AIDDISON™ Explorer：人工智能药物发现软件

基于生成式人工智能的分子设计与候选化合物优先级排序

早期药物发现的关键在于在多重约束条件下筛选出合适的待合成分子。AIDDISON™ Explorer 能够针对性地探索化学空间，生成候选结构，并基于效力、ADMET 特性及合成可行性等多参数优化结果对候选结构进行排序。

这些模型基于 30 多年的制药研发数据（包括成功和失败的化合物）进行训练，旨在支持更快速、更贴近实际的早期决策。

定义目标分子特征和设计约束条件。AIDDISON™ Explorer 能够提出新型候选分子，根据预设的评分标准对其进行评估，并按结果进行排序——从而帮助研究人员从一开始就将实验精力集中在最具潜力的结构上。

利用基于REINVENT 4.0框架的强化学习引导模型，生成新型分子结构。探索过程遵循预定义的设计约束，以发现超越已知骨架的候选分子。

同时平衡活性、理化性质及可开发性等因素。多目标评分有助于筛选出最符合项目标准的候选化合物。

利用基于数十年制药实验数据训练的机器学习模型，在早期阶段评估预测的ADMET特性。预测结果包含置信度指标和可解释的AI指标，以支持对结果的解读。

利用 SYNTHIA® 活性药物成分（API）集成功能，评估合成可及性评分并生成可行的逆合成路线，包括路线可行性、步骤数及构建块的可用性。

AIDDISON™ Explorer 与现有的计算和实验发现工具相辅相成。该平台生成的候选分子可通过标准文件格式（CSV、SDF、RD）直接导出至对接、合成规划和实验工作流程。输出结果包括按优先级排序的候选分子，并附有预测的ADMET特征、理化性质及合成可及性评估。

基于云原生的部署方式，配合通过 ISO 27001 认证的数据安全措施，支持在企业研究环境中使用。

命中识别

生成符合既定靶点特征的、多样化的从头合成候选分子。

命中范围扩大

探索优先考虑的骨架周围的化学空间，并识别新的结构变体。

潜在客户优化

在先导化合物优化过程中，需平衡药效、ADMET特性及合成可行性。

预测性ADMET模型基于我们医疗健康业务30余年制药研发数据中的成功与失败化合物进行训练，涵盖CACO2通透性、心毒性（hERG）、内源性清除率（Clint）等终点指标。通过整合成功与失败的化合物，这些模型能够反映真实的药物发现结果，并支持更可靠的早期候选药物优先级排序。

可解释的人工智能输出结果、置信度指标以及特征贡献可视化，使模型预测过程更加透明，并帮助研究人员更有信心地解读结果。

申请演示，了解生成式分子设计和预测建模如何助力您的药物发现项目。

我们的专家将与您联系，了解您的研究目标，并为您提供针对该平台的重点演示。