对，这个我其实我先回答之前，我先 echo 一下刚刚 Michael 讲的这个重点了，其实它那个跟我们的衰止是一样的在不管是药物递送或者之后，我讲的像核酸这种有很多的是 biology 有一些 unknown ，比如说你这个东西到底在体内怎么 distribute，这个高端制剂怎么进到细胞里面去，然后它怎么内胞逃逸。其实它本身的逻辑是因为那个 first principle 的如果才没有那么清楚，如果那个都很清楚了也不需要 AI 你有非常明显的那个像射火箭那种方式，它就可以算出来。流动力学的时候，你不需要用 AI 去做。

 

那我们的 fundamental 的原因其实是因为有一些 biology 的这个 process 是 unknown 的，所以它得用数据导向去做这个分析，刚刚讲人脸识别，你要写一个 route真正去分析一张脸是非常困难的，但你人一看就看得出来，其实它其实是用那个大量数据 training 完之后，去把这个东西变成一个 somehow data driven 的一个 black box，然后把一些重要的 feature 之间的关系给发现出来，这个是 AI 底层的目的。简单说我们在各个可以用 first principle的方式，我们都会用first principle，比如递送里面有一些东西是可以直接用算的，那我们就会直接用算的，用量化的方式去得到parameter，然后在一些 unknown 的部分，我们用 data driven 的方式去做。所以这边有几个关键节点，你需要先做一些自动化的平台，你是一定要有高通量的实验能力，要产生足够大量的这个 data ，你才能够 drive 那个 unknown 部分的答案。

 

然后你再透过一些 first principle 的算法去尽量解码一些重要的参数。然后 AI 就尽量把中间这个 gap 给连起来。 AI 我们希望尽量把这种 first principle 能够得到这些 promise 跟我最后高通量得到的一个实验结果去做一个结合，你的数据量也要够大，基本上都要到万级 、10 万级才可以开始做这个 model 的搭建。所以我们第一个做的不管是小分子的制剂或者是 lmp 的平台，都是我们先确保有一个 high quality ，并且 well control 的一个高通量的平台，然后在 invival 跟 envival 都可以 tag 情况下，我们再去推这个平台跟 AI model 的搭建。

 

这个是刚 echo echo 刚刚讲我觉得非常到位，讲到那个 AI 是最关键的核心的 track。回到刚刚那个问题就是递送这边，为什么我们做切入这个点，这就是刚刚讲的一个很棘手的点，这地方属于一个 biology wise ，没有非常清楚 first principle 的算法没有 Facebook rules 告诉我们说这个 lmp 为什么到肝？它为什么到肺？它为什么到脾脏？或者我今天做一个小分子的固分体，它到底这个溶出是多少？我今天做这个微球，它zai 体内怎么样释放？这个现在全部都是 try error 的方式在做的，它是靠有一些直觉或者一些 experience herristic base 的方式，先去做一些 formation ，然后打到这个动物里面去看结果，根据这个结果再调一些参数。AI 的方案其实提供了一个数据导向跟真正去 figure out 一些这个 rational design 的这种图。所以我觉得 AI 是提供这个方向的部分。

 

那我们 basic 透过 AI 去解码了很多高端制剂，像微球纳米制剂 lnp 这一系列，它到底怎么样去是每一个环节，比如在血液里面的稳定性，然后细胞的这个内胞逃逸，这每一块我们都建了相对应的 model ，然后从那边去做递送的 prediction ，这个还是第一个环节，你有一个 production model 之后，第二个是你去 screen 什么 space， 那在 screen 这个 space 、design space 的时候，其实材料在这个 GE 这边是有非常大的探索空间的。

 

甚至它给小分子可能更难的是，你非常难去 by design 去设计一个这样的 delivery载体，比如说你在设计小分子的时候，根据一个这个蛋白的结构，很多的人其实是可以设计出一个小分子结构。但是如果今天是要 delivery ，比如说问它说我怎么样可以送到比如说 T细胞这种先到脾脏，然后再到 T细胞，这东西非常难去做一个 delivery 的设计，尤其你要做一个被动靶向的时候就更难。所以这块我觉得我们用 data join 的方式去解决从这么大的 design 抬到 design space 到工艺的 design space ，然后到最后这个递送这边的 modeling 整套的这个流程，透过 AI 去得到一个预测，然后最后得到一个优化的能力。

然后透过这个，我们就做到了到基本上一个月的时间就可以 double 它这个表的，然后我们从一开始做比这个 merderna 它们差 1 万倍、它比我们多 1 万倍，然后到现在我们比它多 十几二十倍这种，就是它非常快的能够迭代自我学习，然后并且能绕开专利各种方式去达到我们想要 PK 这个递送的一些要求。所以这个我觉得这个是新的 working model 我们先验证出来非常好用在递送这个环节。