就在英国初创公司DaltonTx以构建自适应AI药物研发平台为使命悄然起步数月之后,该公司正式推出了旗下平台,并公布了其首位客户。
这款名为Dalton的平台旨在覆盖药物研发的全流程,从原始数据处理、模型训练,到分子设计、合成与决策支持,为小分子药物和生物制剂打造一套"持续学习引擎"。
这家总部位于伦敦国王十字生命科学与科技中心的公司,核心团队由曾供职于阿斯利康、Exscientia及牛津大学的前资深科学家组成。Dalton的推出,意味着其正式加入日益竞争激烈的AI药物研发工具市场。
DaltonTx将与Recursion Pharma、Insilico Medicine、Schrodinger等同类企业,以及英伟达、Alphabet旗下Isomorphic Labs、OpenAI和亚马逊等科技巨头同台竞技。然而,该公司认为自身深厚的生物制药背景,加之专注于赋能合作伙伴而非自建内部药物研发管线的定位,有望帮助其在市场中站稳脚跟。
数据隐私是Dalton的另一大差异化优势。平台对各项目的数据与模型实施独立隔离,确保某一项目的数据不会被用于训练其他项目的模型。
DaltonTx联合创始人兼首席执行官加里·佩罗多(Garry Pairaudeau)表示:"我们相信,能够从AI中获取最大价值的组织,必定是那些将团队、工具与数据整合为一体、持续优化现实研发决策的机构。"佩罗多曾在阿斯利康研发部门深耕20年,此后出任Exscientia首席技术官,直至该公司于2024年与Recursion合并。
他进一步阐述了Dalton平台的核心价值:"Dalton将数据、模型与实验结果融为一体,完整记录哪些方法奏效、哪些方法失败以及背后的原因,让判断力随时间不断积累沉淀。"在他看来,Dalton的角色是"强化"而非"取代"人类专业能力,并帮助机构建立"组织记忆"。
Sygnature Discovery正式加入平台
DaltonTx还宣布了一项重要进展:合同研究机构(CRO)Sygnature Discovery已签约使用Dalton平台,以提升其AI赋能的药物研发能力,并将通过该平台为其客户提供相关服务。
Sygnature首席执行官西蒙·赫斯特(Simon Hirst)表示:"我们很高兴与DaltonTx展开合作,并期待探索他们如何帮助科学家在研发早期做出更有依据的决策。"他补充道,该平台将助力公司"减少需要合成和测试的化合物数量,缩短DMTA(设计-制造-测试-分析)周期,加快推进候选药物的筛选进程"。
Q&A
Q1:Dalton平台具体能完成药物研发的哪些环节?
A:Dalton平台覆盖药物研发的全流程,包括原始数据处理、模型训练、分子设计、合成以及决策支持。它为小分子药物和生物制剂构建了一套"持续学习引擎",能够完整记录哪些方法奏效、哪些失败及其原因,让研发判断力随时间不断积累,从而形成"组织记忆",辅助科学家做出更有依据的决策。
Q2:Dalton平台如何保护用户的数据隐私?
A:Dalton平台对各项目的数据与模型实施独立隔离,确保某一项目的数据不会被用于训练其他项目的模型。这一机制有效保护了企业客户的专有研发数据,防止信息在平台内部被跨项目共享或泄露,是Dalton区别于其他竞品的核心差异化优势之一。
Q3:DaltonTx和Sygnature Discovery的合作会带来哪些具体效果?
A:Sygnature Discovery签约使用Dalton平台后,预计将帮助其减少需要合成和测试的化合物数量,缩短DMTA(设计-制造-测试-分析)周期,并加快候选药物筛选进程。这意味着药物研发效率将得到显著提升,科学家能够在研发早期获得更有依据的决策支持,进而降低研发成本和时间投入。
好文章,需要你的鼓励
牛津大学提出PHYSIFORMER,一种扩散变换器模型,通过三维网格顶点轨迹直接在世界坐标空间预测刚性与弹性物体的物理运动,一次性生成全序列轨迹,超越自回归基线。
随着医疗数据数字化与互操作性的进步,跨机构纵向患者数据的研究应用成为可能。本研究通过对20位领域专家的访谈,识别出8种数据收集方法,涵盖智能手机应用、结构化数据导出、区域/全国研究查询及聚合数据源等。研究发现,各方法均有其优缺点,无单一最优方案。参与者中介交换方式可绕过复杂治理安排,但存在数据缺口;全国性网络尚不支持研究查询。公共政策的持续推进将对该领域发展起关键作用。
研究发现主流奖励模型对同等质量答案给出差异悬殊的分数,并提出"奖励聚类"算法通过蒙特卡洛随机失活将连续分数离散化,在不重训模型的前提下有效减少AI训练中的奖励作弊现象。