J9
深度融合几何深度学习、预训练蛋白质大模型与量子力学动力学引擎,为全球药企及生物科研机构提供高通量靶点发现、先导化合物从头生成、跨靶标亲和力预测及 ADMET 属性综合优化的全链条计算支持。
全栈式 AI 赋能新药立项与先导物发现
突破传统试错式生化筛选瓶颈,在原子尺度上实现可解释的结构靶向计算与分子理性重塑。
千亿级化学空间高效探索
基于扩散生成模型与变分自编码器,在满足目标受体口袋三维几何约束下自动合成全新高亲和力分子骨架,支持跨越专利保护区布局新型化学实体。
高保真亲和力快速打分
融合自研几何等变图神经网络与自由能微扰(FEP)精算机制,实现百万级分子对微摩尔至纳摩尔级活性的高准确率筛选,命中率相较经验力场提升 4.2 倍。
成药性与合成可行性前置评估
深度整合 ADMET 预测与多步逆合成路径树搜索,提前剔除代谢不佳、毒性高及合成难度过大的候选骨架,大幅降低湿实验试错返工成本。
六大核心计算子系统协同作业
模块化分布式部署架构,涵盖从生物学机制解析到临床候选物(PCC)确认的各个攻关阶段。
推出第三代动态变构计算内核 DynaPocket 3.0
DynaPocket 3.0 深度融合微秒级增强采样动力学与跨尺度表征模型,能够在常规 GPU 算力环境下完成传统方法耗时数月的复杂变构口袋捕捉任务。目前已针对 KRAS-G12D、PTP1B 等经典挑战性靶标完成数轮共晶复合物验证,计算亲和力与湿实验微量热涌(MST)吻合度达到 91.4%。
聚焦高壁垒靶标类型的定向研发方案
针对抗肿瘤、自免疾病及神经退行性病变领域的典型研发攻坚点提供定制化算力算法组合。
计算制药领域的算法更新与落地进展
跟踪生成式算法迭代与实验室内体外验证数据报告,掌握行业一线前沿方法学。
多任务图神经网络在小分子代谢半衰期预测中的应用
采用图注意力网络与量子化学指纹联合训练,有效提升小鼠及人体体内代谢稳定性预测的准确率指标。
百亿级商业化合物库可合成性前置过滤规范发布
制定涵盖 12 类典型反应模板的反应可行性预评分体系,大幅剔除理论上难以通过有机反应获得的复杂骨架。
基于能量打分函数的工业级生物催化酶耐受性改造
利用零样本学习预测催化中心活性关键氨基酸突变,将工业生产中关键酶的热失活温度成功提高 12 摄氏度。
支撑亿级分子空间的高并发计算矩阵
平台异构算力集群平稳运行,持续服务全球创新药管线的前期开发探索。
传统实验试错与 AI 计算研发的周期跨越
传统新药早期发现阶段往往需要合成数千个分子以探索构效关系(SAR),不仅周期漫长,而且极易陷入局部最优。J9通过多参数协同评估,将大部分筛选与排除工作在计算机内完成。
- 靶标到先导化合物:传统需 12-24 个月,平台计算加湿法验证可压至 4-6 个月。
- 合成批次需求:传统需合成 2000-5000 个分子,AI 靶向生成仅需合成 150-300 个候选物。
- ADMET 风险暴露:从临床前动物实验后延,前移至分子生成打分初筛阶段。
算法架构与底层内核的技术演进
持续探索生物医药大模型与高性能科学计算的深度融合节点。
经典机器学习与物理力场混合框架
完成基于经验力场的分子对接算法重构,实现多 GPU 并行下的千万级化合物库快速过滤打分。
全原子几何三维图卷积网络上线
攻克旋转平移等变性表征难题,实现无需复杂网格化即可直接输入三维点云结构预测蛋白质-配体结合能量。
自研扩散生成模型与多目标强化学习
从骨架微调进化为支持全新主核生长与片段拼接的从头生成模式,全自动平衡亲和力、代谢稳定性及合成易度。
跨尺度动力学变构预测与安全云网格
整合大规模微秒级分子动力学模拟与私有化隔离容器编排,全面服务于高难度靶标的突破性管线研发。
以严肃科学标准构建每一个计算模型
坚持数学逻辑与生化事实的严密映射,打造可解释的药物发现闭环。
物理兼容性原则
坚持基于底层力场与量子力学特征提取,确保生成分子不仅符合统计学规律,更满足原子间能量最小化与构象稳定性要求。
可解释性计算
每一项 AI 筛选结果均提供基于注意力的归因分析,详细展示关键氢键相互作用及电子云密度分布,降低科研决策中的黑箱风险。
研发资产隔离
采用私有化云端容器集群部署,物理级数据隔离策略确保管线资产不被交叉引用或算法模型泄露,恪守商业机密。
行业科研伙伴的共同选择
赋能全球前沿医药研发团队,共同加速下一代创新药物的发现之路。
“在利用该平台处理难成药口袋时,仅用一周时间就锁定了三个全新苗头化合物骨架,其预测活性与后续晶体学数据惊人一致,极大缩短了立项周期。”
“平台在处理多靶标激酶选择性筛选方面表现出色,其内置的 Kinome 图谱引擎预判了多个潜在脱靶风险,规避了临床前毒理试验的巨大损失。”
“PROTAC 模块的 Linker 长度优化功能非常直观,生成的连接子构象完全符合计算力学要求,我们团队的合成转化率提高了近 3 倍。”
全维度的数据与知识产权保障
端到端加密
所有计算任务及上传结构均采用 AES-256 加密存储与传输,确保研发数据全生命周期安全。
合规性标准
完全遵循 GLP 实验室数据溯源要求,计算记录自动生成详细日志,满足审计与申报需求。
私有化部署
支持本地机房混合云搭建,确保核心算法与敏感管线数据绝不出库,完全保障自主可控。
全链路隔离
算力资源池采用物理分区,确保不同客户管线间完全隔离,防止信息交叉污染与资产泄露。
AI 药物研发中的常见计算难点
如何提升生成分子的化学空间多样性?
平台采用分层概率图生成模型,在满足结合约束的前提下,引入化学合成子空间的启发式随机采样,确保生成的骨架既新颖又具备合成可行性。
深度学习对接与传统 Autodock 的区别?
传统方法依赖经验力场评分,而我们的深度学习模型基于大规模真实共晶数据训练,能够自动学习配体与受体间复杂的疏水与范德华作用,显著提升打分鲁棒性。
常见技术与合作问题解答
Q1:平台支持对接自定义的蛋白质晶体结构吗?
Q2:对于未解析结构的蛋白,平台有无应对方案?
Q3:云端计算与本地部署在性能上差异大吗?
Q4:如何保障生成的分子合成可行性(Synthesizability)?
Q5:是否有针对特定靶点类型的定制算法服务?
立即申请平台试用
开启您的AI药物研发新范式,获取专属的计算管线方案演示,我们的资深科研工程师将为您提供 1 对 1 的技术咨询支持。