（文/朱春燕）“多发现一个先导物，为患者带来多一丝一毫治愈疾病的希望。对于药物研究工作者来说，就已经是一种莫大的荣誉了。”梁妍琦曾如是说。拥有独特结构并展现出一定的生物活性的先导化合物，又称原型物，是药物研发旅程中的第一块基石。然而，先导化合物的发现与优化并非易事，往往因活性不足、选择性不高或药代动力学性质欠佳而难以直接作为新药开发。在这个充满技术挑战难度的行业领域中，梁妍琦十余年如一日地深耕钻研，用她的智慧与汗水为创新药技术研发领域打开了新局面。
推进“新药梦”，靠的是产研结合
作为国内创新药研发领域的领军者、中国科学院上海药物研究所药理学博士、美国Mayo Clinic博士后，梁妍琦长期关注临床前药物研发的各个环节，从靶点识别与验证到体内/体外药效筛选模型的建立，再到hit-to-lead过程，她都能够精准地把握关键节点，为这些领域带来创新性研究进展。她曾在多家知名研究机构和企业担任重要职务，积累了长期的药物研发经验。
自从业以来，梁妍琦在推动国内药物研究领域技术进步方面堪称“功勋卓著”。她曾历时数年专注于研究肿瘤的分子诊断领域，深度参与癌症小分子免疫抑制剂的研究，最终通过识别ctDNA寻找癌症早期诊断及疗效监测的分子标记物，为癌症的精准治疗研究提供了方向指引。她也曾带领研究团队深入研究了神经退行性疾病的致病机理，建立了包括GPCR、核受体、酶等在内的疾病表型及靶点相关筛选模型，为神经退行性疾病的药物研发提供了重要的实验依据，加快推动了该领域的研究进程。在担任某药物研究开发公司首席科学家期间，梁妍琦负责过阿尔兹海默症（AD）小分子药物研究，协调多个靶点系列项目共同推进，成功发现了一个AD先导化合物，实现了该疾病药物治疗领域的关键技术性突破。
一粒药需要多久可以见效？或许几分钟、几小时不等；但一种创新药的研发需要多久？仅仅在hit-to-lead（H2L）阶段筛选出几千甚至上万个先导物，就凝聚了几代医药人的心血。
作为药物发现阶段的研究核心，H2L阶段的先导结构的发现和优化往往需要大量的实验筛选工作，从成千上万的化合物中挑选出具有优良药效和商业化前景的药物候选物。因此，H2L阶段一直以来都被视为药物研发的关键技术瓶颈，这其中的失败与挫折是常态。为打破传统研究技术手段的局限性，梁妍琦将目光投向了人工智能这一前沿科技。她认为，AI技术具有强大的数据处理和模式识别能力，能够为药物研发带来革命性的变革。为此，梁妍琦带领团队开展了大量研究，积极探索将AI技术应用于药物研发中的可能性，以期能加速先导化合物的发现与优化过程。去年5月，梁妍琦从重重失败中走出并最终成功研发的一项功能独特的技术成果——一款应用了机器学习与关联规则算法两种技术的药物研究辅助管理系统，就为药物研发领域带来了一场数字赋能的变革。
AI科技助力，药物研发驶入“快车道”
梁妍琦研发的这一基于机器学习和关联规则算法的药物研究辅助管理系统，正是可以提高药物设计、H2L等关键研发流程效率与质量的辅助管理工具。该系统通过分析和挖掘大量的药物研究数据，帮助研究人员发现潜在的药物候选分子、预测药物的效果和副作用，以及优化临床试验设计。
基于机器学习技术，该系统能从历史数据中学习模式和规律，进而对新的数据进行预测。在药物研究中，帮助研究人员使用机器学习模型预测了药物的活性、毒性以及与靶标的相互作用，从而在实验阶段就筛选出了最有潜力的苗头化合物。
而关联规则算法的嵌入则能够让该系统帮助研究人员识别化学结构特征、药代动力学参数等药物特性，发现其与药物效果或不良反应之间存在的强关联，整合大数据集合中各变量之间的特殊关系，发现化合物之间的潜在关联，自动筛选出具有潜在药效的先导化合物，精准预测化合物的生物活性、代谢途径以及可能的毒副作用。这一高效的数据分析和梳理能力，为前期的药物设计中先导化合物的发现提供了新的思路，也为后续的临床前研究阶段的安全性药理、毒理分析提供了重要参考，大幅加快了研究进度。
如今，梁妍琦的这项技术成果已经在国内多家制药企业、各大研究机构得到了广泛应用。无论是在药动学领域对模型进行模拟计算，还是对药物与受体生物大分子之间进行结合预测，该系统都展现出了卓越的性能和极高的准确性，不仅极大地提高了药物研发的效率和成功率，还为设计与改良先导化合物的发现研究工作带来了极大的便利，为新药研发领域带来了前所未有的机遇。
在“AI+药物发现”成为创新药研发的新趋势前，可以说，梁妍琦正是“第一个吃螃蟹的人”，加速了创新药先导物的发现效率，在业界树立了新的标杆，引领着整个行业迈向更加高效、精准的研发新时代。而她的这项跨时代的技术成果，也正在通过加速研发机构的研发效率，来造福无数饱受病痛困扰的患者，在推动我国创新药研究发展方面发挥关键作用。
