本文内容根据东阳光药业医药大健康智能研究院院长金传飞在“CIAPH-2026年医药数智化巡展走进东阳光”活动的分享整理

东阳光药业 医药大健康智能研究院院长 金传飞

大家好，我是东阳光药业医药大健康智能研究院院长金传飞，分享东阳光CMC全链条研发的人工智能垂直大模型。AI赋能已成为学术界和工业界的共同趋势，国内开源大模型的技术水平并不逊色于美国同类产品，为我们开发医药垂直大模型提供了极佳的基座支撑。我国医药工业CMC研发投入逐年增长，但受市场、技术、政策等多重因素挤压，医药制造业利润呈下降态势，该环节的数字化转型已迫在眉睫。今天我将围绕三类可落地的大模型——药物合成垂直领域自然语言大模型（HEC-SynAI）、药物晶型智能体（HEC-CryAI）、药物制剂垂直领域自然语言大模型（HEC-PharmAI）展开。

一、HEC-SynAI：药物合成垂直领域自然语言大模型

当前药物合成工业软件以开源模型为辅、商业软件为主。开源模型存在性能劣势与功能缺失，商业模型如SciFinder、Reaxys均由国外厂商主导，授权费用高昂，智能化程度偏低。在东阳光一年购买相关账号的费用就超过百万元，足见这类工具的应用范围之广。依托自身积累的数据，结合当下的大模型技术，我们希望锚定国产药物合成大模型这一方向，打通该领域的进口替代路径。

软件核心的逆合成算法分为两类：基于模板的专家系统（对应商业软件）和端到端的AI方法（对应开源模型）。我们借助检索增强生成、多模态、智能体等大模型技术，将这两种方法融合实现技术突破。项目前期的核心工作是数据收集，数据是大模型研发的底层基础。目前，我们已整合约四百多万条开源数据，完成一百多万条文献数据的数字化处理，我们对收集到的数据做标准化处理，依托高质量开源数据源构建数据库。不过，项目数据以外部数据为主，东阳光深耕医药行业近20年内部也仅积累了30万条相关数据。医药领域开发大模型无法像其他行业那样动辄拥有上亿级数据支撑，我们当前的目标是将数据库扩充至1000万条。

我们大模型的技术框架采用混合智能架构，大模型负责理解与编排，专业模型负责计算，专家规则负责校验与治理。最底层是资源数据层，承载所有数据来源。相较于其他同类模型，我们有一项独特优势——搭建了专属的起始物料数据库。因为只有起始物料信息准确，设计出的反应才更具可追溯性，结果也更准确。技术创新方面，一是可用化学空间构建，结合起始物料控制化学空间范围，避免模型生成随意预测结果；二是多路线生成与智能优化，减少重复和相似路线，提升专家评估效率；三是条件双重推荐与幻觉抑制，依托专业知识对模型幻觉加以纠偏；四是经验驱动的合成路线验证，为关键化学反应提供真实文献案例。模型性能方面，目前总体准确率达到61%，领先耶鲁及阿斯利康的最新开源模型；在反应步数≤5的合成任务中，最高准确率可达81%，多步逆合成路线规划性能平均领先Reaxys超20%。

我们大模型主要解决三方面：逆合成规划分析、化学反应文献检索、化学知识问答。在逆合成规划分析方面，HEC-SynAI助力内部PROTAC项目提升了合成效率，原始反应路线较为复杂，而大模型给出的方案初始投料产率就达到了50%以上。化学反应检索方面，研发人员用SciFinder需超过10秒，我们的相似反应检索不到4秒，后续算力升级后甚至一秒即可输出。专业知识问答方面，通用大模型往往只会罗列简单定义，既不会区分核心反应阶段，更无法准确解释反应机理。总体来看，HEC-SynAI逆合成规划效果优于SciFinder，可一站式输出优质合成路线与工艺；检索响应更快，单次即可批量输出多条路线；生成的路线简洁，起始原料可及性高，可实施性更强。

二、HEC-CryAI：让晶型分析从"人工判读"走向"智能识别"

在晶型研究中，PXRD技术是表征晶体结构最常用的方法，但目前PXRD谱图的分析仍以人工为主。除了原始数据本身存在噪音干扰，人工判读还存在较强主观性，且十分耗时。同一化合物的不同晶型特征往往十分相近，仅存在细微差异，这类识别任务其实更适合交由AI完成。

针对上述行业挑战，我们构建了基于Transformer的预训练模型，在数十万条谱图数据上完成预训练，让模型习得提取谱图特征的能力，再将预训练模型用于谱图的相似性计算与分类，还可对两张谱图的差异位置进行标记，实现高精度AI谱图识别，快速赋能小分子与多肽大分子的晶型分析。内部数据验证表明，模型不仅可用于PXRD谱图分析，在核磁图谱和肽指纹图谱分析上也有出色表现。在3个内部项目中与人工分析对比，模型平均正确率为91%，速度比人工快300多倍，即便是高相似度的PXRD谱图，也具备良好的区分能力。

化合物的晶型研究对后续工艺开发和制剂设计具有关键作用。目前晶型、共晶和盐型筛选高度依赖专家经验，缺乏理性指导，且对实验条件高度敏感。我们的模型融合了基于网络推理和基于物理的方法，通过在数万条晶型数据上训练，共晶预测准确率达到92.3%，效果明显优于传统机器学习方法。目前我们已在晶型AI视觉识别与多组分推荐方向构建了高性能模型，后续将融合专用模型、大语言模型和智能体技术，构建垂直领域大模型。也正是因为集成了多种功能，我们将其开发为智能体。未来真正的数字化研发，需要将不同功能的智能体串联整合为统一平台。

三、HEC-PharmAI：首个药物制剂大模型的探索

针对新活性药物成分（API）开展处方工艺设计，是药物制剂研发的一大痛点。处方设计方案制定、辅料兼容性判断、工艺参数设置等工作目前都依赖经验丰富的制剂研发人员，核心问题在于研发经验难以传承，而AI恰好可以激活这一沉淀多年的知识资产。近年来已有部分计算模型应用于辅助制剂开发，但大多只能覆盖制剂开发的某一个环节，整体智能化程度偏低。为解决制剂领域存在的经验依赖、知识孤岛、模型落后等问题，我们首次提出将大模型技术应用于药物制剂研发，打造专属"制剂AI助手"。

大模型的数据来源涵盖两大方面：一是基础知识领域，包括药典法规、专著指南和科研论文；二是实验数据，包括处方条目、工艺专利、辅料数据。我们融合海量公开数据与东阳光积累的关键制剂实验工艺数据，构建了百万数据量级的制剂数据中心。制剂领域数据高度非结构化，我们综合应用多模态识别、元数据语义标注、向量数据库等技术，确保数据格式统一、内容准确、可溯源。

我们以DeepSeek为底层模板构建大模型，结合监督微调、强化学习、多模态检索、知识库溯源、智能体交互进行领域知识后训练，可支持处理文字、图片乃至语音视频等多种类型的数据。目前自研的制剂大模型技术框架的上下文召回率高达94%，回答正确性达到88%，可进行API结构识别、处方工艺方案设计与真实文献溯源，领先于通用大模型。通用大模型由于未学习过本领域专业知识，不仅无法准确识别API相关内容，给出的工艺方案也缺乏实际操作性。实际上通用大模型往往能够给出对应回答，但若核对它标注的参考文献，会发现参考文献的内容和其回答完全不相关。

一个典型应用案例是智能处方工艺设计：将新活性药物成分（API）从口服溶液改制成口服片以提升用药顺应性，只需将原研资料输入模型，即可转换得到对应结构信息、理化性质以及活性数据，最终结合知识库中的专业文献，输出完整处方和具体含量参数。制剂大模型的最佳应用场景是处方工艺设计，我们以利司扑兰为例，展示大模型通过化学结构和理化性质分析，结合药剂学知识库设计具有更高患者顺从性的新剂型。针对利司扑兰的化学结构提问，制剂大模型成功解析了该药物的化学结构，返回药物名称、适应症等信息；随后分析该药物的理化及药学性质，基于研究论文与专利输出可靠参考信息；最终结合以上所有信息进行处方工艺设计，给出新剂型的规格、辅料种类及用量、关键组分设计理由，以及工艺步骤、关键参数及质量控制要点，所有方案要点均有文献参考来源标记，具有极高参考价值。

结语：CMC大模型体系的价值沉淀

我们基于高质量的CMC数据与大模型技术，已建立起涵盖药物合成、药物晶型及药物制剂的完整CMC行业大模型体系。该体系具有两点核心价值：一是数据驱动，三大垂直领域大模型均以高质量领域数据特别是关键项目实验数据为底座，通过标准化数据处理，突破了CMC行业数据壁垒；二是技术创新，将通用大模型技术与领域特点相结合，研发了分子多模态、晶型AI视觉、法规校验引擎等多项核心技术，可实现行业一线研发的赋能，最终系统提升药物研发CMC环节的信息化与数智化。