未来十年，生命科学领域是蓝海，原来传统的制药是十年内大量资金的投入，最后研发出一种普适药物。如今，个性化精准医疗正在发展，越来越多个体化治疗方案出来，包含免疫疗法，现在瓶颈是价格高，精度低。如果AI能促使药物研发价格降低，研发效率、精度提升，我觉得会颠覆现有的医药、医疗行业。

—— 马维英

【论坛介绍】

首届中国生物计算大会——暨数字医学创新峰会于5月10日-11日在苏州国际博览中心拉开帷幕。本次大会邀请到超过100名学术界、产业界顶级科学家、业界精英及中外嘉宾参加，以“生物计算”为中心探讨药物研发、创新企业、数字医学等话题。超过1000名学者出席线下大会，同时有共计25万名观众线上观看了大会直播。

中国生物计算大会由百图生科与播禾创新联合主办，旨在联合生物技术和信息技术的产业伙伴，共同打造多方融合的产业生态，通过信息互通、资源共享，推动实现人工智能对生物技术领域的全面赋能。百图生科是中国首家生物计算驱动的创新药物研发企业，由李彦宏发起设立，企业首个全球研发中心已签约落户苏州工业园区。

论坛邀请到了北京大数据研究院、中国科学技术大学大数据学院首任院长鄂维南院士，西湖大学校长施一公院士，上海交通大学医学院教授、清华大学免疫研究所所长董晨院士，中国科学院肿瘤与基础医学研究所所长谭蔚泓院士等行业科学家、意见领袖、企业伙伴参加。大咖云集，展开了一场学术盛宴。

【深度对话】

5月10日上午的主会场，举办了一场“生物计算大家谈”的专场论坛，对话由百图生科联合创始人、CEO刘维主持。清华大学智能产业研究院（AIR）惠妍讲席教授、首席科学家马维英受邀出席，对话恒瑞医药高级副总经理、全球研发总裁张连山，药明康德联席首席执行官杨青，佐治亚理工学院机器学习中心副主任宋乐，产业界与学术界专家共同探讨“跨界融合的新药研发模式”。

刘维指出，生物计算的进展不像人们想象的还在早期阶段，其实已有很多深入的探索。对话嘉宾表达了对生物计算的引擎下能够衍生出的跨界融合的新药研发模式的期待，肯定了人工智能等新技术在药物研发方面的贡献。

药明康德作为一个提供全方位、一体化的新药研发和生产服务的平台，一直致力于引进新的技术。杨青说：“任何新的技术，如果能够提升研发效率，加快研发速度，能让我们以更快、更好、更经济的方式为客户提供数据，都将对创新产生非常积极的作用。”

张连山说：“过去能做的靶点我们做了非常多，这给社会和患者带来了很大的福利。但到今天，制药的过程变得更复杂了，新的靶点找不到，一种药要用到10亿美金甚至是更高昂的价格去研发。”但他也坚信，通过科学技术来探讨新的模式，是有办法把做药的成本降下来的。

从互联网人工智能研究“跳槽”到生命科学研究的马维英对生命科学的未来发展充满了期待，他指出未来十年的人工智能在生命科学、生物计算领域会有一个爆发式的蓬勃发展，这相当于过去20年互联网的时代。马维英说：“我现在就很兴奋，每天都有很多新的问题，生命科学领域是蓝海，而且有巨大的机会颠覆医药、医疗领域。”

同时他也提出了对智慧医疗领域的期望，希望通过人工智能技术加快新药研发速度，推进个性化精准治疗。“越来越多个体化治疗方案出来，包含免疫疗法，现在瓶颈还是太贵，精度不够高。如果AI能促使药物研发价格降低，研发效率、精度提升，我觉得会颠覆现有的医药、医疗行业。”马维英说。

对话嘉宾肯定了数据在生物计算领域的重要性，通过AI将各种数据进行整合、分析，是助力新药发现的新方向。马维英举了美国的大学做TDC的例子，并认为这样的方式非常值得中国学习。“TDC是一个公开数据集，目前收录了 22 个机器学习任务，以及与它们所对应的与安全药物研发过程有关的 66 个数据集，这有点像计算机视觉的工作。如果能帮助AI人才走进生命科学领域，这是一个非常好的方式。”马维英说，“因为AI和计算机领域的人才，不一定了解医学，但如果有专门的生命科学专家制定任务，又有标准化的表达。大家就像竞赛一样，数据集被公开后，就会有人想办法提高精度。这样的方式是值得我们参考的。”

在AI赋能个人健康方面，马维英认为如今人们越来越重视个人健康，甚至会穿戴健康监测设备。如果能让用户积极参与健康管理，主动提供个人健康数据，以此来驱动更多的数据，能为生命健康领域提供更多更重要的参考价值。

马维英关于建立生物计算数据集的观点获得了台上嘉宾的认可，嘉宾们希望能够牵头把生物计算领域的数据集建立起来，打造数据和AI模型闭环系统，加强数据间相关性，用AI来挖掘、探索新药的靶点或者药物设计。

宋乐认为，医药行业如果能建立一个平台或系统，用户就可以来使用，其产生的数据就相当于湿实验数据，很多时候AI模型是否起作用，是跟数据绑定的。“如果没有数据和AI模型闭环的操作，我们很难看到AI模型的不断迭代和升级，不断发现用户的需求，做出精准推荐。”宋乐说道。

但是，打造数据和AI模型闭环目前仍面临着一定的挑战。马维英说：“我们的确需要一个生态，但是生命科学是需要专业知识的储备，这就是为什么说需要一个生态，以及跨学科能力，甚至将来在培养人才上都需要进一步把这个打通，包括把数据关联、知识关联起来。”他还表示，需要把知识引擎、知识图谱规则引入到深度学习里，让AI继续往前突破，把知识跟符号逻辑，跟纯数据驱动的，或者将模型驱动和数据驱动进一步结合，再把湿实验室打通，创新才会越来越快，科学发现才会越来越快。

最后，马维英对人工智能赋能新药研发提出了大胆的设想——希望通过AI实现个性化的药物研发，使药物针对个人能够成药，这是AI的发展空间，也是AI的一个机会。

【精彩回顾】

以下为“深度对话：跨界融合的新药研发模式”完整视频

精彩内容点击回放

以下为对话原文：

刘维：刚才院士们讲完，现在轮到我们有压力了，但是比我们压力更大的是初创的生物计算的公司。因为今天在我们请来的嘉宾老师中，无论是来自大药厂还是学术界的老师可能很快会分享一些观点，这些观点会让我们发现，生物计算的进展不像我们想象的还停留在早期，而是已经有了许多探索。其实我们应该从常规的自我介绍开始，但是为了节约时间，老师们就结合各自在生物计算领域已经做出的探索谈起吧。

张连山：首先很高兴参加这个深度对话，我们的企业家领导和院士把大的方向定下来了，我们作为实践者就是实事求是地做事情。有想法是必须的，有资金也是必须的，我们就是要思考怎么把各个方面的技术平台连接起来。我来自于江苏恒瑞，负责公司研发。在设计领域，我们较早，至少在五年之前就已经跟许多公司有过接触。我们毕竟是制药企业，还是要通过与外部合作的方式来做事情。

为什么要做这件事呢？因为在过去我们是从拆做药，刚才也讲到计算机辅助制药的发现，当时能做的靶点我们做了非常多，这也给社会和患者带来了很大的福利。但到今天，制药的过程变得更复杂了，新的靶点找不到，这就是为什么我们需要AI的帮助，需要方方面面的支持，这也是为什么一种药要用到10亿美金甚至是更高昂的价格去研发。但是最后这些都到了患者身上，大家都说这些药太贵了，而事实上是研发成本在上升。今天，我想通过跟同行和跨领域的科学技术的研究者来探讨新的模式，把做药的成本降下来，我想是这有办法的。

杨青：药明康德作为一个赋能平台，一直致力于引进新的技术。对我们来说，任何新的技术，如果能够提升研发效率，加快研发速度，最终能够让我们以更快、更好、更经济的方式为客户提供数据，都将对创新产生非常积极的作用。当然，作为赋能者，我们认为更多的新药的研发工作还是由客户来引领的，这是第一点。

第二，很重要的一点也是一公院士曾提到一些观点，其中结尾部分说得很好，就是关于计算和生物学未来的关系。在我看来计算是一个基础能力，我们在这方面也有一些实践，首先我们广泛地运用量子力学作为工具来预测并且分析化学反应的产率和路线，这个工作由魏博士领衔，并且有了一些成绩，魏博士也写了一本讲义，我们将它放在了网络上，希望与同行分享，这也是对行业的贡献。通过这样的方式，我们能够用量子力学计算的途径，更好地预测反应的结果，提高反应的效率。

同时，我们也积极地和新锐的生物科技公司进行合作，尤其是DNA编码化合物库工作也是和Schrödinger公司有联合的赋能方式，这个方面有一些实践、一些工作已经发表。

第三点，我想做一个广告：我们的黎健博士是量子计算领域的大咖，明天早上他将有一个专题演讲，我相信这场演讲会非常精彩，他有数年积累和许多洞见，希望大家能够从他那里得到更多干货。

最后，我们一直认为创新不止是自己闭门造车，而是要采取合作，我们广泛地参与了行业联盟，例如MIT（麻省理工学院）牵头的跟化学反应优化相关的学术和行业联盟，我们是联盟的成员，和大药厂、学术机构一起，通过不同方式打磨研究怎样能够用一个软件做好化学反应逆合成预测，这对我们来说是能够提高效率的，提高了效率，尤其是对于我们的核心业务化学服务，是对客户来说非常有价值的。

马维英：在这个领域，我是最新进入的研究人员，过去20年我一直在互联网做搜索、做推荐、做内容生成，基本上做的都是比较传统的AI，例如计算机视觉、自然语言处理、语音、机器翻译、个性化推荐算法等，在这些方面我做了非常多的工作。那为什么开始对这个领域感兴趣呢？因为大概在2019年，我留意到做自然语言处理的人开始关注新药发现，我了解了一下为什么这两个领域会产生交叉。从那个时候起，我就进入了这个领域，后来我发现，随着数据积累到一定阶段，接下来十年AI在生命科学、生物计算领域可能将会有一个非常大的爆发和蓬勃的发展，就相当于过去20年这样一个互联网的时代。所以我最近常常跟AI领域的同事说，你们不要在红海里面“拧毛巾”了，当然了，无论是在视觉还是自然语言理解方面都还有非常多的事情可以做，但是今天在生命科学领域，我们把已经有的工具借鉴过来，就会有非常大的突破。

我举一个例子，自然语言理解也有GPT3预训练模型，这个模型写文章的水平基本可以达到和人一样，自然语言其实就是文字组合成的一个具有语义的表达，又或是说一篇文章能够传达一个意思，一篇文章能写好。分子化合物怎样能够合成，它有怎么样的结构，有什么样的功能，也可以运用深度学习来学习这样一个转化函数。机器翻译在过去几年取得突破，最近神经网络也发现这个药，三维结构也可以用图到图生成的模型，生成模型在过去三年发展非常快。

我看到的是一个让我很兴奋，每天可以有很多新的问题，是蓝海，而且是有巨大机会能够颠覆的医药、智慧医疗的领域，我对于接下来个性化个体精准的医疗，原来传统的制药模式是通过十年大量资金的投入做成一个药，这个药是平均药，每个人都能够用。但是我们知道现在有越来越多的个体化治疗方案出现，包含免疫疗法，我也发现现在的瓶颈还是成本太高，精度不够。我觉得，如果AI进入这个领域，能够将药品价格降下来，基因测序价格降下来，使得快速预测癌症的新抗原这种个性化的药品和治疗方案出现，时间降下来，精度提上去，会颠覆现有的医药医疗行业。

我个人刚刚进入这个领域，我非常兴奋，也期待跟这个领域的众多专家学者一起交流学习，在我个人看来，这个领域将会有十年大的发展机会。

刘维：马老师是真人给我们做了一个广告，AI的很多领域已经逐渐内卷了。我们请线上的宋老师讲两句。

宋乐：我是百图生科的科学顾问宋乐，我的背景和马老师有很多重叠的地方，过去大部分时间我在AI和互联网领域，研究AI对模态的数据分析，包括图像、文本和复杂网络的数据分析，在学术界我也做了许多生物相关数据的分析，包括多组学转录的数据，还有小分子数据、小分子合成以及逆合成的分析。我觉得现在到了一个点，很多公开的数据集存在在互联网上，同时有各种各样的湿实验手段能够测量生物的不同指标，现状似乎到了一个点，我们能够通过AI的方法，把公开的数据和湿实验采集的数据结合在一起，希望AI在其中起到桥梁作用，为新药的发现助力。也希望今天能够和制药行业、生物计算行业的同行们一起交流碰撞，找到一些关于AI助力新药研发的新方向。

刘维：谢谢宋老师。接下来我会问一些尖锐的问题，两位来自大药厂或大药企生态链的高管都很拥抱生物计算，邀请你们来也正是因为我们看到了这一点。恒瑞投资的很多企业都做了积极的合作，药明康德跟我们一起投资了许多领域的公司，你们各自内部都有很庞大的团队在做这方面的研发，而且医药研发企业的投入都很大，我想请问两位，还有什么机会是留给外面的AI药物发现或生物计算企业的，有什么事是你们做不了，希望他们来做的？

张连山：我开一个玩笑，我说AI缺乏名中医，中医诊断可能是AI用途巨大的地方，因为中医可以问表象把病治好，这个角度很有意思。从企业这个角度来看，我们去年是有50亿的研发经费，我们希望有更多的投入。在做药方面，我们对AI非常有兴趣，因为我们很难找到全新的靶点，政府和国家层面都希望做一个First-in-Class的东西，这个东西从什么地方来？一个是靶点的发现，有了靶点的发现，下一步分子的发现，过去是靠猜，后来靠计算机辅助设计，现在更多地是应用AI技术帮我们去完成，但现在这还处于初期。

刚刚杨总讲到，包括整个生产到市场的过程，市场更重要，最后的精准诊断和精准治疗，从我们的角度来说，我们希望这个技术的应用能使我们的研发效率大大提高，研发的成本大大降低。当一种新药生成，服务于患者的时候，刚刚马老师也说了，他比我们理解得更清楚，这就是精准诊断、精准治疗。每一种药并不是对每一个患者都有效的，如果没有效的话带来的就是副作用。在这个过程当中，如果能够通过AI技术来帮助我们完成精准诊断、精准治疗这个过程，成本会大大下降，我们就可以腾出更多的资源去做更重要的事情。

今天，我的团队负责做BD和做发现的成员也来参加会议了，我想让他们来听一听如何在技术的基础上，把我们制药的经验和对生物的理解结合起来，唯有这样我们才能完成这个过程，在今天这个时代，我们必须以开放的心态去完成这件事，有人可能会认为，AI的事情做出来，我们的化学家不就会失业了吗？不会的，我们只会更高效地完成更重要的事情。

杨青：我想补充两点，第一，医药行业作为非常重研发、重投入，而且是非常长期的投入的行业，一直对数据和计算的投入都非常重视，也积累了非常多的数据，但是这些数据是不是结构化到一定程度，这是仁者见仁，智者见智的事情，有很多能人志士对怎样提出洞见有几十年的积累，在这一点上，计算对于医药行业并不是从1到1，但当然有很多机会往前推进。

第二，我们这个行业价值链非常长，如果我把这个问题分解成三个问题，就像三个同心圆一样，第一个挑战就是基于已知的靶点，尤其是小分子靶点怎样设置出一个配体，一个异质物、激动剂是边界比较清晰的问题。第二个问题是同心圆以外的靶点和通路怎么样设计出新药，使得整体的临床成功率能够得到提升，这不单是效率的提升，还是质量的提升。最后，计算的核心，数据的洞见是怎么样发现的，用传统的还原论，一个靶点到一个分子的思路发现不了的新的适应症，新的治疗方法，崭新的治疗领域，每一个的计算量、数据量产生的可能性，对算法的要求都要更多一些。我学习了行业文献，大多数的定义还是在第一个同心圆内，这三个同心圆是这样的关系，很多还是在同心圆里面的子集，这没有关系，只要我们作为一个行业，无论是学术界还是来自传统医药行业或是IT行业的新的有能力的人们，把它融合起来，一定能取得进步。我认为进步的第一个场景是提高效率，无论是拟合成还是看起来小小的步骤，因为千里之行，始于足下，这是很重要的，以后怎么样做，要观察各种路径，各种尝试。虽然我没有水晶球，但是对未来还是谨慎的乐观。重点从质量、效率开始，核心是怎么从效率的提升转变为质量的提升，尤其是决策质量的提升，好的决策需要来自于好的数据质量。

刘维：大家愿意把数据开放给AI侧的伙伴吗？这是一个通用的问题，我们也请两位AI方面的专家来谈谈，如果他们回答是yes的话，你们想要什么数据加速模型的构建？

张连山：我们从一个靶点开始，这个东西完全可以跟大家共同分享，我要的是分子，至于里面的知识是可以跟大家共同分享的，这个应当是没有问题的。

杨青：药明康德作为赋能平台，产生的数据是客户的，客户有很多合作方，在客户许可的情况下，这些工作是由客户主导，从我们的角度来说，我们效率的提高可以运用一些数字化运营的数据，但是这个跟您问的是不一样的问题。

我个人的想法首先是在学术期刊上面有一些数据，其次在自动化，尤其是各种平行反应都成为现实的情况下，以比较快的速度产生定义比较清晰的结构化的数据，如果是设计出来的实验，它们的质量和均一性会比较好，传统数据无论是生物学还是化学数据，尤其是生物学数据，它的来源、偏差以及它背后的假设，每一个数据的得出是与实验条件以及很多变量结合在一起的，所以我觉得我们的行业还处在一个摸索的过程中。

马维英：最近我注意到美国有几个大学在做一件事情叫TDC，这是一个公开数据集，有大概60个数据集和20几个任务，有点像计算机视觉里面的工作。这件事情现在刚刚开始进行，如果生命科学领域能够帮助AI人才进来推进这个领域的发展，我个人觉得这是一个非常好的方式。我们也在考虑加入，因为一般做AI和做计算机的人，不一定对医学、医药的机理那么了解，二十几个任务是由专门的生命科学的专家制定出来的，又具有标准化的表达，大家参与竞赛。这个公开数据集完成后，还将会有很多聪明人想办法为其提高精度，这是值得参考的，我们是不是也可以将类似的方式，用于中国比较新兴的领域，比如中医，是不是可以有中医的TDC。

另外一个维度也可以考虑，另一个切入点就是个人健康。我们有越来越多的工具，包含可穿戴设备，AI赋能个人健康，让个人积极主动参与健康管理，个人也会贡献数据。例如美国的一个APP，病人和用户主动参与，以开放的模式驱动数据AI在医疗、生命健康领域发挥作用，这是一个值得参考的方式，大的药厂的数据也是非常有用的。

整体来讲，AI还是靠数据，目前如果说数据本身制约了这个领域的发展，我觉得这是比较可惜的事情，但是我觉得我们已经看到了希望，无论是采用像TDC这样的方式还者是赋能个人健康，使得个人参与贡献自己一生健康的数据、基因的测序，最后时间累计下来那是极为可观的数据量，所以我个人觉得，随着时间的发展，数据的问题应该能够被解决。

宋乐：首先我很赞同马老师说的一些观点，包括医药行业如果能够设计一些数据集和问题，就会有更多的人参与，以及利用AI来挖掘、探索新药的靶点或药物设计问题。

还有一个非常重要的问题是，很多时候AI起作用，是和实验平台进行闭环的，从互联网的角度看，有许多非常相似的东西，比如说搜索和推荐平台，在很多情况下这些平台搭建起来后，用户使用这些平台，他们的行为也会更新AI模型，AI模型会产生一些新的推荐，用户根据推荐完成一些相应的操作，就会有越来越多的数据累积到平台上。

某种意义上来说这有点像互联网，如果没有数据和AI模型闭环的操作，我们很难看到AI模型的不断迭代和升级，不断发现用户的需求，做出精准推荐。除了刚刚说的数据集设计以外，还有个非常重要的点是在数据和AI模型之间产生的闭环系统，让更多人尝试用系统发现新的药物靶点或者药物成为可能，这也是非常重要的方面。

刘维：我挺同意马老师和宋老师的观点，我们百图生科也很想做宋老师所说的闭环系统，我们对自己的定位是创新药物领域的创新药厂，我们希望这些领域能起到这样几个作用：一是由于整个行业的数据都是很稀缺的，比如董晨老师提到的免疫靶点的数据，尤其是在自身免疫性疾病领域，整个行业的数据都是稀缺的，大药厂数据也有限；第二就是研究出如何把闭环的验证能力建立起来，无论是我们自身利用数据集进行更好地学习、验证，还是为行业更多的AI伙伴提供循环，使得伙伴们可以围绕新的数据挖掘出新的可能，最终赋能传统大型药厂，我们可以看看大型药厂如何围绕这些东西进行后续研发。其实，围绕新的数据集和新的计算方法所进行的初期尝试失败率还是比较高，故此需要较长周期的验证才能符合大药厂的标准。

张连山：其实也在讨论中也提到过，存在很多数据，但是没人能够将它们结合起来。这些数据似乎是不相关的东西，但是通过AI处理找到它们之间的相似性，找到数据中那些实质性的东西。我在生物研究里面寻找靶点，如果有靶点，我们也有各种各样的东西能够去完成，通过AI，我们也知道完成哪一个的成功率更大，但是那是后话了。我们要把所有数据都做起来，数据就是数据，要把这些方法联系在一起，这是我认为在这个领域实现突破最重要的一步。

刘维：把数据相关起来，很多数据的批次效应是散在各处的，标准化程度不够，这在以前虽然不形成阻碍，但是现在颗粒度越来越细，误差就有可能掩盖规律，怎么在建设更体系化的数据集当中把这些因素考虑进来，是我们百图生科作为一家专注于生物计算的公司努力探索的问题。为什么我们想把数据集的建立放在新兴、前沿领域？这是因为大家都没有数据，而假若我们能够牵头做出一些大的投入和努力，将这个数据集的基础建立起来，以后大家交流就会更容易。

马维英：我们的确需要一个生态，因为整个链条非常长，它有些部分是在生物跟医学本身找到更多新的机理，传统的AI机器视觉能够识别就可以做，但是生命科学需要的是专业知识的储备，这就是为什么说需要一个生态跟一个跨学科，甚至将来，在培养人才上都需要进一步将这些方面打通，包括把数据、知识关联起来。其实就像是实验室也必须跟数据分析、AI形成闭环的。做AI制药公司，只是把小分子化合物算出来，交给后面的（人），他也不知道怎么引导去搜索更好的药物空间，这目前还是一个断裂的（状态）。

我也发现，现在有一些做合成生物的前沿科技公司非常有趣，（例如）做单细胞的免疫疗法的，那一块如果能够有效地跟AI制药，特别是大分子药，小分子药现在也存在着很多问题，好像发现药的结构都大同小异，因为是数据学习得出的，并没有办法去探索一些完全的可能。我认为我们的确需要把知识引擎、知识图谱这些规则的概念引入到深度学习、统计学习里，这也是AI进一步往前（的方向），生命科学也为其提供了新的土壤，让AI继续向前突破，把知识跟符号逻辑，跟纯数据驱动，或是原来是由模型驱动和数据驱动进一步结合，再把实验室打通。将来越打通我们转得越快，创新也会越快，新的科学发现也会越快。

刘维：我问大家最后一个问题，假如现在有一个计算是计算可成药性，如果没有生物计算，这个药不太可能做出来，因为转化率低，没有人敢做，那么在大家心里会比较看好哪一个细分领域？因为生物计算出现一大批的创新药物，这个领域跟原来的领域发展速度不一样，呈现爆发式增长，大家有没有自己看好的领域？

张连山：我希望在中国小分子领域有一些突破，我也很有信心做到这一点。

杨青：我觉得用计算的方法提高研发效率，尤其是小分子化学的，这个肯定对研发是有所促进的。成药性，如果是在结构已经确定的情况下，应该是从计算方面有潜力解决的问题。实际上我们并不需要千人一面，根据一个靶点有一千个同样的药物，有趣的问题是更开放性的问题，实际上是怎么走出下一步，即AI计算怎么提高研发决策质量，从这一点上来说还是要依靠大家的继续尝试。

马维英：我个人的理解是，如果是在已有的靶点上使用AI的方法算结构，预测功能，这方面大家已经比较清楚怎么做。新的机会有没有可能会是这样：将来AI成药性是指对于个体、个性化的，针对个人是可以成药的。在这件事情上AI有多大的空间，可能也是AI的机会。

宋乐：我很赞同马老师的观点，除此之外，另外一个理解就是AI可以在哪些方面助力现在的新药开发。我觉得，有一些问题，一些公开数据集已经存在了，只是散落在不同的角落，为了发现新的靶点和新的药物，（我们）把纷繁复杂的数据组合起来，通过AI模型进行数据分析和推理，或者在一些场景下面有巨大的搜索空间，例如小分子的结构，或是蛋白质结构，需要通过AI来进行筛选。在这样的情况下，AI会助力传统医药研发，会带来突破。

刘维：我自己会选择与两个大药厂的不一样的，你们选的我就不选了，你们选了小分子，我们会把重心放在大分子药物的设计中。马老师也提到蛋白质本质上是一种语言，对整个状态空间都起到了辅助探索的作用。我们自身会围绕复杂动态免疫问题，将复杂的可编程抗体作为我们的重要方向，希望在这个过程中实现马老师提到的千人千面、比较精准的，针对你（所提到）的动态免疫组装针对性免疫药物。

时间关系，今天我们就交流到这里，谢谢各位。

撰文 / 冼晓晴

编辑排版 / 冼晓晴 刘聆羽

校对责编 / 黄妍