我们主要还是针对着有机合成这一块来展开的。具体来做一个什么事情，我们并不是说做一些人做不了的事情，我们是想那个替代人工，至少从一定程度上替代人工。降低这个企业的一些研发成本。大概这样子来触发的。具体来说的话，就是针对这样一个有机合成反应，有机合成实验室。我们从他投反应开始的话，就包括这种加料的这种反应的这个进行，进行过程当中的话，我们可以引入一个在线的一些监测设备，包括在线的一些HPRC包括一些在线的红外，可以随时监测到他这个化学反应的一些变化。

然后随时调整，根据这个化学反应的变化。随时调整它的反应的温度、搅拌的速率，反应的时长，还可以在那个对这个反应重新进行一些投料的配比的改变等等。

其实真的我们做的事情其实跟药明康德做的事情其实是的一模一样，就是药明康德合成 CRO 这一块，或者他的那个合全药业做 cdmo cmc 这一块事情，其实做的是完全一样，只是说我们是希望用机器人来取代人工。当然这个过程它不是一蹴而就的。就像王总刚刚提到的特斯拉的无人驾驶，它的无人驾驶最终是希望实现 L5 的无人驾驶，完全不需要人的干预。但其实他也是一步一步过来的，从辅助驾驶开始，只是替代了一些自动的泊车功能或者是自动的跟车功能这样一步过来的。那我们在做的过程当中的话也是这个样子，可能现在可以实现的，一些自动的一些加料、自动的计算、一些这种化学原料的一些配比，自动的监测、它的温度，自动监测它的收率。同时的话，根据他这个不同的收率的话，我们可以自动地判断他如何改变反应条件，是要把温度升高更有利用的反应，还是降低供有率反应，这样的话，这样一个在线的智能化的这种调控的话，是可以完全来完毕掉的。这主要是这个头反应这一块。

那么除了这一个这个之外的，针对于有机化学实验室的话，除了头反应之外的话，其实很多还涉及到一些后处理的问题，包括一些这种分液、然后包括一些成结晶，包括一些过滤，这些操作的话其实也是一个模块的过程。其实这一些相对而言就不需要那么智能化。但是是可以做到一些自动化的实现的话，这一些的话我们也是慢慢的在摸索。

我们知道化学反应的种类非常非常之多，有几万种几十万种之多，每一个化学反应的操作是啊非常之复杂，非常之不同。

因此我们还是从一些比较简单的一些反应入手，最后这个反应它对氧气不敏感，对水可能不敏感，不需要无水无氧，温度的话可能也是在一个室温最佳，或者进一些简单的加热反应。我们从这样的一些反应来开始，比如说以水解反应为例，我们从水解反应开始做起。怎么调它的甲醇和乙醇的一些配比，氢氧化钠，氢氧化钾的加量到 1.2 当量还是 1.5 当量，这样一些正确慢慢的开始，通过这样一些简单的反应来训练优化我们的模型算法，看一下我们的在线的这种监测的设备，它是不是非常的智能化，非常灵活。把这些做成了之后的话，后面慢慢的会把这个反应的类型慢慢扩展开来，从而达到就是完全这个无人值守，所有的化学反应通用性的这样一个目的。但这个过程其实还是需要一些时间的，无人驾驶这个这一波，可能是 5 年时间过去了，可能我们路上还没有看到可以彻彻底底可以解放双手的一些无人驾驶的存在。所以我们这个过程的话可能也是需要五年十年的这样一个阶段，才能看得到真正的一些无人值守实验室的存在。现在我们可能偶尔在某些地方，尤其是在国外的话，可以看到一种概念性的无人实验室的一些存在，相信会慢慢的普及开来。

你刚才说的非常对，这个 rna 有多种多样，我都记不起来有多少种，能列出一大堆来。那么最能最跑到前面的能成药的，一个siRNA代表性的这个公司就是Alnylam这家公司。那么 ASO 这个代表性的公司是Ionis 。那么我们认为 ASO 它的这个适应面应该是最广泛的。你大家可以看一下Ionis这家公司，跟他的这个相当于是一个重磅的药吧，这个治疗SMA的这个药在 2020年，已经是超过了 20 亿美金的年销售。那么所以说这个另外一个就是说 FDA批的 ASO 的药现在好像已经批了至少是 8 种了。这也是在小核酸里面是批的种类是最多的。那么你看它的管线里面，它cover 了这个从肿瘤、心血管、神经，它的 cover 的面是非常广的。 RNAi它也是一个非常promising 的方向。但是他跟 ASO 比就是他的这个递送还没有能够变得非常广泛，但是他靶向肝脏是没有问题的，其他的组织，现在大家还都在做功课之中。为什么我们选择这个 ASO 这个方向，它的适应面非常广，而且对于不同的致病突变，你能够找到一个可以成药的 ASO 的这种几率也是最大的。

那么 AI 在这里面的这个起作用的这种可能性也是最大的，这是我们自己的观点。因为什么呢？首先mRNA剪接这个问题上面的，我们是可以用 AI 来做预测的，某一个突变是不是造成 mRNA 的剪接的这个问题，目前我们的这个模型可以做到非常高的精确度。所以为什么我们在小核酸领域，现在我们打算 focus 在这个 ASO 领域， AI 在这上面是一个非常好的一个应用场景。相比之下这个其他的这些方向要不然就是太早期了，要不然这个适应面不够广。

我们说的这个 ASO 它的长度一般是在 30 个 base 以内。那么它是跟 mRNA 的序列，它是形成一个互补配对的这么一个结构。所以说这个设计 ASO 的人往往就是一个 base 一个 base 的挪过去，然后在一个细胞水平上用高通量的筛选去看哪一个序列是可以纠正他的这个问题。传统上来讲非常耗时耗力，你要耗掉很大的这个金钱和时间去合成很多的不同的序列，可能动不动就是上千个序列，然后再要在细胞水平上去做高通量的筛选，这个过程也非常的复杂漫长。但是有了 AI 以后，我可能只要做几条不同的，可能每一个都是在 20 个 base 左右，我只要做几条我就能够保证找到你想像这个要的序列。这个 AI 是实际上现在已经有一些比较好的一个预测的工具。那我们要实现里面去拿到更多的数据，这样的训练的模型能够更精准。

核酸药物它也分有几种，一个是这个si RNA说这个 rna 干扰，这一类的这个药物。那我们最近 focus 在这 ASO ，就是反义寡核苷酸这一类的这个药物。那么这个 ASO其中有一类这个，实际上 AI ASO 领域有一家公司是非常了不起的， 叫Ionis，是一个时间还蛮长的一家公司，沉寂了有将近 30 年，最近这几年就爆发了，所以说我觉得像这样一家公司，他这个三十年如一日，在这样一个一开始不被大家看好的一个领域去耕耘，这 30 来年也发了有上千篇的这个论文，现在一下子就爆发了，他们就专做一件事，那么这 ASO 要解决的其中的一个问题是什么？像我刚才说的这个 dmd 这里面，来解决一些，这个由于错移突变还是引起的这个叫 frameshift 或者说这个 stop code 这个问题。

 

 

那么AI 在这里面起到一个什么作用？首先就是我刚才讲的要先找到这个致病突变是什么，那么我刚才讲的那实际上就讲的那一大段里面，基本上先要解决什么事，就用 AI 的这个模型来解决什么是致病突变。比如说我们前一段时间有一个病人的家长，正好是我的这个认识的一个朋友，他这个小孩得了一个病，他这个病实际上在一个基因上面有一个单碱基的突变。之前这个医生就觉得他是因为造成了一个氨基酸的变化，所以就治病。但是在我们模型跑了以后，就发现他实际上是造成了多切掉了 36 个碱基，那么后来我们在细胞水平上也验证了。那么现在假如去干预的话，那我们怎么样去设计一个 ASO 来去让他纠正 mRNA剪接的问题。那这个时候我们 AI 又有用武之地了，这个 ASO 传统的办法，说你可以在一个，你怀疑会引起这个 mRNA 剪接错误的这个地方，你去合成这个比如说二三十个 base 的这么样的这个 ASO， 一个一个的去合成。那你有可能要一下子就合成上千条，但每一个他的合成的成本都非常高，经过我们预测以后，我们可能只要合成几条就行了，我们给你大大缩小了范围，能够让你在最短的时间内用最少的代价就能够找到一个非常合适的 ASO 的序列。当然这个序列我们还要去计算它的实际上的这个由于拖把造成的这种这个毒性，所以这个 ASO 我们要是跟 AI 结合了以后，我们就会发现我们对于他的这种预测、设计都会大大的提高效率。将来假如说真的哪一天 ASO 变成了一个非常个性化的治疗，假如有 AI 能够大大的提高效率的话，这件事情就变成了一个可能，不然的话，全世界只有这一种治病突变的一个病人。你不可能说一个药厂为他花几年的时间去开发，所以说这个很可能变成了个性化的治疗手段。假如说没有 AI 的话，这个是没有办法做到的。

关于应用那个 AI 来筛选新药或者是以前我们叫做用计算机来筛选新药，就是计算机辅助药物设计，其实这个概念已经是比较老的一个概念了，在国内其实都存在了20年以上，在国外可能是更加历史更加悠久的这样一个技术。那么现在的话我们用 AI 来筛选新药，新药很多可能就是源自于CADD的这个流派，然后加入了一些新的 AI 技术，这样子来发展过来的。所以像我们国外的玩家，最典型的就是薛定谔了。薛定谔是一家开发CADD软件或者叫AI软件的这样一家公司，它主要以售卖软件这样为主，当然也会做一些这种写自己的新药的一些管线还慢慢来进入。所以说 AI 筛选新药应该不算是一个特别新的行业。只是说我们现在又重新把这个热度给它提起来而已。我们能看得到国内包括是创业公司或者一些课题组，其实很多都是在以前一些 cadd 的老的这样一些科技组的基础上发展起来的。但是的话，其实那个AI 制药的话又不完全等同于 cadd 因为以前 CADD 的话，其实它主要通过这种超计算机完全基于算力的这样一些对小分子和那个蛋白药物的一些一种对接。那么这个地方的话，它一个是非常消耗算力。以前的话除了像上海药物所或者是一些比较知名的一些研究机构的话，它会能有这种超级计算机的存在，这种算力的存在才可以做这样一些任务。大部分的筛选。这是其一。

其二的话就是这一个方向的话。它的精度以前存在的一些那个不是特别的准确的这样一些疑虑。那么 AI 技术的引入的话。它在以前纯粹基于算力的基础上的话，做了革新，很多革新算法的引入导致以前非常消耗算力的一些环节的话，我们可以通过 AI 来实现，这样可以降低一些依赖，从而这个提高一些新药虚拟筛选的这样一个速度。

另外的话，这个新算法的引入的话也大的提高了这样一些以前一些精度不够高的一些问题。以前它的可能准确率命中率比较低，AI引入之后的话其实会大大的提高它这样一个准确率。

这样子就是通过 cadd 这样衍生出来的。那么其实是我们大家知道，其实 AI 是基于大数据的。那么其实除了基于 cadd 之外的，还有一个基于数据的一个新的这样技术流派出现的话，

包括跟那个高通量筛选或者是跟一些第一编码化合物库，这些可能是提供了一些大数据量的这样一些平台。比如说成都的先导这样一个 dell 技术的话，他们跟腾讯的有一些合作，包括国外的 Google 公司跟那个 xcam 的一些合作的话，他们是完全基于数据的，而不会基于算力的，基于传统CAD的这样一个东西的话，这样的话也是在那个我们 AI 制药的话，也是带来了一些比较新的这样一些东西。这两个技术的流派的话，其实可以是互相补充、互相协作存在的。就像那个我们华山派里边那个剑宗和气宗一样，其实都是可以独立发展，但是也可以互相协同，共同来把这个 AI 制药的这任务完善掉，最终有助于新药的一些发现。