近日，在深势科技2025开发者大会上，深势科技与东阳光药联合发布全球基于预训练与神经常微分方程（Neural ODE）耦合的药代动力学（PK）预测模型。该突破性技术通过深度融合机理建模与深度学习，在大鼠实验数据中实现了对药物浓度-时间曲线的精准预测，其 Top 30% 预测样本的决定系数（R²）高达0.891，显著优于传统 PK 模型。

发布现场

该创新模型已成功应用于东阳光药临床前研发管线，通过动态模拟药物吸收、分布、代谢和排泄（ADME）过程，实现以下核心价值：

1. 机理可解释性：保留非线性 ODE 对生理过程的物理描述，确保预测结果符合药理学规律

2. 预测精度提升：利用预训练模型和 Neural ODE 求解方法，提升 PK 模型的预测精度

3. 多场景适配：支持预测在不同给药途径下药物的浓度-时间曲线（CT 曲线）

该技术标志着 AI 开始从辅助分析工具向核心决策引擎演进，为创新药研发开辟了"实验数据-机理模型-智能预测"的闭环范式，有望推动制药行业从"试错型开发"向"精准设计"模式转型。

东阳光 PK 模型框架示意

1. 专属数据护城河：东阳光药如何定义 AI 制药的下一个竞争维度

在 AI 领域虽已涌现众多强大模型，但高质量、多样化的训练数据短缺仍是制约其实际落地的核心瓶颈。公开文献数据往往存在发表偏倚、许多研究只倾向于发布阳性结果或热门领域的成果，因此想要将 AI 模型应用到药物研发的关键场景中，必须打破“数据的魔咒”。

基于此，深势科技与东阳光药联合推出了全新 Uni-PK 模型：

• 高质量数据生态构建：依托东阳光药创新药管线积累，建立涵盖多物种、多剂型的 PK 数据库，通过系统校正，构建高信噪比训练集。

• 行业数据微调策略：采用"通用大模型预训练+制药领域数据精调"范式，在保留 AI 泛化能力的同时，注入制药领域先验知识。相较纯公开数据训练模型，预测精度大大提升（内部验证数据）。

2. Uni-Mol 预训练模型：从分子结构到 PK 预测

药物的吸收、分布、代谢和排泄（ADME）过程在很大程度上受其分子结构、理化性质及生物相互作用影响，仅依赖传统的参数化 PK 模型或实验数据进行建模，可能无法充分捕捉分子层面的特征。因此，该模型创新性地引入 Uni-Mol 预训练模型，Uni-Mol 是由深势科技开发的一款面向小分子任务的通用分子预训练模型，它能够利用大规模分子数据进行自监督学习，并在不同分子建模任务（如分子性质预测、蛋白-配体相互作用建模等）中表现出色。该预训练模型的应用，一方面提升了 PK 曲线预测的分子信息解释力，使其可以在无实验数据的情况下，利用分子先验知识优化 PK 参数；另一方面使得数据可以被高效利用，能够在小样本条件下提升分子动力学预测能力，使得模型可以适应更广泛的化合物类型。

Uni-Mol 框架示意

3. Neural ODE 求解：破解药代动力学（PK）复杂性

PK 曲线，是一种在药物研发过程中描述药物在体内的吸收、分布、代谢和排泄（ADME）过程的指标，在算法中其动态行为通常由非线性常微分方程组（ODEs）刻画。然而，在实际应用时，PK 系统通常涉及饱和代谢、时间变参数、个体间差异等复杂非线性特性，导致传统解析或半解析方法难以准确建模。

本模型采用深度学习优化 Neural ODE 参数，使得模型能够自动学习 PK 系统的关键动力学特征，大鼠实验数据显示，Top 60%样本R²达0.764，Top 30%优质样本R²跃升至0.891。无需严格依赖预设的动力学结构。不仅提高了对非线性 PK 过程的建模能力，还增强了模型的泛化性，使其适用于更广泛的药物类型和剂量方案。

C-t曲线在测试集上的预测性能

• 研发范式革新：自2024年实施 AI+ 战略以来，东阳光药已构建覆盖靶点预测、苗头化合物筛选、先导化合物优化、PK建模的全流程 AI 研发体系。Uni-PK 模型作为核心模块，预计在 HEC169584 等 IND 阶段项目实现：

· 候选化合物优化周期缩短50%（从12周→6周）

· 动物实验量减少60%（通过筛选淘汰低潜力分子）

• 生态构建：该模型已部署于深势科技玻尔平台，支持制药企业开展虚拟 PK 实验。用户可通过[https://bohrium.dp.tech/apps/uni-pk]申请试用，体验"分子结构→PK 曲线"的端到端预测服务。

任务提交界面

任务结果界面