通过强大的人工智能算法搭建上百种药物筛选模型，与传统的CADD、分子动力学等技术和平台，
及多学科专家经验深度融合，打造高效的小分子药物筛选和设计优化流程，
大幅减少小分子药物药物发现时间和成本。
在已经建立的数十亿化合物分子库-14亿（zinke）构建隐空间；使用成药数据集进一步训练隐空间，从而产生包含成药信息的分子表征
针对具体任务靶点采用全自研的分子表征体系进行相似性搜索，强化学习探索，结合形状及静电相似性、分子动力学模拟、量子化学计算等手段，可快速高效筛选出结构新颖、活性高、成药性好的化合物。
基于深度学习Autoregressive model (自回归模型，简称AR)、Generative Adversarial Network （生成对抗网络，简称GAN）、Reinforcement Learning（强化学习，简称RL）等手段，能够针对特定的靶点从零开始设计全新的分子或进行骨架分子特定方向的优化生成。
超大规模多样性数据源-分子结构、蛋白靶点、药物相互作用
探索可成药空间、透视全靶点分布、精准导航目标靶点活性分子区域
从靶点到筛选出苗头/先导化合物仅需30-60天
根据靶点特征定制化生成全新小分子化合物
ADMET前置预测，降低临床前研究失败的风险
化学合成难易度前置预测，减少后续时间和成本支出
