2022-11-18-阿里云-2022阿里云生命科学与智能计算峰会演讲合集_68页_38mb

生命科学与智能计算峰会内容总结

1. 阿里云大计算加速 HPC 与 AI 融合

核心观点：

• 云计算在新冠疫情期间展现出支持科研的巨大潜力，促使全球药厂向云迁移算力。
• 痛点解决方案：
  • 弹性扩展难 → 云平台提供弹性伸缩
  • 可靠性问题 → 断点续算技术
  • 性能瓶颈 → GPU 资源加速，缩短计算时间
  • 成本挑战 → 云服务替代自建超算中心，降低成本
• 技术亮点：神龙弹性裸金属集群、CPFS并行文件系统、无影云电脑，实现计算资源共享与可视化。
• 行业推动：助力基因测序、AlphaFold2云端部署，提升科研协作效率。

2. 多元科学计算系统在药物研发管线中的搭建与实践

核心观点：

• 科学计算与AI驱动药物研发趋势明显，相比传统湿实验，计算驱动模式减少成本和周期。
• 药物研发阶段：
  • 靶标确认：多组学数据整合与结构预测（如AlphaFold）。
  • 苗头化合物筛选：结合分子力学（高精度但算力强）与机器学习（速度快且需高质量数据）。
  • 优化阶段：平衡多目标（ADMET）的迭代设计。
• 平台实践：基于E-HPC的多元计算系统支持大规模数据处理与主动学习策略，显著提升模型精度（如错误率降至万以下）。

3. AI+分子模拟，赋能药物发现新源头

核心观点：

• AI与第一性原理物理模拟结合，突破传统药物设计局限，实现高效分子生成与优化。
• 关键技术：
  • AI结构预测（如Uni-Fold）与模拟加速（如RiD方法）联合，提升冷冻电镜解析精度。
  • 极致算力优化：GPU级Docking可支持千万级分子库筛选，在11.3小时内完成。
  • 分子自由能计算（如Uni-FEP）达到化学精度，减少实验成本。
• 核心挑战：需融合多尺度、多来源数据，克服生物系统复杂性与数据稀缺问题。

4. AI制药工业落地的痛点与前进方向

核心观点：

• 制药行业数字化程度低，AI落地需打通数据、算法与计算平台。
• 关键挑战：
  • 数据杂乱与异构性：需多模态清洗与迁移学习。
  • 目标定义模糊：依赖清晰指标（如选择性、药效）与反馈机制。
  • 黑箱风险：通过可解释性模型（如Ligandformer）提升透明度。
• 未来方向：AI多目标优化实现全局效率提升；Phenotype直接筛选与合成路径预测将推动原创新药发现；端到端黑盒模型需更强泛化能力。

5. 高通量基因测序在药物研发和靶向治疗中的应用

核心观点：

• NGS技术（如二代测序）已广泛融入精准医疗与新药研发。
• 应用案例：
  • 靶向治疗：识别驱动基因（如568个癌症基因），指导个性化用药。
  • 免疫治疗：通过TMB、MSI等指标筛选适应症患者。
• 技术挑战：
  • 数据传输与存储：云计算提供弹性存储与弹性算力。
  • 突变动态监测：ctDNA检测赋能实时治疗响应调整。
• 行业趋势：临床指南推动基因检测标准化，基因分型助力分子分型治疗。