一款创新药从靶点发现到获批上市平均需要12.8年，
，研发投入超过26亿美元。。。在这条荆棘之路上，，，
，临床前研究犹如"死亡之谷"——仅7%的候选药物能通过药代动力学（PK）评估
，，，，而传统动物实验不仅需要消耗3000-5000只实验动物，，其数据与人体真实反应的匹配度更不足40%。。
。
。人工智能辅助的药代动力学（PK）模型通过提高药物研发效率
，，可以显著减少动物实验次数约30%到50%，，并提高临床一期试验的成功率约10%到20%。。
。。作为深耕创新药研发的先锋企业
，，，，我们正将AI技术融入到新药研发，，
，，助力药物的药代动力学研究。。。。

AI赋能新药研发：

HEC-PK助力药物的药代动力学研究助力药物的药代动力学研究

在AI重塑新药研发的浪潮中
，，
，，升望药以前瞻性布局率先构建“数据-算法-平台”三位一体的智能研发体系。。
。依托十余年研发实践积累的多维数据
，，涵盖药物化学、
、、生物活性及药代动力学等，，，运用AI技术，
，升望药构建了一个综合性的大鼠PK曲线预测模型1.0版（HEC-PK模型），，，旨在精准预测药物的药代动力学特征。。。
。

目前，，基于药物静脉注射途径（IV）数据进行数据去重、、、、整理后
，，得到1383条数据，，，并按照8:2比例划分为训练集和测试集，，，其中训练集用来训练，，，测试集用于检测模型性能。。。HEC-PK模型视小分子化合物为图(Graph), 以图神经网络(GNN)为基础模块提取分子图中的特征信息
，，，可用于预测药物的大鼠PK曲线。。。模型筛选以GATConv作为消息传递层；组合使用WeightAndSum Pooling + MaxPooling作为池化层
。
。。
。当前HEC-PK模型深度为2层，，
，，采用2层GATConv进行消息传递，，，，并进行池化提取整图信息
，，经MLP层预测小分子化合物的PK曲线。。。。HEC-PK模型结构如图所示
：

            图1 模型结构

我们定义了多种性能指标来评估模型性能，，
，HEC-PK模型的预测浓度与真实浓度的对数平均绝对误差 MAE (平均绝对误差)与mfce (中位数倍速误差)接近于1，，，决定系数R²非负样本比例超过 60%，，，非负样本R²平均值超过0.6。
。。。综上所述
，，
，，HEC-PK模型在预测大鼠的药代动力学PK曲线方面表现出色，，，其预测出的PK曲线数值与真实值之间的误差较小，，，这充分证明了该模型具有良好的预测性能。。。。HEC-PK成功构建了一个全面且准确的药代动力学模型，，将为药物研发提供重要的理论支持和应用工具。。。