计算机辅助药物设计自20世纪60年代被提出，以计算化学、计算机科学和生物学等学科为基础，对靶标蛋白质与配体药物的结合过程进行计算模拟、预测，评估药物分子结构与其生物活性、毒性和代谢等性质的相互作用，进行药物分子的发现与优化。高通量技术的发展和应用产生了丰富的药物、疾病、基因和蛋白质等数据，使得开展人工智能药物发现成为可能。近年来，以Google公司AlphaFold为代表的人工智能系统在生命科学领域取得了重要图谱，推动了人工智能等关键领域在药物研发上的应用。 本白皮书收集了国内外关于人工智能和药物发现交叉领域研究的最新成果，值得学习和研究人工智能驱动药物发现的同行深入学习，希望能有更多一类创新药物发现！

我们很高兴地邀请到来自哈佛大学的Marinka Zitnik教授来给我们做一个关于计算生物学中的图神经网络的讲座。在本讲座中，Marinka教授概述了为什么图学习技术可以极大地帮助计算生物学研究。具体来说，本演讲涵盖了3个范例用例: (1) 通过异构知识图谱的多关系链接预测发现安全的药物-药物组合;(2)通过学习子图嵌入对患者结局和疾病进行分类;(3)通过图的少样本学习，学习有效的疾病治疗方法。

几何深度学习药物发现 药物发现是一个非常漫长和昂贵的过程，平均需要10年以上，花费25亿美元来开发一种新药。人工智能有可能通过从大量生物医学数据中提取证据，显

报告亮点： 1、梳理科技企业在碳中和进程中的责任与定位，研究科技企业实现自身碳中和与赋能其他行业实现碳中和的作用 2、通过研究国外科技企业碳中和路径与举措，总结科技企业碳中和发展路径，构建零碳科技企业发展模型 3、阐述中国科技企业碳中和责任发展阶段、具体举措、影响因素，结合妙盈科技数据形成科技企业碳中和发展指数

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。

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。在此，我们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。

20210518-华西证券-维亚生物-1873.HK-全球领先基于结构的药物发现市场龙头，并购朗华制药战略性进入CDMO赛道.pdf