在医药研发中使用人工智能技术的107家初创公司及简介

目前在药物研发中应用人工智能的初创公司汇总
按照研究阶段进行了分组,药物研发领域可以大致将其分为13个领域。


1.信息综合和汇总
2.理解疾病机理
3.生成数据和模型
4.旧药新用
5.生成新的候选药物
6.候选药物验证
7.药物设计
8.临床前试验设计
9.临床前试验开展
10.临床试验设计
11.临床试验招募
12.临床试验优化
13.数据发布

1.信息综合和汇总

BioSymetrics

  • 利用AI:处理原始表型、成像、药物和基因数据集。
  • 允许研究人员:将快速分析和机器学习功能集成到现有的工作流程中,以改进护理、加强研发、加深研究项目的理解,并支持快速数据驱动决策。

Biorelate

  • 利用AI:通过对已发表的科学文献的分析来创建决策性数据库。
    允许研究 人员:获取结构化的生物知识,为药物研发应用提供动力。

Causaly

  • 利用AI:阅读科学文献并获取其中的因果关系。
  • 允许研究人员:寻找因果 关系,收集生物医学实体相互作用的证据。

EvidScience

  • 利用AI:建立医疗案例的数据库。
  • 允许研究人员:可以快速获取成本比较和结果的反馈。

Helix

  • 利用AI:对实验室设置相关的口头问题和请求进行反馈。
  • 允许研究人员:提高工作效率,加强实验室安全性,跟踪当前最新研究进 展,以及管理清单。

Innoplexus

  • 利用AI:从成千上万的数据源生成的数十亿不同的数据点中来了解问题的关键所在。
  • 允许研究人员:通过查看来自出版物、临床试验、会议和论文等生物医学数据源的信息来提升决策的制定。

Intellegens

  • 利用AI:学习不完整信息的碎片数据集中的内 在联系。
  • 允许研究人员:预估候选药物如何作用于蛋白质的知识盲点,以此来设计用以激活蛋白质的新的药物组合(drug cocktails)来治疗疾病。

Iris.ai

  • 利用AI:结合关键字提取、词语嵌入、主题神经网络建模(Neutral Topic Modeling),以及其他自然语言处理技术,建立并 发现文档“指纹”区的相似性。
  • 允许研究人员:使用更精确的和交叉学科的思想来更快速的罗列阅读清单。

Kyndi

  • 利用AI:快速分析大量数据 并提供可解释和可审计的结果。
  • 允许研究人员:理解和提取内部数据集,特别是非结构化数据集的含义。

Meta

  • 利用AI:分析并组织生物医药的研发。
  • 允许研究人员:当一个最具相关性的重要研究发表时可以及时得到个性化反馈。

Mozi

  • 利用AI:为进一步深入研究提供生物医学的数据模式并提出假设。
  • 允许研究人员:上传数据集,并在全球生物医学知识的背景下进行分析,从而产生新的诊断和治疗策略,尤其是针对个性化医疗。

nference

  • 利用AI:从商业、科学和法规性文献中实时提取相关信息。
  • 允许研究人员:利用临床试验的表现型来识别竞争空白,消除研究中的盲点,以及发现疾病相似性。

Owkin

  • 利用AI:从分布式数据集构建智能化数据库,包括通过隐私安全传输和联合学习。
  • 允许研究人员:克服 医疗数据共享的问题以使诊断过程自动化,预测治疗结果,优化临床试验。

PatSnap

  • 利用AI:分析超过1.14亿个分子结构、临床试验信息、法 规细节数据、毒性数据以及超过1.21亿的专利和其他信息来源。
  • 允许研究人员:验证化学类开发项目。

Plex Research

  • 利用AI:可以对全世界 范围内的生物医药学研究数据进行搜索。
  • 允许研究人员:查找与药物研发有关质询的相关结果,例如为一个具体靶点找到与其作用的化合物。

Researchably

  • 利用AI:在研究论文、临床试验列表和专利中搜索和组织信息。
  • 允许研究人员:节省搜索信息的时间,同时接收更多相关和个性化的结果。

Sparrho

  • 利用AI:将成千上万的出版物发表的数以百万计的科学论文与人类的专业知识相结合。
  • 允许研究人员:与最新的科学出版 物和专利保持同步。

ThoughtSpot

  • 利用AI:启用自然语言从数据源中搜索数十亿行数据。
  • 允许研究人员:快速分析临床试验结果和历史基因组数据。

2.理解疾病机理

Cambridge Cancer Genomics

  • 利用AI:预测血液样本中肿瘤DNA的演化过程。
  • 允许研究人员:确定早期临床试验的治疗反应和复发情况,采用贝叶斯自适应临床试验设计提高晚期临床试验的成功率。

CytoReason

  • 利用AI:组织和标准化与免疫相关的基因、蛋白质、细胞和微生物组数据,形成一个单一的、机器可读的、细胞水平的免疫系统视图。
  • 允许研究人员:获得与疾病机制、临床标记、药物研发和验证相关的创新理念。

Euretos

  • 利用AI:分析200个基因组学数据库,将已发表的文献、实验数据和临床数据进行串联。
  • 允许研究人员:深入了解分子机制如何影响细胞和组织功能,以及这些如何反过来影响酶的表型和疾病病理。

FDNA

  • 利用AI:将表型特征与基因突变联系起来。
  • 允许研究人员:发现新的临床体征、症状和生物标记基因,并获取数据去开发、测试精准药物,并将其推向市场。

Phenomic AI

  • 利用AI:根据显微镜提 供的数据分析细胞和组织表型。
  • 允许研究人员:快速而准确的描绘单个细胞的显微镜影像。

ReviveMed

  • 利用AI:结合其他大规模分子信息,如 从基因、蛋白质、药物和疾病获取的数据来分析代谢组学数据。
  • 允许研究人员:寻找致病路径,新型药物靶点,现有药物的新功效,分子药理作用机制和新的生物标志物。

Sensyne Health

  • 利用AI:分析来自NHS基金会信托的患者数据。这些数据来源和临床数据是符合道德法规的,且 都是匿名的。
  • 允许研究人员:识别潜在的新的疾病发展模式,确定最有可能对治疗有良好反应的亚组患者。

Structura Biotechnology

  • 利用AI :从cryo-EM数据中发现蛋白质和分子复合物的高通量结构。
  • 允许研究人员:发现并理解重要蛋白质分子、复合物和药物靶点的详细三维结构 。

3.生成数据和模型

Insitro

  • 利用AI:在高质量的大型数据集中训练机器学习模型。
  • 允许研究人员:解决药物研发和开发过程中的关键问题。

4.旧药新用

Acurastem

  • 利用AI:从包括患者的干细胞等信息来源中分析数据。
  • 允许研究人员:将发现治疗神经变性疾病的药物,包括肌萎缩性 侧索硬化症(ALS)。

Biovista

  • 利用AI:分析数据以发现化合物、分子靶点和疾病之间不显著的、基于作用机制的关联。
  • 允许研究人员:在多 发性硬化、线粒体疾病、肿瘤学、癫痫和慢性疲劳综合征/肌痛性脑病中重新定位晚期预临床阶段药物。

BioXcel

  • 利用AI:查找现有批准药物或临床验证候选药物的申请。
  • 允许研究人员:开发一系列免疫肿瘤学、神经科学和罕见疾病的候选产品。

Healx

  • 利用AI:将现有药物与罕见疾病 相匹配。
  • 允许研究人员:重组现有药物以加速罕见疾病的治疗。

Lantern Pharma

  • 利用AI:分析患者对药物反应过程中伴随的遗传信号和分子标记。
  • 允许研究人员:为已停止开发的,并被验证过的癌症治疗方法寻找临床应用。

Pharnext

  • 利用AI:在新的、较低剂量的未可知的效用中筛 选并重新定位已知药物。
  • 允许研究人员:为那些在相当程度上无法满足医疗需求的疾病提供重新定位的药物的协同组合。

Qrativ

  • 利用AI:综合来自多个生物医学数据源的知识(使用nference技术)。
  • 允许研究人员:发现潜在的罕见疾病适应症和可能对现有药物有良好反应的病患亚群。

Recursion Pharmaceuticals

  • 利用AI:通过在数百个细胞疾病模型上并行测试数千种化合物来进行大规模的实验生物学。
  • 允许研究人员:迅速 发现许多已知药物和停用药物的新适应症。

Standigm

  • 利用AI:解释医药复合物与现实生活中的人们是如何相互作用的。
  • 允许研究人员:预测现有药物的新适应症(目前重点)。

5.生成新的候选药物

A2A Pharmaceuticals

  • 利用AI:通过迭代小分子以找到对靶点具有最优性能的候选药物。
  • 允许研究人员:为包括癌症、细菌感染和肌肉萎缩症在内的疾病设计新的治疗方法。

Antiverse

  • 利用AI:预测抗体-抗原配对。
  • 允许研究人员:在一天内产生抗体候选药物。

Arbor Biotechnologies

  • 利用AI:对基因变异去粗取精并进行挖掘。
  • 允许研究人员:加速抗体蛋白的研发以改善 人类健康状况。

Atomwise

  • 利用AI:利用卷积神经网络对大量有机化学数据进行训练,预测候选药物。
  • 允许研究人员:更快地产生新的候选药物(一些候选药物已经与合作伙伴一起开发)。

Bactevo

  • 利用AI:分析来自其“全集成药物引擎”平台的数据。
  • 允许研究人员:在一天内进行数十 亿次的化验和筛选。

BenevolentAI

  • 利用AI:收集科学研究的数据集,然后形成和证实推论并产生新的论点。
  • 允许研究人员:确定新的候选药物(通过生命科学中心的子公司BenevolentBio)。

Berg

  • 利用AI:分别分析来自健康和患病状态下病患样本的数据,以生成新的生物标记和治疗靶点。
  • 允许研究人员:以均衡权重的方式从生物数据中生成治疗靶点,并在一定规模上实现个性化用药。

BioAge Labs

  • 利用AI:分析与衰老相关 的生物组学数据。
  • 允许研究人员:研发影响人类衰老的生物标记物和药物。

Cloud Pharmaceuticals

  • 利用AI:从单细胞RNA序列中分析数据。
  • 允许研究人员:了解引发疾病的特定细胞中的基因,然后开发出针对这些疾病的精确治疗方法,以及相关的基于生物标记物的诊断工具。

Cloud Pharmaceuticals

  • 利用AI:搜索一个虚拟的化学空间,预测具有约束力的亲和性,并允许对药物的属性、安全性和可合成性进行过滤。
    允许研 究人员:以更高的成功率和更好的药物适应症靶向性加速药物开发。

Cotinga Pharmaceuticals

  • 利用AI:通过分子结构来预测其生物学活性。
  • 允许研究人员:干预癌细胞用来逃避细胞死亡的途径。

Datavant

  • 利用AI:将临床试验数据与现实中的例证和公共数据集相结合,来消除健康相关信息的信息孤岛。
  • 允许研究人员:降低药物开发成本,压缩新药的上市时间并提高其研发成功的可能性。

Deep Genomics

  • 利用AI:搜索69亿 个分子,以此生成一个包含1000个化合物的文库来操纵细胞的生物学机制。
  • 允许研究人员:解锁新的反义寡核苷酸疗法。

Envisagenics

  • 利用AI:分析患者的RNA数据,以识别新的生物标记物和药物靶点。
  • 允许研究人员:加速RNA疗法的研发。

Engine Biosciences

  • 利用AI:揭示疾病背后的基因相互作用和生物网络,并测试针对它们的治疗方法。
  • 允许研究人员:对精准医疗应用进行分析和预测。

e-therapeutics

  • 利用AI:分析细胞内复杂的分子相互作用网络。
  • 允许研究人员:获得一些候选药物,或者使其获得药物许可。

Exscientia

  • 利用AI:从药物研发数据和十分熟练的药物开发模型中获得最佳实践经验。
  • 允许研究人员:将生成候选药物的时间周期压缩到传统方法的四分之一。

Globavir

  • 利用AI:从生物数 据、化学数据和已批准药物的数据库中产生新的论点和预测。
  • 允许研究人员:利用现有数据开发治疗方法(目前重点关注传染病诊断和治疗)。

GTN

  • 利用AI:使用“生成张量网络”来模拟、过滤和搜索分子。
  • 允许研究人员:发现在人们视野之外的分子。

Iktos

  • 利用AI:为特定目标优化设计新型的化合物。
  • 允许研究人员:提高药物研发从机器模拟到临床试验转换的成功率。

Insilico Medicine

  • 利用AI:预测药物和补充剂的药 理特性,识别新的生物标记物。
  • 允许研究人员:产生新的治疗候选药物,关注衰老和与年龄相关的疾病。

LAM Therapeutics

  • 利用AI:分析来自下一代测序、基因组编辑、化学基因组学和组合药物筛选的数据,找出最适合用新疗法治疗的患者。
  • 允许研究人员:开发精确治疗癌症和罕见疾病的方法。

Micar21

  • 利用AI:缩短研发和筛选的周期,引导优化和ADMET研究。
  • 允许研究人员:建立“从创立到购买”的合作关系,围绕新药开发项目成立初创公司,如果成功的话,制药公司可以收购这些项目。

Mind the Byte

  • 利用AI:分析基于saas的生物信息学平台上的数据,用 于计算药物发现。
  • 允许研究人员:利用大数据和机器学习在药物研发过程的每个阶段,从靶点识别到上市后的活动,提供所需的硬件设备。

NuMedii

  • 利用AI:通过分析数以亿计的原始人类、生物、药理学和临床数据点,在系统层面发现药物和疾病之间的联系。
  • 允许研究人员:寻找候选药物和预测疾病疗效的生物标记物。

Numerate

  • 利用AI:分析公开和私有的数据,并声称与其他方法相比,使用更少、更多元化的数据和更有针对性的数据。
  • 允许研究人员:预测一种潜在药物在实验室和人体中的表现,重点关注神经变性、心血管疾病和肿瘤疾病。

Nuritas

  • 利用AI: 预测食物源性生物活性肽的治疗潜力。
  • 允许研究人员:从自然食物来源中,对特定疾病进行有效成本的高效靶向治疗。

ProteinQure

  • 利用AI: 通过强化学习方法设计蛋白质药物。
  • 允许研究人员:靶向范围更广的结合位点,靶向特异性高的疾病,并创造更容易合成和检测的化合物。

Quantitative Medicine

  • 利用AI:同时分析多个药物发现参数,如疗效、副作用和毒性。
  • 允许研究人员:解决复合型药物研发中的优化问题。

Resonant Therapeutics

  • 利用AI:评估和优先排序从分析肿瘤微环境得到的候选药物库。
  • 允许研究人员:同时发现癌症的新靶点和功能性抗体。

Spring Discovery

  • 利用AI:加速实验进程,来研发治疗衰老和相关疾病的方法。
  • 允许研究人员:通过针对衰老本身的生物学过程来研发治疗衰老疾病的新方法。

TwoXAR

  • 利用AI:从公开文库和已确定的生物靶点中筛选化合物库,以此来有效对抗疾病和确认新的候选药物。
  • 允许研究人员 :加快药物研发过程并减少研发成本。

uBiome

  • 利用AI:分析来自世界上最大的微生物数据库的数据。
  • 允许研究人员:根据对人类-微生物关系 的新理论,开发新的治疗方法。

Verge Genomics

  • 利用AI:绘制导致疾病的数百个基因的图谱,然后找到同时针对所有疾病的药物。
  • 允许研究人员:探索涉及基因网络的复杂疾病——尤其是脑部疾病——的治疗方法。

Vyasa

  • 利用AI:分析非结构化文档中的概念并进行高等化学分析。
  • 允许研究人员:在电子实验室记事本中挖掘数据,发现作用机制与疾病之间的未可知关系,并生成针对特定变量的优化后的新化合物。

6.候选药物验证

ATOM

  • 利用AI:更好的预测分子在人体内的行为。
  • 允许研究人员:加快开发更有效的治疗方法。

Cyclica

  • 利用AI:为药物的多重药理提供深入的见解和分析。
  • 允许研究人员:减少含用药中先导化合物的消耗率,通过减少副作用来改善患者预后效果。

Interprotein

  • 利用AI:预测配体对蛋白质-蛋白质相互作用的影响。
  • 允许研究人员:提高靶向蛋白-蛋白相互作用的小分子药物的成功率。

InVivo AI

  • 利用AI:整合分子结构、 靶点和基于路径的描述,来生成计算机中小分子药物的毒性概况。
  • 允许研究人员:降低预临床诊断的成本和时间,同时提高成功用于临床试验的化合物选择的可能性。

Reverie Labs

  • 利用AI:预测小分子的功效和药物代谢动力学性质,并构想新的分子以优化它们。
  • 允许研究人员:通过产生和改进先导物来加速临床前药物的开发。

VERISIMLife

利用A:通过药代动力学和药效动力学建模与模拟,预测潜在新型候选药物的药理学。

  • 允许研究人员:减少为特定疾病提供预期效果的候选药物的数量。

XtalPi

  • 利用AI:预测一种药物的晶型。
  • 允许研究人员:了解候选药物的潜在安全性、稳定性和有效性。

7.药物设计

Molomics

  • 利用AI:设计新结构的小分子用于验证生物学靶点。
  • 允许研究人员:与人工智能合作(使用 他们所谓的“人类集体智慧”),共同开发更安全、更有效的治疗方法。

Peptone

  • 利用AI:预测蛋白质特性。
  • 允许研究人员:减少蛋白质设计的复杂性,检测生产和特性问题,发现新的蛋白质特征。

Pepticom

  • 利用AI:根据靶点的晶体结构对多肽进行设计。
  • 允许研究人员:开发具有高选择性和低毒性的多肽药物。

TeselaGen

  • 利用AI:制作和修饰DNA。
  • 允许研究人员:在疫苗和生物药物中使用原型和编辑重组分子。

Virvio

  • 利用AI:优化那些易于开展、自身性质稳定和优于已知抗体的合成生物制剂疗法。
  • 允许研究人员:用更安全、更有效的生物替代物模拟已证实的单克隆抗体。

8.临床前试验设计

BenchSci

  • 利用AI:解码允许和不允许公开访问的试剂数据,如抗体和目前发表的数字与行动的见解。
  • 允许研究人员:在计划试验的过程中可以缩减时间、资金和不确定性。

Desktop Genetics

  • 利用AI:决定影响CRISPR指导设计对的生物学变量。
  • 允许研究人员:在CRISPR库的指导选择上改进有效性并减少实验偏差。

9.临床前试验开展

Berkeley Lights

  • 利用AI:自动选择、操作和分析细胞。
    允许研究 人员:加快细胞系的开发和细胞疗法的自动化开展。

Emerald Cloud Lab

  • 利用AI:按照规定在自动化实验室进行实验。
  • 允许研究人员:在世界 任何一个角落都可以开展中心实验室中的试验。

Novoheart

  • 利用AI:从测试候选药物的生物人工心脏的构造中理解相关的数据。
  • 允许研究人员 :更准确地评估候选药物对心脏的安全性和有效性。

Synthace

  • 利用AI:基于Antha用于生物学实验的语言和软件平台,建立模型理解复杂的生 物学系统。
  • 允许研究人员:优化、再现、自动化和扩展实验工作流程。

Transcriptic

  • 利用AI:用机器人云实验室使样品分析自动化。
  • 允许研究人员:使用外包的、按需的、自动化的实验室快速、可靠地生成所需的数据。

10临床试验设计

BullFrog AI

  • 利用AI:预测哪些病人会对正在开 发的治疗方法产生反应。
  • 允许研究人员:改进那些3期研究都失败了的治疗方法。

GNS Healthcare

  • 利用AI:将各种生物医学和健康状况数据转 换成代表单个病人的计算机模型。
  • 允许研究人员:通过揭示针对个别患者的最佳健康干预措施,在一定程度上提供个性化的药物。。

PathAI

  • 利用AI:提高病理学分析能力。
  • 允许研究人员:确认可以从新的疗法中获利的病人。

RevealBio

  • 利用AI:自动化研究组织病理学。
  • 允许研究人员 :为开展临床试验的患者分类。

Trials.ai

  • 利用AI:优化临床试验研究设计。
  • 允许研究人员:使患者更易参与临床试验,消除不必要的临床操 作负担,实时了解研究健康状况。

11. 临床试验招募

Antidote

  • 利用AI:理解关于临床试验的无组织和非结构化数据。
  • 允许研究人员:使更多的患者参与适宜的临床试验。

Inato

  • 利用AI:按比例筛选临床试验部位和调研人员。
  • 允许研究人员:选择合适的试验部位以提高患者的招募率并且加速临床试验 。

Deep 6 AI

  • 利用AI:分析医学报告,为临床试验找到合适的患者。
  • 允许研究人员:加快患者的招募过程,以加速临床试验的完成。

Mendel.ai

  • 利用AI:通过个人的用药历史和基因分析来对癌症患者和临床试验进行匹配。
  • 允许研究人员:加快对于癌症治疗的临床试验 的注册。

12. 临床试验优化

AiCure

  • 利用AI:通过智能手机,将药物摄入的确认可视化。
  • 允许研究人员:改善临床试验中的用药依从性。

Athelas

  • 利用AI:使用比Amazon Echo稍大的家用仪器,在60秒内分析一滴血液中的癌症生物标记物。
  • 允许研究人员:利用生物标记物监测平台和数以百万计的患者数据,优化肿瘤药物开发。

Brite Health

  • 利用AI:分析结构化和非结构化临床试验参与者的数据。
  • 允许研究人员:通过个性化沟通降低临床试验失败比例。

Imagia

  • 利用AI:分析影像学资料,以生成临床上可操作的信息。
  • 允许研究人员:预测病人的疾病进展和治疗反应,用于临床试验分层和辅助诊断。

nQ Medical

  • 利用AI:从笔记本电脑和智能手机等个人设备的数据中找到隐藏的健康信号。
  • 允许研究人员:优化神经系统疾病的临床试验,包括更好、更快地确定理想的研究参与者、更少的临床观察、改善用药依从性和更早的药物影响测量。

WinterLight Labs

  • 利用AI:通过分析一个简短的语音样本来评估和监控认知健康。
  • 允许研究人员:对病患进行确认和筛选,并评估对心理健康治疗临床试验的反应。

13. 数据发布

sciNote

  • 利用AI:根据提供的数据撰写一份科学论文草稿。
  • 允许研究人员:当你写一篇科学论文要送审发表时,可以 给你提供一些“灵感”。

你可能感兴趣的:(在医药研发中使用人工智能技术的107家初创公司及简介)