一、药物发现：

1.靶点发现——利用自然语言处理技术（NLP）检索分析文献、专利和临床试验报告；

2.先导化合物研究和化合物筛选——利用机器学习（或深度学习）海量化学知识、建立模型、快速过滤不符合标准化合物，富集潜在有效分子；

3.化合物合成——利用机器学习（或深度学习）技术预测在任何单一步骤中可以使用的化学反应，拆解所需分子，得到所需试剂；

二、临床前研究：

1.新适应症发现——借助AI的深度学习能力和认知计算能力，将存量在数据库内药物与疾病进行匹配，发现新靶点；

2.晶型预测——晶型变化会改变固体化合物的结构，导致药物在临床治疗、毒副作用安全性等方面的差异大相径庭，利用认知计算机实现高效动态配置药物晶型，预测小分子药物；

三、临床试验：

1.临床试验设计——利用NLP检索过去成功和失败的临床案例，避免重复常见的遗病；

2.患者招募——利用NLP提取患者数据，针对所需数据，匹配相应患者；

四、药品生产：药品检查——计算机视觉检测压花、重影、划分、分层等缺陷；

五、药品销售：学术推广——为药械企业、医生、患者提供全流程的只能医学创新服务；