng)域準(zhǔn)確性時。在GenAI中，微調(diào)是將通用模型轉(zhuǎn)變?yōu)閷I(yè)模型的藝術(shù)。它在效率和性能增強之間取得平衡，非常適合有針對性改進的場景。這種方法最適用于基礎(chǔ)扎實但需要特定專業(yè)知識的情況。RAG,即檢索增強生成(Retrieval-AugmentedGeneration),是一種結(jié)合了信息檢的圖書館。thutpenlCEO,Stwwcnf"OamtThoerbsedonthefoio2oyitchnpAnswer1.用戶向Chatbot(LLM應(yīng)用)提出問題答節(jié)省大量的時間和人力資源3.數(shù)據(jù)分析與挖掘：RAG能夠在大規(guī)模數(shù)據(jù)集中快速檢索信息，為數(shù)據(jù)分析提供了一個強大的工具RAG技術(shù)通過結(jié)合最新的大語言模型和外部知識庫，為AI中在RAG的技術(shù)發(fā)展中，從技術(shù)角度，呈現(xiàn)出以下幾種范式：00況X至鐘X至鐘NMsNMsCDdD小通小通生成式人工智能(GenAT)在生物醫(yī)藥大健球行業(yè)應(yīng)用進展報告其中GraphRAG(GraphRetrieval-AugmentedGeneration)是一種結(jié)合知識圖譜和圖數(shù)據(jù)庫的檢索增強技術(shù)。它通過構(gòu)建圖模型的知識表達，將實體和關(guān)系之間的聯(lián)系用圖的形式進行展示，并利用大語言模型(LargeLanguageModel,LLM)進行檢索增強。GraphRAG的核心在于將知識圖譜等價于一個超大規(guī)模的詞匯表，其中實體和關(guān)系對應(yīng)于單詞，使得在檢索時能夠?qū)嶓w和關(guān)系作為單元進行聯(lián)合建模。1.第一階段，Indexintime。該便于后續(xù)的檢索和引用，同時還會執(zhí)行傳統(tǒng)RAG流程中的Split&Embedding操作。2.第二階段，QueryTime。Split&Embedding的操作帶來的最大益處在于能夠迅速鎖定與查詢最為相關(guān)的知識點。此外，通過利用知識圖譜(KG)中知識點之間的關(guān)聯(lián)關(guān)系或語義鏈接，系統(tǒng)可以快速地識別出在語義層面上相關(guān)或接近的知識。這些知識點隨后被提供給大語言模型，從而使其能夠生成更為貼切的答案。同時，這一過程也有助于防止語言模型產(chǎn)生虛假或不合邏輯的回答，提高了結(jié)果的可靠性。1.知識圖譜集成：GraphRAG利用知識圖譜來增強語言模型的理解能力，使得模型能夠更好地理解實體間的關(guān)系和上下文信息。多樣化的信息來滿足用戶的需求。3.上下文學(xué)習(xí)：GraphRAG支持In-ContextLearning,即在向模型提出問題時，提供相關(guān)的上下文信息作為背景知識，從而生成更符合預(yù)期的響應(yīng)。4.處理復(fù)雜查詢：GraphRAG特別適合處理復(fù)雜或多義詞查詢，因為它能夠利用知識圖譜中的結(jié)構(gòu)化信息來解決歧義問題。5.表達和推理能力提升：通過圖技術(shù)構(gòu)建的知識圖譜，GraphRAG能夠幫助大語言模型更好地理解實體間的關(guān)系，提升模型的表達和推理能力。6.適應(yīng)性強：GraphRAG技術(shù)可以適配不同的大語言模型框架，如LlamaIndex、LangChain等，使得開發(fā)者可以專注于LLM的編排邏輯和pipeline設(shè)計。GraphRAG作為一種新興的技術(shù)，正在逐漸展現(xiàn)出其在信息檢索和處理領(lǐng)域的潛力，尤其是在需要處理大量結(jié)構(gòu)化數(shù)據(jù)和復(fù)雜上下文信息的場景中。隨著技術(shù)的進一步提示詞工程(PromptEngineering,縮寫為PE)是一種Al技術(shù)，它通過設(shè)計和改進AI的圖3.提示詞工程原理提示詞(prompt)在人工智能場景下指給模型的一個初始輸入或提示，用于引導(dǎo)模型比如，我們在ChatGPT中輸入：中國的首都是什么?這個問題就是提示詞。掌握了提主要優(yōu)點主要挑戰(zhàn)C.輸入數(shù)據(jù)，用戶輸入的內(nèi)容或問題。D.輸出指示，指定輸出的類型或格式。生成式人工智能(GenA1)在生物醫(yī)藥大健康行業(yè)應(yīng)用進展報告(2)提示詞技術(shù)零樣本提示是一種先進的自然語言處理技術(shù)，旨在領(lǐng)域中表現(xiàn)出色。通過零樣本提示，模型能夠根據(jù)用成，即使這些提示與訓(xùn)練數(shù)據(jù)中的內(nèi)容沒有直接圖4.提示詞工程據(jù)投入的過程。雖然為創(chuàng)建高度定制和強大的人(道路)開始，并進行特定的調(diào)整，以更好地適應(yīng)您的需求。它比修建新道3.檢索增強生成(RAG):將RAG與這個類比相結(jié)合，就好像給道路配備了動整合外部最新信息的能力。與模型訓(xùn)練和微應(yīng)新的信息。但是，其效率取決于外部數(shù)據(jù)源流方法。4.提示工程：這種方法就像找到一個聰明的捷徑。它涉及使用智能、有提示來引導(dǎo)預(yù)訓(xùn)練的人工智能模型產(chǎn)生期望圖5.從復(fù)雜度和成本以及質(zhì)量等多維度綜合考慮的實際應(yīng)用路徑生成式人工智能(GenAT)在生物醫(yī)藥大健球行業(yè)應(yīng)用進展報告在人工智能領(lǐng)域，大語言模型(LLMs)如GPT-3.5和GPT-4等已經(jīng)成為了自然語言處理(NLP)的強大工具。它們能夠生成連貫的文本、回答問題、甚至創(chuàng)作詩歌和故事。然而，盡管這些模型在處理語言方面表現(xiàn)出色，但它們在實際應(yīng)用中的潛力用開發(fā)框架開源項目，是目前大模型應(yīng)用開發(fā)的最主流框架之一。它提供了一套工具和組件，使得開發(fā)者能夠?qū)LMs與外部數(shù)據(jù)源和計算能力結(jié)合起來，更加智能和功能豐富的應(yīng)用。LangChain圍繞將不同組件“鏈接”在一念構(gòu)建，通過統(tǒng)一的接口簡化了與GPT-3.5、GPT-4、llama、文心一言、通義千問等LLM合作的過程，使得開發(fā)者可以輕松創(chuàng)建定制的高級用例。uumyuM圖6.LangChain工作機制AIAgent,即人工智能代理，是一種具備環(huán)境感知、決策制定和行動執(zhí)行能力的智能體，也被稱為“智能業(yè)務(wù)助理”。其旨在利用大模型技術(shù)，通過自然語言交互方式高度自動化地處理專業(yè)或復(fù)雜工作任務(wù)，從而顯著減輕人力負擔(dān)。在本質(zhì)使用，對應(yīng)需要四個能力：包含大語言模型能力、具體拆解問題的能力、具有長短基礎(chǔ)架構(gòu)可簡單劃分為Agent=LLM+規(guī)劃技能+記憶+工具使用。在這一結(jié)構(gòu)④圖7.Agent智能體AutoGPT原理介紹生成式人工智能(GenAT)在生物醫(yī)藥大健球行業(yè)應(yīng)用進展報告續(xù)對話的能力，能夠捕捉用戶的意圖，理解上下文，并在多輪對話中提高準(zhǔn)確率。的廣泛關(guān)注，還強有力地激發(fā)了市場對同類競品的研發(fā)熱潮，諸如Gemi供了兩個迭代版本，分別基于GPT-3.5和更為先進的GPT-4架構(gòu)構(gòu)建而成。這兩個版本均隸屬于OpenAI專有的生成預(yù)訓(xùn)練轉(zhuǎn)換器(GenerativePre-trainedTransformer,GPT)模型系列，該系列的設(shè)計靈感與核心技術(shù)基礎(chǔ)源自谷歌所研發(fā)的Transformer架構(gòu)。為了滿足不同用戶的需求，ChatGPT允許普通用戶免費體驗基于GPT-3.5版本的服務(wù)；而對于追求更高級功能和持續(xù)更新內(nèi)容的用戶，則通過商業(yè)化品牌“ChatGPTPlus”提供基于GPT-4版本及其后續(xù)優(yōu)化功能的付費訂閱服務(wù)。生成式人工智能(GenAT)在生物醫(yī)藥大健球行業(yè)應(yīng)用進展報告Gemini是由GoogleDeepMind團隊研發(fā)的人工智能模型，是LaMDA和PaLM2的繼任者，于2023年12月6日發(fā)布。這是一個多模態(tài)模型家族，支持文本、圖像、音頻、視頻和代碼的全方位理解和生成。Gemini模型家族包含三個針對不同應(yīng)用場景優(yōu)化的版本：GeminiUltra作為旗艦版，專為數(shù)據(jù)中心級別的高性能計算環(huán)境設(shè)計；GeminiPro則定位為通用型解決方案，能在多種工作任務(wù)上展現(xiàn)高效性能，并且特別適用于企業(yè)級應(yīng)用及云端服務(wù)；而小巧靈活的GeminiNano,則通過高度優(yōu)化實現(xiàn)了在資源受限的移動設(shè)備上的高效運行，為智能手機和平板電腦等移動平臺帶來了強大且實時的AI交互體驗。Gemini的設(shè)計使其能夠原生地支持多模態(tài)能力，即從一開始就在不同模態(tài)上進行預(yù)訓(xùn)練，并利用額外的多模態(tài)數(shù)據(jù)進行微調(diào)，以提高其有效性。Claude是由美國人工智能初創(chuàng)公司Anthropic開發(fā)的大語言模型，Anthropic成立于2021年，是一家專注于人工智能安全和研究的公司，旨在建立可靠、可解釋、可操縱的人工智能系統(tǒng)。Claude模型提供了API和Slack機器人兩種訪問方式，其中API訪問需要申請并通過后才能使用，而Slack機器人目前處于beta版本，不收費。Claude是由Anthropic公司于2023年3月首次推出的語言模型系列的初代版本，盡管在編碼、數(shù)學(xué)推理等方面尚存在一定的性能局限性，但依然在執(zhí)行多樣化任務(wù)上展現(xiàn)出了顯著的能力。針對用戶的不同需求，Claude推出了兩種優(yōu)化版本：常規(guī)版Claude和響應(yīng)速度更快、成本更低廉、運行更為輕巧的ClaudeInstant。后者將輸入上下文的處理能力提升至容納10萬token,約等同于7.5萬個英文單詞的內(nèi)容量。同年7月11日，Anthropic發(fā)布了Claude系列的重要迭代產(chǎn)品——Claude2,該版本對公眾開放使用，而其前身Claudel則僅限于經(jīng)Anthropic審核批準(zhǔn)的特定用戶群萬個token,并新增了上傳PDF和其他文檔的功能，使得Claude能夠閱讀、總結(jié)文件內(nèi)容并輔助完成相關(guān)任務(wù)。11月份發(fā)布的Claude2.1版本中，聊天機器人的處理能力再度翻倍，token擴大至20萬個，相當(dāng)于500頁的書面材料。Anthropic在2024度依次排列為Haiku、Sonnet和旗艦款Opus。默認配置的Claude3Opustoken為20萬個，而在特殊應(yīng)用場景下，該窗口可擴展至高達100萬個token,且在知識深度、數(shù)學(xué)處理和復(fù)雜任務(wù)解決方面展現(xiàn)出了超越GPT-4和Gemini1.0Ultra的實力。LLaMA(全稱為“大語言模型MetaAI”)是MetaAI于2023年2月推出的自回歸式大語言模型系列，它囊括了多種參數(shù)規(guī)模的版本，其參數(shù)量分別為7的下載權(quán)限。值得關(guān)注的是，在LLaMA發(fā)布后短短一周內(nèi)，其模型權(quán)重即通過LLaMA-2,標(biāo)志著雙方在大語言模型技術(shù)領(lǐng)域的合作邁入了新的階段。當(dāng)40%的數(shù)據(jù)進行訓(xùn)練，從而提升了模型對廣泛語境和任務(wù)的理解能出了經(jīng)過對話場景微調(diào)優(yōu)化的變體——LLaMA-2Chat,專為提升人機交互體驗而打造。相比于其前身LLaMA-1,LLaMA-2的一大突破性舉措在于所有模型權(quán)重的全面開放，并且對于廣泛的商業(yè)應(yīng)用場景，提供免費使用的權(quán)限，此舉無疑拓寬了能優(yōu)于同等參數(shù)量級的其他模型，展現(xiàn)出高效的參數(shù)利用率和優(yōu)秀的泛化能力。生成式人工智能(GenAT)在生物醫(yī)藥大健球行業(yè)應(yīng)用進展報告Mixtral是由MistralAI開發(fā)的一款大語言模型，它采用了專家混合(MoE)架構(gòu)，這種架構(gòu)通過一個網(wǎng)關(guān)網(wǎng)絡(luò)將輸入數(shù)據(jù)分配給被稱為“專家”的特定神經(jīng)網(wǎng)絡(luò)組件。Mixtral8x7B模型由八個各自擁有70億參數(shù)的專家組成，這種設(shè)計提高了模型訓(xùn)練和運算的效率及可擴展性。Mixtral8x7B在多個領(lǐng)域表現(xiàn)出色，包括綜合性任務(wù)、數(shù)據(jù)分析、問題解決和編程支持等。Mistral7B模型，該模型采用了擁有7億個訓(xùn)練參數(shù)，并且嚴(yán)格遵循Apache2.0開源許可證，為全球開發(fā)者和研究者提供了自由訪問和使用的權(quán)限。2023年12月9日，MistralAI發(fā)布了Mixtral8x7B,其構(gòu)建在稀疏專家混合(MoE)的革新框架之上，盡管總體參數(shù)量達到了467億之多，但得益于MoE技術(shù)的高效性，對于每個Token僅激活12.9億相關(guān)參數(shù)進行運算。此款模型支持包括法語、西班牙語、意大利語、英語及德語在內(nèi)的五大語言環(huán)境，并在多項基準(zhǔn)測試中表現(xiàn)卓越，聲稱已成功超越了Meta公司的LLaMA270B模型的性能水平。2024年2月26日面世的MistralLarge,則是MistralAI的又一旗艦產(chǎn)品，被定位為緊隨OpenAIGPT-4之后的頂級大模型。它不僅支持多種語言處理任務(wù)，還具備編程能力，在多領(lǐng)域應(yīng)用上展示了強大的適應(yīng)性和創(chuàng)造性。用戶現(xiàn)可通過MicrosoftAzure云端平臺便捷使用這款高性能模型。MistralMedium型號則是在廣泛的多語言文本和代碼數(shù)據(jù)集上進行深度訓(xùn)練后推出的，其綜合性能評價位于Claude模型與GPT-4之間，為尋求平衡資源占用與處理效能需求的用戶提供了一個理想的選擇。最后，MistralSmall作為輕量化解決方案，旨在提供低延遲響應(yīng)且性能不俗的小型模型。相較于Mixtral8x7B,它在保證快速響應(yīng)的同時，實現(xiàn)了更優(yōu)的性能指標(biāo)，從而在有限計算資源場景下展現(xiàn)出極高的實用價值。生成式人工智能(GenAT)在生物醫(yī)藥大健球行業(yè)應(yīng)用進展報告StableDiffusion是2022年發(fā)布的深度學(xué)習(xí)文本到圖像生成模型。它主要用于根據(jù)文本的描述產(chǎn)生詳細圖像，盡管它也可以應(yīng)用于其他任務(wù)，如內(nèi)補繪制、外補繪制，以及在提示詞指導(dǎo)下產(chǎn)生圖生圖的轉(zhuǎn)變。它是一種潛在擴散模型，由慕尼黑大學(xué)的CompVis研究團體開發(fā)的各種生成性人工神經(jīng)網(wǎng)絡(luò)之一。它是由初創(chuàng)公司StabilityAI、CompVis與Runway合作開發(fā)，并得到EleutherAI和LAION的支持。StableDiffusion由3個部分組成：變分自編碼器(VAE)、U-Net和一個文本編碼器。Model)和2015年提出的擴散模型(DM/DiffusionModel,它是基于Google的Transformer模型)。2022年7月StableDiffusion的問世則震驚了全球，相比前輩們，StableDiffusion已經(jīng)成功的解決了細節(jié)及效率問題，通過算法迭代將AI繪圖的精細度提升到了藝術(shù)品級別，并將生產(chǎn)效率提升到了秒級，創(chuàng)作所需的設(shè)備門檻也被拉到了民用水準(zhǔn)。2022年8月StableDiffusion的開源性質(zhì)，全球AI繪圖產(chǎn)品迎來了日新月異的發(fā)展，AI繪圖正在走進千家萬戶，輿論熱潮也隨之而來。2023年7其比以前版本大了約3.5倍。并提到在訓(xùn)練結(jié)束后參數(shù)穩(wěn)定后會開源，并改善了需要輸入非常長的提示詞(prompts),對于人體結(jié)構(gòu)的處理有瑕疵，經(jīng)常出現(xiàn)動作和人體結(jié)構(gòu)異常。2023年11月發(fā)布了Turbo版本的StableDiffusionXL,Turbo版提取自XL1.0而以更少擴散步驟運行。C名字是2008年動畫電影WALL-E(瓦力)和20世紀(jì)西班牙加泰羅尼亞畫家薩爾瓦多·達利(SalvadorDalī)之混成詞。自2000年代以來，已有其他許多神經(jīng)網(wǎng)絡(luò)有生的DALL-E2,聲稱它可以從文本描述中生成照片般逼真的圖像，另外還有一個允生成式人工智能(GenA1)在生物醫(yī)藥大健康行業(yè)應(yīng)用進展報告Sora是一個能以文本描述生成視頻的人工智能模型，由美國人工智能研究機構(gòu)限的創(chuàng)造潛力。其背后的技術(shù)是在OpenAI的文本到圖像生成模型DALL-E基礎(chǔ)上開發(fā)而成的。模型的訓(xùn)練數(shù)據(jù)既包含公開可用的視頻，也包括了專為訓(xùn)練目的而獲授權(quán)的著作權(quán)視頻，但OpenAI沒有公開訓(xùn)練數(shù)據(jù)的具體數(shù)量與確切來源。OpenAI于2024年2月15日向公眾展示了由Sora生成的多個高清視頻，稱該模型能夠生成長達一分鐘的視頻。同時，OpenAI也承認了該技術(shù)的一些缺點，包括在模擬復(fù)雜物理現(xiàn)象方面的困難?！堵槭±砉た萍荚u論》的報道稱演示視頻令人印象深刻，但指出它們可能是經(jīng)精心挑選的，并不一定能代表Sora生成視頻的普遍水準(zhǔn)。由于擔(dān)心Sora可能被濫用，OpenAI表示目前沒有計劃向公眾發(fā)布該模型，而是給予小部分研究人員有限的訪問權(quán)限，以理解模型的潛在危害。Sora生成的視頻帶有C2PA元數(shù)據(jù)標(biāo)簽，以表示它們是由人工智能模型生成的。OpenAI還與一小群創(chuàng)意專業(yè)人士分享了Sora,以獲取對其實用性的反饋?！?zhǔn)確性和多樣性：Sora能夠?qū)⒑喍痰奈谋久枋鲛D(zhuǎn)化成長達1分鐘的高清視頻，準(zhǔn)確地解釋用戶提供的文本輸入，并生成具有各種場景和人物的高質(zhì)量視頻剪輯。它涵蓋了廣泛的主題，如人物、動物、風(fēng)景、城市場景等，可根據(jù)用戶的要求提供多樣化的內(nèi)容。·強大的語言理解能力：Sora利用Dall-E模型的re-c的描述性字幕，提高了文本的準(zhǔn)確性，同時也提升了視頻的整體質(zhì)量。此外，利用GPT技術(shù)將簡短的用戶提示轉(zhuǎn)換為更長的詳細轉(zhuǎn)譯，確保視頻精確地按照用戶提示生成。·以圖/視頻生成視頻：Sora除了可以將文本轉(zhuǎn)化為視頻，還能接受其他類型的輸入，如已存在的圖像或視頻，使其能夠執(zhí)行廣泛的圖像和視頻編輯任務(wù)?！ひ曨l擴展功能：Sora能夠沿時間線向前或向后擴展視頻，允許用戶根據(jù)圖像創(chuàng)建視頻或補充現(xiàn)有視頻。·優(yōu)異的設(shè)備適配性：Sora具備出色的采樣能力，能夠應(yīng)對從寬屏到豎屏的各種視頻尺寸，為各種設(shè)備生成與其原始縱橫比完美匹配的內(nèi)容?！鼍昂臀矬w的一致性和連續(xù)性：Sora能夠生成帶有動態(tài)視角變化的視頻，人物和場景元素在三維空間中的移動顯得更加自然，能夠很好地處理遮擋問題。生成式人工智能(GenAT)在生物醫(yī)藥大健球行業(yè)應(yīng)用進展報告(1)百度-文心一言文心一言(英文名：ERNIEBot)是百度基于文心大模型技術(shù)研發(fā)的知識增強大語言模型，被外界譽為“中國版ChatGPT”。其核心理念在于運用深度學(xué)習(xí)算法和大規(guī)模語料庫，模擬人類的語言理解和生成能力，從而為用戶提供智能化、個性化的服務(wù)。能夠?qū)崿F(xiàn)與人對話互動，回答問題，協(xié)助創(chuàng)作，高效便捷地幫助人們獲取信息、知識和靈感，并且在文學(xué)創(chuàng)作、商業(yè)文案創(chuàng)作、數(shù)理邏輯推算、中文模式生成方面有很好的應(yīng)用前景。文心一言最早應(yīng)該可以追溯到2010年百度成立的“自然語言處理部”,2019年3月16日，百度正式發(fā)布知識增強的文心大模型ERNIE1.0,該模型基于飛槳深度學(xué)習(xí)平臺打造，通過將數(shù)據(jù)與知識融合，提升了大模型學(xué)習(xí)中的詞法、語法、語義等知識，在共計16個中英文任務(wù)上取得全球最好效日，文心一言率先向全社會全面開放。開放首日，文心(2)阿里-通義阿里通義是阿里云推出的一系列人工智能產(chǎn)品和服務(wù)平臺，旨在提供類人智慧的通用智能服務(wù)。這些產(chǎn)品和服務(wù)包括通義千問、通義智文等，它們支持多種API接口，使得AI應(yīng)用開發(fā)變得更加簡單和高效。通義千問(Qwen)是阿里云推出的一款超大規(guī)模語言模型，采用了阿里云自主研發(fā)的大規(guī)模預(yù)訓(xùn)練語言模型架構(gòu)，通過先進的深度學(xué)習(xí)技術(shù)和海量數(shù)據(jù)訓(xùn)練而成。通義智文是另一個阿里云的AI產(chǎn)品，它可能包含了文本生成、內(nèi)容理解、自動摘要、情感分析等功能，旨在幫助用戶高目前，通義千問的綜合性能已經(jīng)超過GPT-3.5,加速追趕GPT-4。2023年12月1日，阿里云舉辦發(fā)布會，正式發(fā)布并開源“業(yè)界最強開源大模型”通義千問720億參數(shù)模型Qwen-72B。同時，通義千問開源了18億參數(shù)模型Qwen-1.8B和音頻大模型模型，以及視覺理解、音頻理解兩款多模態(tài)大模型，實現(xiàn)了“全尺寸、全模態(tài)”開源。自此，阿里云大模型的開源邏輯更加清晰，即通過開源的方式提供技術(shù)產(chǎn)品，降低門檻，推動技術(shù)普惠，為企業(yè)客戶到個人開發(fā)者提供多元化、全方位的技術(shù)服(3)訊飛-星火認知大模型布了基于首個全國產(chǎn)算力平臺「飛行一號」訓(xùn)練的歐7能力歐7能力品KK文本1城圖10.訊飛星火大模型華為盤古大模型是華為云推出的一系列人工智能大模型，旨在通過強大的計算能力和先進的算法，解決行業(yè)難題并釋放AI的生產(chǎn)氣象、醫(yī)藥、水務(wù)、機械等領(lǐng)域提供強大的科學(xué)計算能力。盤古大模型的研發(fā)不僅體現(xiàn)了華為在AI技術(shù)領(lǐng)域的深厚積累，也展示了華為在推進AI技術(shù)產(chǎn)業(yè)化應(yīng)用方日的華為全聯(lián)接大會2022中國站上發(fā)布了盤古氣礦山大模型、盤古OCR大模型等新服務(wù)。2023年7月舉行的華為開發(fā)者大會為云曾發(fā)布了盤古大模型3.0,是中國首個全棧自主的AI大模型，該模型已具備文生圖、文生文、文生代碼、文生視頻等多模態(tài)能力，提供5+N+X的三層解耦架型，提供使用行業(yè)數(shù)據(jù)訓(xùn)練的行業(yè)大模型；L2層為客戶提供更多細化場景模型，它更加專注于某個具體應(yīng)用場景或特定業(yè)務(wù)。華為常務(wù)董事、華為云CEO張平安表示，盤古大模型聚焦產(chǎn)品研發(fā)、軟件工程、生產(chǎn)供應(yīng)、市場營銷、客戶運營等價值場景，致力于深耕行業(yè)，如政務(wù)、金融、制造、煤礦、鐵路、制藥、氣象等。紛9紛9*0城r山大模型文娛電力鐵路電力制造生成他碼1辯AW圖11.盤古大模型生成式人工智能(GenAT)在生物醫(yī)藥大健球行業(yè)應(yīng)用進展報告(5)騰訊-混元大模型騰訊混元大模型(TencentHunyuan)是騰訊自主研發(fā)的通用大語言模型，擁有Angel,提升了訓(xùn)練和推理速度。圖12.混元大模型生成式人工智能(GenAT)在生物醫(yī)藥大健球行業(yè)應(yīng)用進展報告(6)智譜AI北京智譜華章科技有限公司(簡稱“智譜AI”)專注于新一代認知智能大模型的研發(fā)，致力于在中國推動大模型領(lǐng)域的創(chuàng)新。公司與合作伙伴共同研發(fā)了中英雙語化級超大規(guī)模預(yù)訓(xùn)練模型GLM-130B,并在此基礎(chǔ)上推出了對話模型ChatGLM以及開源單卡版模型ChatGLM-6B。同時，團隊還開發(fā)了GenAI模型及產(chǎn)品矩陣，包括AI提效助手智譜清言、高效率代碼模型CodeGeeX、多模態(tài)理解模型CogVLM和文生圖模型CogView等。智譜AI秉承ModelasaService(MaaS)的市場理念，推出了大模型MaaS開放平臺，旨在構(gòu)建高效率、通用化的“模型即服務(wù)”AI開發(fā)新范式。通過認知大模型連接億級用戶的物理世界，智譜AI憑借完整的模型生態(tài)和全流程技術(shù)支持，為各行各業(yè)帶來持續(xù)創(chuàng)新與變革，助力加速通用人工智能時代到來。性能上有了顯著提升，十余項指標(biāo)接近或達到了GPT-4水平；支持更長上下文、更生成式人工智能(GenAT)在生物醫(yī)藥大健球行業(yè)應(yīng)用進展報告(7)百川智能第二章：GenAI在生物醫(yī)藥大健康行業(yè)d落地應(yīng)用進展及典型案例牛+牛+生物醫(yī)藥大健康行業(yè)全流程場景臨床研究藥物研發(fā)臨床研究藥物研發(fā)臨床疾病診療診中臨床試驗中心篩選監(jiān)管合規(guī)臨床試驗中心篩選監(jiān)管合規(guī)藥物選擇及藥物警藥物選擇及藥物警戒發(fā)的多個環(huán)節(jié)，包括篩選臨床試驗中心篩選物警戒(PV)和臨床研究方案設(shè)計等方面。在上市及商業(yè)化方面，GenAl主要體現(xiàn)2022年，AI制藥公司英矽智能(InsilicoMedicine)在其靶點發(fā)現(xiàn)平臺PandaOmics上增加了知識圖譜的功能，可以從期刊文獻中提取相NEwNEwChatPanbushromtheplatfomand生成式人工智能(GenAT)在生物醫(yī)藥大健球行業(yè)應(yīng)用進展報告°ChatGPT相結(jié)合，得到了具有AI問答功能的ChatPandaGPT,支持研究人員在瀏覽和生物標(biāo)志物。2023年底，英矽智能發(fā)布了全球首個“由AI輔助決策的自動化實驗室”,將GenAI應(yīng)umanaritatsariMA2hoyiW(1)大分子生成大分子藥物的作用機制主要是通過刺激機體免疫系統(tǒng)產(chǎn)生免疫物質(zhì)(如抗體),從而發(fā)揮其功效，在人體內(nèi)出現(xiàn)體液免疫、細胞免疫或細胞介導(dǎo)免疫。大分子藥物如分子(例如核酸或氨基酸)的下一個子結(jié)構(gòu)，并產(chǎn)生有關(guān)大分子的見解，這些見解可用于新藥物載體的計算機設(shè)計、以及預(yù)測其在各種藥物研發(fā)人類一直以來都在探索如何更高效、直接、自由地控制細胞功能、甚至生命活動，而運用GenAI預(yù)測大分子結(jié)構(gòu)使得這一切的可行性大大提升，并且其預(yù)測性能在精度、范圍、耗時等方面正在不斷快速提高。以蛋白質(zhì)為為解碼蛋白質(zhì)的三維奧秘提供了高效手段，從而能夠直接按需制造蛋白質(zhì)、甚至是創(chuàng)造未知或不存在的蛋白，擴增出近乎無限的、廣闊的蛋白質(zhì)序列和結(jié)構(gòu)空間，對生命科學(xué)和生物醫(yī)藥研究范式的影響將是顛覆性的。構(gòu)建思路。前者的代表是美國初創(chuàng)生物醫(yī)藥公司Profulu質(zhì)語言模型Progen。該模型基于Transformer架構(gòu)的12億參數(shù)神經(jīng)網(wǎng)絡(luò)，提供了一種可根據(jù)所需屬性生成特定蛋白質(zhì)的方法，從引起了生命科學(xué)領(lǐng)域的廣泛關(guān)注。而后者構(gòu)建思路則是采取了圖像生成領(lǐng)域常用的擴散性模型的技術(shù)路徑，更加擅長基于文本生成圖像來描述蛋白質(zhì)序列和結(jié)構(gòu)之間的關(guān)系，并以此快速生成蛋白質(zhì)的骨架結(jié)構(gòu)。例如2022年10月美國斯坦福大學(xué)和微軟研究院經(jīng)受體內(nèi)蛋白質(zhì)折疊過程的啟發(fā)，引入了一個折疊擴散模型，通過鏡像蛋白質(zhì)天然折疊過程實現(xiàn)蛋白質(zhì)主鏈結(jié)構(gòu)的設(shè)計，解決了直接生成結(jié)構(gòu)復(fù)掃描跨國大型藥企與科技公司動態(tài)，2023年12月，制藥巨頭阿斯利康與AI抗體發(fā)現(xiàn)技術(shù)初創(chuàng)公司Absci簽署了2.47億美元協(xié)議，通過整合阿斯利康的腫瘤學(xué)研究和開發(fā)知識、以及利用Absci的集成藥物創(chuàng)造平臺，借助GenAI技術(shù)來開發(fā)新的、改AlphaFold模型，從上一代的預(yù)測蛋白質(zhì)結(jié)構(gòu)，擴展到預(yù)測蛋白質(zhì)數(shù)據(jù)庫(PDB)中幾乎任何分子的結(jié)構(gòu)，包括配體(小分子)、蛋白質(zhì)、核酸(DNA和RNA)以及含有翻譯后修飾(PTM)的生物分子。如改變氨基酸序列來改變蛋白質(zhì)的性能，用于設(shè)計和開發(fā)具有特定功能的酶；預(yù)測核酸結(jié)構(gòu)，加速mRNA疫苗等醫(yī)療創(chuàng)新；預(yù)測配體和蛋白質(zhì)間的相互作用，幫助鑒定和設(shè)計可能成為藥物的新分子國內(nèi)頭部藥企與AI制藥企業(yè)也在GenAI生成大分子藥物領(lǐng)域展開布局。2023年8月，深圳晶泰科技宣布與石藥集團在創(chuàng)新藥研發(fā)AI領(lǐng)域達成戰(zhàn)略合作協(xié)議，結(jié)合石藥集團深厚藥物研發(fā)經(jīng)驗，利用晶泰科技開發(fā)的ProteinGPT大分子藥物生成式AI模型，將“類GPT技術(shù)”應(yīng)用于藥物研發(fā)，覆蓋抗體發(fā)現(xiàn)、抗體工程、抗原設(shè)計、蛋白結(jié)合劑設(shè)計等多個藥物研發(fā)關(guān)鍵環(huán)節(jié)，一鍵生成符合要求的抗體或蛋白藥物。荷蘭-瑞士初創(chuàng)公司Cradle開發(fā)的生成人工智能(GenAI)和合成生物學(xué)平臺，旨在設(shè)計基于蛋白質(zhì)的療法和其他化合物，正在開展12個研發(fā)項目，關(guān)注工程酶、疫苗、肽藥物和抗體，涵蓋廣泛所需蛋白質(zhì)特性，如穩(wěn)定性、表達、活性、結(jié)合親和力和特異性。Cradle的技術(shù)可以通過更少、更成功實驗大幅加快蛋白質(zhì)的設(shè)計和優(yōu)化。與行業(yè)基準(zhǔn)相比，大多數(shù)項目使用Cradle平臺的進度要快兩倍。圖17.Cradle公司合成生物學(xué)平臺功能示意圖小分子藥物研發(fā)中的一大重要難題是如何識別并且篩選出最有可能實現(xiàn)所需療效、值得進一步測試優(yōu)化的化合物，傳統(tǒng)上，藥物化學(xué)家會在實驗室制造化合物并進行測試，耗時長、投資大，但人工智能可以改變這個過程。GenAI通過先進的基礎(chǔ)化學(xué)模型加速篩選過程，如同GPT-4被訓(xùn)練來預(yù)測句子中可能的下一個單詞，這些模型可以預(yù)測小分子結(jié)構(gòu)中的下一部分原子。通過多次迭代，該模型學(xué)習(xí)了小分子化學(xué)的基本原理，即使在很大程度上未探索的化學(xué)領(lǐng)域，這些模型也可以提供更精確的預(yù)測，醫(yī)藥公司可以通過這些預(yù)測來規(guī)劃后續(xù)篩選。國外大型藥企與AI制藥企業(yè)紛紛開展合作，各取所長。2024年1月，默沙東宣布與VariationalAI公司達成合作，利用其Enki技術(shù)平臺，共同合作開發(fā)小分子藥物。默沙東為Enki平臺提供目標(biāo)產(chǎn)品概況(TPP),平臺基于GenAI技術(shù)，可在幾天時間內(nèi)生成符合條件的小分子。生成物是具有多樣化、選擇性和可合成的先導(dǎo)化合物結(jié)構(gòu)，從而快速進入先導(dǎo)化合物優(yōu)化階段。法國藥物化學(xué)和新藥設(shè)計AI解決方案提供商Iktos則是利用GenAI技術(shù)，降低化合物小分子篩選和生成所需的時間和成本。其解決方案包括三個部分，一是通過Makya基于大量生物數(shù)據(jù)，來創(chuàng)建一種“滿足所有條件”的分子，即在盡可能低的劑量下有效、安全、穩(wěn)定、可申請專利且能夠合成的分子；二是利用Spaya探索合成“配方”和途徑；三是通過llaka軟件控制機器人，一次性高效合成多種化合物，不斷重復(fù)上述過程，以找到更有前途的化合物。目前其擁有50多個已完成或正在進行的項目，合作伙伴包括強生、默克、輝瑞等跨國大型藥企?；乜磭鴥?nèi)，多家AI制藥企業(yè)、大型藥企、科技公司等，也在布局GenAI藥物分子生成。英矽智能推出小分子生成AI平臺Chemistry42,經(jīng)過10萬種公開化合物和100億個構(gòu)建塊(或虛擬分子片段)的訓(xùn)練，生成數(shù)百個具有所需特性的化合物，被輸送到管道中評估適用性，并選擇滿足安全性、效力、合成可用性和代謝穩(wěn)定性等目標(biāo)的分子。生成的分子及其后續(xù)分數(shù)將返回到生成引擎，以便模型“學(xué)習(xí)”得分高的分子類型和得分低的分子類型，重新訓(xùn)練生成模型以生成高分分子，已實現(xiàn)在一周內(nèi)發(fā)現(xiàn)全新的先導(dǎo)化合物類似分子，遠超人類科學(xué)家的速度。自Chemistry42推出以來，已有40多家制藥公司授權(quán)該軟件并將其用于自己的管道程序，以改善自己對下一個突破性療法的探索。2022年4月份，華為云計算技術(shù)的健康智能實驗室推出了華為盤古藥物分子大模型，該模型訓(xùn)練了17億個小分子化合物的數(shù)據(jù)集，這一模型結(jié)合了藥物分子的圖形結(jié)構(gòu)和SMILES字符表示法，從兩個不同的角度理解分子，進而構(gòu)建了一個自監(jiān)督的預(yù)訓(xùn)練大模型。該模型適用于多個分子相關(guān)的后續(xù)任務(wù)，如預(yù)測分子屬性、生成分子虛擬庫以及分子的優(yōu)化等。目前盤古藥物模型的預(yù)訓(xùn)練數(shù)據(jù)集是最大的，涵蓋了多個公共數(shù)據(jù)源，盤古模型采用cVAE架構(gòu)，將小分子的圖形表示轉(zhuǎn)換成相應(yīng)的化學(xué)式字符串，這樣做避免了在graph2graph模型中遇到的圖形生成的困難，并且相比于seq2seq模型，在訓(xùn)練階段能夠提供更多的信息。此外，通過設(shè)計分層的潛在空間，盤古模型在微調(diào)和化學(xué)指紋表示方面的能力得到了增強。盤古的創(chuàng)新網(wǎng)絡(luò)結(jié)構(gòu)不僅易于訓(xùn)練，還能夠通過僅更新一個核心網(wǎng)絡(luò)來支持所有藥物發(fā)現(xiàn)任務(wù)的步驟，展現(xiàn)出顯著的優(yōu)勢。硬PanGumolsouegnerZNCpopetypedckspredcor2023年底，深度勢能團隊聯(lián)合29家單位的通力型",該模型能夠保持過去模型的精度和效率。與去年發(fā)布的DPA-1相可以同時學(xué)習(xí)計算設(shè)置不同、標(biāo)簽類型不同的各類數(shù)據(jù)集。由此產(chǎn)生的模型在下游任務(wù)上展現(xiàn)出極強的few-shot甚至zero-shot遷移能力，顯著超越了過去的解決方案。目前，用于訓(xùn)練DPA-2模型的數(shù)據(jù)集已涵蓋了半導(dǎo)體、鈣鈦礦、合金、表面催bddsE島ErarEnerAMgCuAMgCuE圖19.DPA-2提出的多任務(wù)預(yù)訓(xùn)練、微調(diào)、蒸餾全流程示意圖洛桑聯(lián)邦理工學(xué)院(EPFL)和美國羅切斯特大學(xué)的研究團隊，開發(fā)出了一款名為ChemCrow的語言模型代理，這款代理能夠執(zhí)行包括有機合成、藥物發(fā)現(xiàn)和材料設(shè)設(shè)計出一種驅(qū)蟲劑、三種有機催化劑以及其他相關(guān)分子。通過語言模型評估和專家Autonomousinteracti······中科大MIRALab團隊與微軟研究院AI4Scie模型，名為MiCaM。該模型通過構(gòu)建一個含有數(shù)據(jù)驅(qū)動的高頻分子片(MinedConnection-awareMotifs)的利用，這些子圖是通過數(shù)據(jù)驅(qū)動算法從分子庫中自動提取的，它們不僅包括常見的分子片段，還細致記錄了這些片段之間的連接信息。利用這一策略，MiCaM設(shè)計了一個能夠同時選方式的生成器，從而能夠基于這些高頻子圖構(gòu)造出全新的分子結(jié)構(gòu)。在進行的兩項基準(zhǔn)測試中：一項是生成與訓(xùn)練集高度相似的新分子(distributionlearning),另一項是創(chuàng)造具備特定目標(biāo)屬性的新分子(goal-directed),MiCaM二—0c1圖21.高頻分子片段挖掘算法流程圖2024年全國兩會期間，政府工作報告中提出“促進中醫(yī)藥傳承創(chuàng)新”,有代表提議，大模型與生物醫(yī)藥大健康行業(yè)的結(jié)合有望革新藥物研發(fā)范式，通過構(gòu)建中醫(yī)藥AI大模型，將能夠用于挖掘中藥活性成分、推進中藥循證工作、加速中藥研發(fā)進程。中國擁有自已龐大的醫(yī)學(xué)寶庫，中醫(yī)藥的“整體觀”對人體、疾病、藥物的認識積累龐大的實踐經(jīng)驗。隨著人工智能技術(shù)的飛速發(fā)展，中醫(yī)藥領(lǐng)域迎來一場數(shù)字化、智能化的革命。中醫(yī)藥領(lǐng)域的大語言模型(中醫(yī)藥大模型)作為這場革命的代表，它通過整合和分析大量的中醫(yī)藥文獻、藥材數(shù)據(jù)庫、臨床研究和實踐經(jīng)驗來訓(xùn)練，旨在將人工智能技術(shù)應(yīng)用于傳統(tǒng)醫(yī)學(xué)知識和實踐中。目前，中醫(yī)藥大模型主要用于中醫(yī)臨床輔助診療(病證診斷、處方推薦等)、創(chuàng)新研發(fā)以及中醫(yī)藥知識整合與普及。下面我們將盤點現(xiàn)有的中醫(yī)大模型在創(chuàng)新研發(fā)以及中醫(yī)藥知識問答的應(yīng)“數(shù)智岐黃”中醫(yī)藥大模型由華東師范大學(xué)、上海中醫(yī)藥大學(xué)、華東理工大學(xué)、海軍軍醫(yī)大學(xué)、臨港實驗室與華潤江中現(xiàn)代中藥全國重點實驗室聯(lián)合開發(fā)，它以《黃帝內(nèi)經(jīng)》和《傷寒雜病論》等著名中醫(yī)典籍及1000多本古籍和中醫(yī)藥文獻為核心數(shù)據(jù)基礎(chǔ)，以高質(zhì)量中醫(yī)藥知識圖譜為知識寶庫?！皩殠臁边^2000種疾病。該大模型采用預(yù)訓(xùn)練和微調(diào)并結(jié)合檢索增強生成和插件調(diào)用等技術(shù)，通過方劑推薦、中藥性質(zhì)解讀(包括性味歸經(jīng)、功效與應(yīng)用、藥物組成、炮制方法等)和證候輔助診斷，實現(xiàn)中醫(yī)藥領(lǐng)域知識智能問答、健康咨詢、中醫(yī)藥知識圖譜動態(tài)交互三大核心功能，助力中醫(yī)藥創(chuàng)新研究和人才培養(yǎng)、臨床輔助診療和中醫(yī)養(yǎng)生保健，推動中醫(yī)藥文化傳承創(chuàng)新發(fā)展。數(shù)智岐黃數(shù)智岐黃監(jiān)圖22.岐黃問道·大模型生成式人工智能(GenAT)在生物醫(yī)藥大健球行業(yè)應(yīng)用進展報告(2)北京博奧晶方大模型開發(fā)北京博奧晶方生物科技有限公司(以下簡稱“博奧晶方”)系博奧生物在中醫(yī)藥領(lǐng)域布局的產(chǎn)業(yè)化平臺。博奧晶方通過其核心的“分子本草技術(shù)”,構(gòu)建了“多彈打多靶”的中藥組方篩選大模型(900多種中藥、300多種食物提取物、10億級真實基因表達譜數(shù)據(jù)、藥物作用信號通路2500多萬條)。博奧晶方首創(chuàng)基于生物芯片技術(shù)的中藥組方精準(zhǔn)篩洗大模型，用數(shù)字化技術(shù)賦能精準(zhǔn)診療、中藥創(chuàng)新藥研發(fā)、藥食同源健康食品開發(fā)、天然植物化妝品開發(fā)，致力于為中醫(yī)藥現(xiàn)代化和國際化開創(chuàng)全數(shù)智本草大模型是由天士力與華為云在華為盤古大語言模型和盤古藥物分子大模型基礎(chǔ)上推出。目前數(shù)智本草大模型整合了1500+中醫(yī)藥典籍、4000萬篇中英文文獻、10TB中藥以及天然產(chǎn)物現(xiàn)代化研究數(shù)據(jù)，基于數(shù)智本草大模型的數(shù)智中藥問答以及報告生成平臺，通過細分向量庫和使用場景、優(yōu)化向量庫、多種檢索方式結(jié)合，提升了中醫(yī)藥知識問答的精準(zhǔn)性，通過藥典、文獻、指南、醫(yī)案以及中醫(yī)藥現(xiàn)代化數(shù)據(jù)庫等多種科學(xué)證據(jù)支持，深度挖掘和整合中藥藥理、配伍、臨床應(yīng)用等多維度信息，為中藥研發(fā)、復(fù)方設(shè)計、藥效預(yù)測提供科學(xué)、高效的信息整合，從而加數(shù)智本草大模型的天然產(chǎn)物分子大模型，是在300萬天然產(chǎn)物及衍生物結(jié)構(gòu)基礎(chǔ)上微調(diào)而成，實現(xiàn)在天然產(chǎn)物的ADMET性質(zhì)預(yù)測、分子生成、分子優(yōu)化等關(guān)鍵任務(wù)上的性能優(yōu)化，也為中藥復(fù)方的深入研究和還可以結(jié)合天士力開發(fā)的星斗云一站式中藥研發(fā)計算平臺，覆蓋了從疾病靶點發(fā)現(xiàn)、轉(zhuǎn)錄組學(xué)與蛋白質(zhì)組學(xué)分析，到天然產(chǎn)物分子篩選、方劑推薦及分析等全方位品，其支持中醫(yī)(經(jīng)方)領(lǐng)域問題的檢索與回復(fù)，型方式實現(xiàn)中醫(yī)臨床輔助診療(病證診斷、處方推薦等)中醫(yī)藥知識問答等任務(wù)，圖23.仲景大模型介紹生成式人工智能(GenA1)在生物醫(yī)藥大健康行業(yè)應(yīng)用進展報告以GenAI為代表的基于機器學(xué)習(xí)、深度神經(jīng)網(wǎng)絡(luò)和多模態(tài)人工智能的應(yīng)用有望從多個角度優(yōu)化臨床開發(fā)，包括篩選臨床試驗中心、監(jiān)管合規(guī)、藥物選擇和患者入組、臨床研究方案設(shè)計和試驗報告生成、以及提高藥物警戒等方面。以此，從根本上改變醫(yī)療事務(wù)部和整個生物制藥或醫(yī)療技術(shù)行業(yè)管理科學(xué)發(fā)現(xiàn)、開發(fā)和商業(yè)化的方式。最近在GenAI的動向總體呈現(xiàn)兩大規(guī)律，一是提升GenAI技術(shù)服務(wù)能力，通過技術(shù)優(yōu)勢獲得大型企業(yè)合作方的青睞；二是利用GenAI賦能自身自研管線，以期轉(zhuǎn)型為創(chuàng)新藥研發(fā)中心或藥企，鞏固行業(yè)領(lǐng)先優(yōu)勢。在臨床研究中，監(jiān)管合規(guī)是一個非常重要的課題。研究人員需要遵守各種法規(guī)和規(guī)定，以確保臨床研究的合法性和可靠性。然而，這些法規(guī)和規(guī)定通常非常復(fù)雜，需要花費大量的時間和精力來理解和遵守。同時，不同地區(qū)的監(jiān)管要求也可能存在差異，這使得跨地域合規(guī)變得更加困難。傳統(tǒng)上，研究人員需要手動處理監(jiān)管文本，這非常耗時且容易出錯。如果能夠?qū)崿F(xiàn)自動化處理監(jiān)管文本，將大大提高研究人員的效率，并減少錯誤的發(fā)生。最后，不合規(guī)可能會導(dǎo)致嚴(yán)重的財務(wù)風(fēng)險，這將對研究機構(gòu)和企業(yè)造成巨大的損失。利用GenAI結(jié)合自然語言處理、機器學(xué)習(xí)、知識圖譜構(gòu)建等先進技術(shù)，能夠從龐大的法規(guī)文本中快速提取與特定目的相關(guān)的法規(guī)，加速合規(guī)進程，并實現(xiàn)自動化處理監(jiān)管文本，減少對第三方法律和合規(guī)支持的依賴。2023年3月，Medidata平臺發(fā)布了包含超過30,000項試驗與900萬名患者的MedidataAI,將患者層面數(shù)據(jù)直接從試驗中的所有病例報告提取，確保臨床試驗產(chǎn)生合規(guī)的數(shù)據(jù)質(zhì)量，對數(shù)據(jù)輸入中的錯誤、異常值、前后不一致和錯誤報告中的不良事件進行排序和分類，以加快藥品審批流程。此外，強生使用的GenAI項目針對新藥上市合規(guī)審查的需求給予全方面的賦能，通過獲取國家藥監(jiān)局、藥物審評中心、中國食品藥品檢定研究所的法律法規(guī)、指導(dǎo)原則、相關(guān)公告等內(nèi)容并定期更新，利用大模型的能力進行智能語義檢索和細節(jié)內(nèi)容問答，并可通過內(nèi)置實體模型對法規(guī)文檔進行主題分類和實體抽取。針對用戶對于藥品上市合規(guī)審查指導(dǎo)原則進行全文問答，并溯源至原文段落、針對用戶對于法律法規(guī)中段落內(nèi)容的提問，能通過檢索問題相關(guān)的文檔，可選單篇或多篇進行問答，可準(zhǔn)確定位至相應(yīng)內(nèi)容，并總結(jié)回復(fù)、能幫助用戶對于國內(nèi)藥品技術(shù)指導(dǎo)原則中較為專業(yè)復(fù)雜的試驗設(shè)計進行分析總結(jié)。圖24.AcornAI臨床試驗中心分析生成式人工智能(GenAT)在生物醫(yī)藥大健球行業(yè)應(yīng)用進展報告臨床試驗中心的篩選是為了評估其在臨床試驗方面的資質(zhì)、專業(yè)性、合作意愿和經(jīng)驗等方面，以確保在該中心開展的臨床試驗具有可靠性和有效性。這一步驟對于臨床試驗的成功開展至關(guān)重要。通過進行可行性研究，可以為項目組提供在該中心開展研究的依據(jù)，并提前預(yù)判可能會遇到的問題。因此，臨床試驗中心的篩選和評定是臨床試驗開展前必不可少的重要環(huán)節(jié)。生物醫(yī)藥大健康行業(yè)在臨床試驗中心篩選方面存在許多挑戰(zhàn)和痛點，其中，信息不對稱是一個顯著問題，醫(yī)藥企業(yè)需要了解每個臨床試驗中心的實力、經(jīng)驗、設(shè)備和人員等方面的信息，但這些信息并不總是公開或易于獲取。同時，時間成本高和風(fēng)險控制難度大也是臨床試驗中心篩選的挑戰(zhàn)，醫(yī)藥企業(yè)需要花費大量時間和精力去篩選臨床試驗中心，如若選擇不合適的臨床試驗中心可能會導(dǎo)致試驗失敗或者延期，增加項目的風(fēng)險和成本。AcornAI的IntelligentTrials解決方案基于20000項臨床試驗的行業(yè)領(lǐng)先數(shù)據(jù)，提優(yōu)化試驗設(shè)計，選擇最優(yōu)的國家/地區(qū)與研究中心，并在啟動后確保試驗表現(xiàn)良好。GenAI可以利用數(shù)據(jù)分析、智能決策支持和預(yù)測分析等技術(shù)手段，為臨床試驗中心的篩選提供全面支持和優(yōu)化。臨床研究中的藥物選擇是指研究人員根據(jù)研究目的和研究設(shè)計，選擇適當(dāng)?shù)乃幬镒鳛檠芯繉ο?，進行研究。藥物選擇需要考慮藥物的安全性、有效性、劑量、給藥途徑等因素。而患者入組是指研究人員根據(jù)研究設(shè)計和入選標(biāo)準(zhǔn)，從符合條件的患者中篩選出符合研究要求的患者，并將其納入研究中。入選標(biāo)準(zhǔn)包括患者的疾病類型、病情嚴(yán)重程度、年齡、性別、病史等因素，患者入組的目的是確保研究結(jié)果的可靠性和有效性。在臨床試驗研究中，藥物選擇和患者入組是兩個關(guān)鍵環(huán)節(jié)，但存在一定的痛點。藥物選擇需要確保藥物的安全性、有效性和適應(yīng)癥范圍，這需要大量的前期研究和篩選，耗時耗力。而患者入組方面，痛點主要涵蓋招募合適的患者、確保患者符合入組標(biāo)準(zhǔn)、排除患者的合并癥和干擾因素等方面。上述痛點可能導(dǎo)致臨床試驗進度緩慢、成本增加，甚至影響試驗結(jié)果的準(zhǔn)確性和可靠性。在藥物選擇方面，GenAI可以通過結(jié)合多種數(shù)據(jù)源和模型，實現(xiàn)從分子到人體多層次的模擬和優(yōu)化，為藥物的選擇和評價提供更高的精度和效率。此外，還可通過對藥物分子結(jié)構(gòu)的分析，預(yù)測藥物在人體內(nèi)的藥代動力學(xué)和藥效學(xué)特性，從而為藥物選擇提供有力支持。英國人工智能公司Benevolent.AI開發(fā)的PrecisionMedicinePlatform系統(tǒng)可以通過自然語言處理，從文獻、數(shù)據(jù)庫、臨床數(shù)據(jù)等多種來源，從中提取出有用的信息，利用人工智能和機器學(xué)習(xí)技術(shù)進行模式識別和預(yù)測，最終選擇出最適合治療特定疾病的藥物。在篩選患者入組方面，GenAI能夠運用多種數(shù)據(jù)來源，例如電子病歷、基因組學(xué)數(shù)據(jù)和生物標(biāo)志物等，對患者進行全面評估和分析。這有助于確定最適合參與臨床試驗的患者群體。此外，GenAI還可以運用機器學(xué)習(xí)和深度學(xué)習(xí)等先進技術(shù)，對患者的臨床特征等進行深入分析和預(yù)測，從而實現(xiàn)對患者的個性化匹子發(fā)布新一代對話式藥物研發(fā)助手ChatDD(DrugDesign)和全球首個千億參數(shù)多模態(tài)生物醫(yī)藥對話大模型ChatDD-FM100BChatDD-Trial可輔到最適合入組的患者人群。通過發(fā)現(xiàn)藥物敏感的生物標(biāo)志物，更好地理解疾病亞型，實現(xiàn)精準(zhǔn)的患者分類，確?；颊吲c試驗藥物更匹配，減少不必要的變量干擾，i00s生物標(biāo)記物與藥物精準(zhǔn)四配找到最適合入組患者人群臨床研究方案設(shè)計是指在進行臨床試驗前，制定一份詳細的計劃，包括研究的目的、研究對象、研究方法、研究過程中的監(jiān)測和評估等內(nèi)容。而試驗報告生成是指在臨床試驗結(jié)束后，根據(jù)試驗方案設(shè)計的要求，對試驗過程中的數(shù)據(jù)進行整理、分析和總結(jié)，撰寫一份詳細的試驗報告，這份報告需要提交給相關(guān)的機構(gòu)進在臨床研究領(lǐng)域，方案設(shè)計和試驗報告生成面臨諸多挑戰(zhàn)。首先，傳統(tǒng)的臨床試驗設(shè)計和方案開發(fā)過程往往耗時較長，需要研究人員對大量歷史數(shù)據(jù)和文獻進行分析和研究，以確定合適的試驗設(shè)計和終點能存在不確定性和不完善的地方，研究人員可能需要多次修改方案以達到理想的試驗效果。這不僅增加了研究成本，還可能影響試驗進度。此外，臨床試驗設(shè)計方法可能無法充分利用歷史數(shù)據(jù)進行預(yù)測分析，導(dǎo)致試驗結(jié)果的預(yù)測準(zhǔn)確性不足。這可能會影響試驗的成功率和研究成果的可靠性。試驗報告生成方面，試驗報告需要整合和處理大量的結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)，如試驗結(jié)果、患者信息和相關(guān)文獻，這對研究人員來說是一項具有挑戰(zhàn)性的任務(wù)。其次，由于數(shù)據(jù)處理和分析的復(fù)雜性，試驗報告的質(zhì)量可能受到影響，如準(zhǔn)確GenAI基于AI和ML的技術(shù)，通過分析過往試驗數(shù)據(jù)來優(yōu)化臨床試驗設(shè)計來構(gòu)建實現(xiàn)對于歷史試驗的分析和解釋、數(shù)據(jù)注冊表和科學(xué)文獻中結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)生成式人工智能(GenAT)在生物醫(yī)藥大健球行業(yè)應(yīng)用進展報告引擎inClinico,高度準(zhǔn)確地預(yù)測了多項臨床試驗Ⅱ期至Ⅲ期的轉(zhuǎn)化結(jié)果，這項研究成果已發(fā)表在《臨床藥理學(xué)與治療學(xué)》期刊上，該期刊是試驗與臨床醫(yī)學(xué)領(lǐng)域權(quán)床研究提供首個完全數(shù)字化的臨床試驗解決方案，該解決方案將臨床研究和實踐整合在一起，支持更輕松的患者識別和試驗同意，并有助于IRB批準(zhǔn)和臨床研合同談判，消除了與數(shù)據(jù)錄入重復(fù)和數(shù)據(jù)監(jiān)控相關(guān)的挑戰(zhàn)，并減輕了臨床研究人國內(nèi)本土企業(yè)也在探索嘗試，上海耀乘健康科技有限公司于2022年發(fā)布PrCreate臨床研究方案生成系統(tǒng)以及PrimeConstruct臨床研究設(shè)計和建庫系統(tǒng)，支協(xié)助醫(yī)學(xué)、生物統(tǒng)計、臨床運營等各部門專家高效撰寫研究方案，便捷開展團隊內(nèi)及跨部門跨組織協(xié)同編輯、審閱、審批和遞交工作，充分利用方案知識內(nèi)容，實現(xiàn)知識留存的數(shù)據(jù)化、結(jié)構(gòu)化，以協(xié)助臨床運營相關(guān)執(zhí)行文檔和計劃、指導(dǎo)文件的生成，并高度自動化對接試驗建庫工作，達成“方案撰寫即建庫”,加速從臨床研究中的藥物警戒是指對正在進行的臨床試驗中的藥物進行監(jiān)測和評估，以確保藥物的安全性和有效性。其目的在于及早發(fā)現(xiàn)和解決藥物的不良反應(yīng)和安全在臨床試驗過程中，對藥物不良反應(yīng)的監(jiān)測和報告至關(guān)重要。然而，由于醫(yī)務(wù)人員繁忙、知識儲備不足或者報告流程復(fù)雜等原因，可能導(dǎo)致不良反應(yīng)的延遲發(fā)現(xiàn)或者漏報。這將影響藥物安全性評估，增加患者風(fēng)險；其次，藥物警戒涉及多個部門和專業(yè)人員，如臨床研究者、藥品監(jiān)管部門、倫理委員會等。有效的溝通與合作對于藥物安全監(jiān)測至關(guān)重要。然而，在實際操作中，溝通不暢或合作不充分數(shù)據(jù)管理方法，分析包括藥物的化學(xué)結(jié)構(gòu)、藥理學(xué)特性、臨床試驗等數(shù)據(jù)，并利用人工智能技術(shù)來模擬藥物的作用機制，識別藥物的潛在風(fēng)險和副作用，并確保藥物的安全性和有效性。同時，可將實時收集和整合各方信息，提供全面的藥物警戒分析報告，幫助各部門及時識別風(fēng)險、制定解決方案。目前，Labcorp推出了基于GenAI架構(gòu)的臨床/上市后藥物警戒平臺、AI輿情平臺，產(chǎn)品通過客戶的數(shù)據(jù)生成式人工智能(GenAT)在生物醫(yī)藥大健球行業(yè)應(yīng)用進展報告收集整理，然后用人工智能計算機集群服務(wù)做全球的媒體、文獻搜索和訓(xùn)練，提取相關(guān)安全信號，進行風(fēng)險識別，并將安全信息推送給企業(yè)；此外，通義行業(yè)大模型通過API與交互式問答形式提供服務(wù)，并提供用于模型二次訓(xùn)練與評測