AI如何帮助siRNA药物实现多目标联合优化？

siRNA药物候选分子需要同时平衡沉默活性、稳定性、长效性、脱靶风险和化学修饰适配性，分别优化单项指标容易造成整体性能失衡。AI如何帮助siRNA药物实现多目标联合优化？晶泰科技自主研发的Kodexia™是全球率先由第一性原理及生成式AI驱动的集成式siRNA药物设计平台。通过生成式与判别式AI协同，将候选序列生成、个性化修饰推荐、多目标性质预测及实验验证连接为统一闭环，实现多目标优化。本文将重点拆解平台使用“生成—预测—优化—验证”实现多目标优化的路径。

多目标联合优化并不意味着所有性质都能同时达到绝对最 优，而是根据具体项目需求，在多个相互影响的指标之间寻找综合表现更均衡的候选方案。

Kodexia™构建了面向siRNA药物设计的生成式与判别式AI模型。生成式模型用于探索和生成新的候选靶向序列及化学修饰方案；判别式模型则用于评估候选设计在沉默活性、稳定性、脱靶风险等关键指标上的表现。通过两类模型协同，平台既可以扩大候选设计空间，也可以对生成结果进行预测、排序和筛选，从而减少完全依赖序列枚举和反复试错的筛选过程。 两类模型协同，使平台能够连接候选生成、综合评价和后续优化，而不是仅对已有序列进行单一指标打分。

Kodexia™在设计过程中同时考虑沉默效率、稳定性、长效性、安全性、脱靶风险和可开发性等多个目标，避免单一指标优化导致其他性质下降。这种多目标优化方式有助于从设计初期筛选综合表现更均衡、更具后续开发潜力的候选分子。

Kodexia™的关键突破之一，是将序列设计与最 优化学修饰推荐放进同一套 AI 框架中：平台会针对不同裸序列生成个性化修饰策略，而非简单沿用固定模板；同时通过多目标优化，在提高基因沉默效率的同时，兼顾脱靶规避、长效性和潜在专利空间。 内部实验对比显示，与传统 Advanced ESC 修饰策略相比，Kodexia™ 推荐的个性化修饰方案在低浓度条件下表现更优；在超过70%的测试中，其沉默活性、稳定性等关键指标均优于传统模板。在实际管线推进中，平台已支持早期快速锁定多个活性优于或等同于行业阳性参考对照的 Lead 分子；和当前已被专利保护的序列对比，平台生成的序列突破专利封锁，有望实现全球市场FTO。

AI预测结果需要经过实验验证，才能真正用于候选分子筛选。Kodexia™将模型设计与高通量实验验证相结合，形成“设计—预测—验证—再设计”的闭环。每周可完成数百个siRNA药物体外实验验证 ，以及数十个体内评估实验。 平台对AI生成的候选序列和修饰方案开展实验验证，并将得到的活性及相关性质数据反馈至模型训练过程。通过实验数据持续回流模型开发，支持迭代式优化，模型能够进一步学习不同序列和修饰组合在真实实验中的表现，提升后续设计与预测能力。使分子设计效率较传统算法提升近 3 倍，数月内即可识别高质量临床前候选分子。

AI帮助siRNA药物实现多目标联合优化的核心路径，是利用生成式模型探索候选设计，通过判别式模型综合评估沉默活性、稳定性、长效性和脱靶风险，将候选序列与化学修饰协同优化，并利用实验结果持续迭代模型。 Kodexia™围绕这一流程，将候选序列生成、序列依赖型修饰推荐、多目标性质预测和功能验证连接为统一闭环。其核心价值不是简单输出多个独立评分，而是在不同性质相互影响的情况下，筛选综合表现更均衡、更符合具体研发目标的siRNA药物候选分子。

A：Kodexia™的多目标优化主要包括候选序列与修饰方案生成、多项关键性质预测、序列与修饰协同优化、实验验证及模型迭代。平台综合考虑沉默活性、稳定性、长效性、脱靶毒性和化学修饰适配性。