全文概要
AI 药物发现公司 Boltz 与数据科学平台 Excelra 达成合作，后者将提供 GOSTAR 数据库中精策的药物分子 ADME 数据，用于训练 BoltzMol-1 的 ADMET 模型。在近期技术报告中，Boltz 用该模型前瞻性测试了 10 个多数不在训练集内的挑战性靶点，仅用 28–96 个化合物/靶点即确认了其中 6 个靶点的结合物或活性化合物，显著优于传统高通量筛选。

【开头配图Opening】

1. 用"精策数据"补齐 AI 制药的短板

AI 药物发现模型的效果高度依赖训练数据的质量与规模。本次合作中，Excelra 的 GOSTAR 数据库提供超过 1100 万个小分子及其生物学性质的、经 ISO 9001 认证的策展视图，其中动力学溶解度、亲脂性、Caco-2 通透性等 ADME 测量数据用于训练 BoltzMol-1 的 ADMET 模型。这些模型扮演"早期分诊"角色，在化合物采购或合成之前就过滤掉性质不利的分子，帮助研发团队把资源集中在更可能成功的候选物上。

2. 前瞻性验证：小数据量击败传统筛选

Boltz 在近期技术报告中前瞻性测试了 10 个挑战性靶点——其中大多数不在其亲和力训练数据内。结果显示，仅使用每个靶点 28–96 个化合物，就为其中 6 个靶点确认了结合物或活性化合物；而传统高通量筛选往往需要数千乃至数百万个化合物，且命中率常低于 0.15%。这一对比凸显了 AI 模型在"冷启动"场景下的效率优势。Boltz 方面还表示，经 GOSTAR 训练的 ADMET 模型在严格的分布外（out-of-distribution）化学空间上达到或超过领先的开源 ADMET 工具，在溶解度和通透性上提升最大。

3. 从"回顾性基准"走向"前瞻性落地"

Boltz 联合创始人兼 CEO Gabriele Corso 表示，GOSTAR 数据集的规模帮助模型泛化到远超出典型训练数据的化学空间，已成为其建模工作的重要输入，显著节省时间。Excelra CEO Anandbir Brar 则强调，公开来源所缺乏的正是这种规模的精策溶解度数据——GOSTAR 的定位就是为"能在前瞻性数据上站得住脚、而非仅回顾性基准漂亮"的模型提供基础。这一合作折射出 AI 制药行业正在从演示性能力走向真实研发流程中的规模化落地。

来源：Excelra 与 Boltz 联合新闻稿（PR Newswire）、Boltz 技术报告

解螺旋科研助手企业微信二维码，扫码添加免费领取科研资料礼包，包含AI科研提效、SCI投稿技巧、国自然基金、医学科研绘图、科研软件工具等实用资料

声明：本文资讯来源于公开报道及学术期刊，仅作行业信息传播，不构成临床用药建议。转载需注明来源。