新药研发的整个周期包括候选药物研发、临床前实验、临床试验和批准上市，其中候 选药物研发阶段包括药物靶点的选择与确认、候选化合物的选定等。在候选药物研发阶段 可以通过人工智能的算法提高准确性，然而高质量的药物数据集是人工智能算法辅助药物 发现的基础。 目前存在的问题，一是数据流通不畅、资源分散，关键药物数据被隔离在不同的平台中， 缺乏集中管理和整合，导致信息共享困难。二是标准不统一，不同来源的数据标准不一致， 增加了数据处理和分析的复杂性。三是研发效率受限，在数据获取、处理和分析上耗费大 量的时间和资源，使新药研发成本增加，影响了新药研发的效率。

为解决新药研发中的药物数据问题，通过多渠道收集药物数据，建立高质量药物数据 集，通过计算机辅助和人工校验确保数据质量可靠，利用人工智能算法对数据进行深度分 析和挖掘，提高数据的应用价值。 方案针对案例核心业务问题的满足情况： 1. 数据流通不畅、资源分散：通过多渠道策略广泛收集药物研发关键数据，确保从不 同来源获取数据，建立一个高质量数据集，将分散的资源集中管理，促进数据流通。 2. 标准不统一：在数据集构建过程中，实施统一的数据治理，通过计算机辅助和人工 校验确保数据质量可靠。 3. 研发效率受限：基于人工智能算法对药物数据集进行数据挖掘和药物特征提取，形 成疾病相关的药物有效特征，为新疾病靶点和对应药物研发提供更加准确、个性化、智能 化分析服务。 方案在数据协同、数据复用、数据融合创新应用情况， 一是建立了标准数据集，定 期更新，促进了数据共享。二是涵盖了中药、天然化合物、化药、农药等多种所有已知 的药物类型，为药物研发和应用提供了全面的数据支持。三是数据融合创新应用，利用 人工智能算法对数据进行深度分析和挖掘， 不仅提高了数据的应用价值，还促进了新药 研发的创新。

技术创新方面，利用人工智能算法，对药物数据进行自动化和规模化处理。 应用创新方面，通过构建一个集中的高质量的药物数据集，解决了数据流通不畅和资 源分散的问题。这个数据集不仅整合了来自不同来源的关键药物数据，还通过计算机辅助 和人工校验确保了数据的质量和一致性。此外，智能化分析工具的应用，使得从数据集中 提取有价值信息变得更加高效。 模式创新方面，通过建立高质量药物数据集，不同团队能够共享，提高了研发效率。 可通过数据交易的方式，获取数据集的使用。使用人工智能算法的深度分析和挖掘，不仅 提升了数据的应用价值，还为新药研发带来了创新的视角。

经济效益方面，与全国 30 余所高校和科研院所合作，利用高质量药物数据集和智能 服务，开展 100 余项新药研发项目，项目收入达千万余元。 社会效益方面，研发人员仅需要关注的药物研发问题，通常只需几个工作日即可拿到 计算结果进行实验验证，大大降低了研发成本，提升了研发效率。例如，我们通过蛋白靶 标数据集应用到药物吡斯的明的靶标筛选中，筛选出潜在的结合靶点。通过将小分子药物数据集，应用到 SARS-Cov-2 靶点的中药筛选研究中，筛选出了潜在的治疗新冠的中药成分。