Ignota Labs 谈 AI 解决药物发现中的毒性问题：修复失败药物（Part 1）
Ignota Labs 首席数据科学官兼联合创始人 Layla Hosseini-Gerami 在 Drug Target Review 访谈中介绍了用 AI 与数据科学应对药物毒性失败的方法。该公司专注于找出失败药物、解决其问题并转手卖回制药企业。访谈为“修复失败药物”系列 Part 1，全文刊于 Drug Target Review。
#ADMET
Ignota Labs 官网资讯AI 评分2828
Ignota Labs 官网资讯精选AI 评分6060 Chemical Research in Toxicology 发表基于化学结构的机器学习毒性预测框架
Chemical Research in Toxicology 于5月2日发表《Machine Learning for Toxicity Prediction Using Chemical Structures。
推荐理由：33位产学研作者联合提出毒性预测框架，并给出与FDA人相关药物开发目标衔接的落地路径。
Ignota Labs 官网资讯AI 评分5151 Ignota Labs 完成 690 万美元种子轮融资，用于挽救失败药物
Ignota Labs 于 2025 年 2 月 26 日宣布完成 690 万美元（550 万英镑）种子轮融资，由 Montage Ventures 和 AIX Ventures 共同领投，Modi Ventures、Blue Wire Capital 和 Gaingels 参投。
Ignota Labs 官网资讯AI 评分4040 Ignota Labs 获赛诺菲 iDEA-Tech Award，推进 SAFEPATH 肝毒性机制研究
Ignota Labs 入选赛诺菲 iDEA-Tech Award 2023-2024，获得12万欧元资助及赛诺菲专家团队支持，用于推进其AI驱动安全性平台SAFEPATH。获奖项目利用生物信息学、化学信息学与深度学习模型，解析小分子药物项目中肝毒性风险的机制通路。Ignota Labs称该奖项是对其以AI变革药物安全性、挽救失败药物使命的认可。
Ignota Labs 官网资讯AI 评分4242 Ignota Labs 文章登上 Digital Discovery：预测毒理学如何克服障碍并塑造未来
Ignota Labs 称其文章获 Digital Discovery 刊载，Masarone、Beckwith、Lane、Hosseini-Gerami 等人综述了药物发现中的毒理学预测，涵盖多种建模技术与器官芯片等新型数据源。
Ignota Labs 官网资讯AI 评分2020 Ignota Labs CEO Sam Windsor 谈药物安全性问题与失败药物挽救
Ignota Labs CEO Sam Windsor 在 Maddyness 的创始人问答中表示，其平台可定位药物安全性问题的分子与生物学成因，并从1000个失败药物中筛出10%-20%真正可挽救的化合物。药物安全性失败占全部失败化合物的56%，给制药行业造成超过4000亿美元损失。
Ignota Labs 官网资讯AI 评分3838 Ignota Labs 谈可解释 AI 如何挽救失败药物项目
Ignota Labs 首席科学官 Jordan Lane 在播客中介绍，公司用可解释 AI 挽救因安全性问题而失败或搁置的药物项目。其 Safe Path 平台整合化学信息学与生物信息学以处理药物安全问题，并分享了应用 AI 工具挽救制药资产的实际案例。讨论还涉及 AI 模型偏见、透明度以及 FDA 和 EMA 等监管机构对 AI 驱动方案采用的影响。
Ignota Labs 官网资讯精选AI 评分6060 Ignota Labs与Broad Institute合作发表DILIPredictor，提升药物性肝损伤预测
Ignota Labs与Broad Institute合作在《Journal of Chemical Information and Modelling》发表研究，提出先预测九项代理DILI标签、再与化学结构特征结合预测药物性肝损伤的DILIPredictor模型。
推荐理由：该研究把体外与体内代理指标并入特征，比较其对DILI预测的提升，并给出可复用的公开模型。
Ignota Labs 官网资讯AI 评分1818 Ignota Labs 联合创始人 Layla Hosseini-Gerami 登上《The Biochemist》讲述数据科学之路
Ignota Labs 首席数据科学官兼联合创始人 Layla Hosseini-Gerami 在《The Biochemist》撰文，讲述其从利兹大学化学专业、Optibrium 计算化学实习到剑桥大学化学信息学博士的历程。她于2022年2月与 Jordan、Sam 共同创立 Ignota Labs，公司2023年10月起全职运营，专注用可解释 AI 方法预测、理解并扭转药物发现中的安全性问题。
Ignota Labs 官网资讯AI 评分2828 Ignota Labs 用可解释 AI 平台 SAFEPATH 识别药物毒性根因
Ignota Labs 用数据驱动的计算机模型识别药物毒性根因，为科学家改善药物安全性提供信息，其专有平台名为 SAFEPATH。该公司称，临床药物开发失败率高达 90%，安全性是主要因素之一，而体外试验和动物模型并不总能很好地转化到人体。相关访谈在 ELRIG Research and Innovation 2024 活动上进行。
Ignota Labs 官网资讯精选AI 评分5858 Ignota Labs与Broad Institute发布FDA药物心脏毒性等级首批公开分类器
Ignota Labs与Broad Institute合作，基于美国FDA的DICTrank数据集构建药物诱导心脏毒性（DICT）预测分类器，成果发表于《Journal of Chemical Information and Modelling》。
推荐理由：研究基于FDA的DICTrank数据集构建公开分类器，比较化学与生物特征对药物心脏毒性的预测能力。
Ignota Labs 官网资讯AI 评分2020 Ignota Labs 将 AI 制药业务迁至剑桥新总部，SAFEPATH 平台聚焦药物安全
Ignota Labs 从伦敦迁至剑桥科学园并启用新设施，公司凭借 AI 平台 SAFEPATH 专注于挽救存在安全性问题的药物。SAFEPATH 利用因果知识图谱梳理导致药物不良反应的关系与通路，以识别和缓解潜在安全性问题。该公司近期获得 OxbridgeAI Challenge 奖项。
Ignota Labs 官网资讯AI 评分2222 用计算机毒理学筛选革新药物发现
AI驱动的计算机毒理学筛选以分子化学结构为输入，预测小分子在遗传毒性、肝毒性、肾毒性和心脏毒性等终点的潜在毒性，从而在药物发现早期识别安全风险。其关键环节包括高质量毒理数据集、分子指纹等特征表示、支持向量机与图卷积网络等AI算法，以及外部数据集验证和软件平台集成。该方法有望帮助优先选择更安全的候选药物并减少体外和体内测试需求。