一、藥物發現：

1.靶點發現——利用自然語言處理技術（NLP）檢索分析文獻、專利和臨床試驗報告；

2.先導化合物研究和化合物篩選——利用機器學習（或深度學習）海量化學知識、建立模型、快速過濾不符合標準化合物，富集潛在有效分子；

3.化合物合成——利用機器學習（或深度學習）技術預測在任何單一步驟中可以使用的化學反應，拆解所需分子，得到所需試劑；

二、臨床前研究：

1.新適應癥發現——借助AI的深度學習能力和認知計算能力，將存量在數據庫內藥物與疾病進行匹配，發現新靶點；

2.晶型預測——晶型變化會改變固體化合物的結構，導致藥物在臨床治療、毒副作用安全性等方面的差異大相徑庭，利用認知計算機實現高效動態配置藥物晶型，預測小分子藥物；

三、臨床試驗：

1.臨床試驗設計——利用NLP檢索過去成功和失敗的臨床案例，避免重復常見的遺??；

2.患者招募——利用NLP提取患者數據，針對所需數據，匹配相應患者；

四、藥品生產：藥品檢查——計算機視覺檢測壓花、重影、劃分、分層等缺陷；

五、藥品銷售：學術推廣——為藥械企業、醫生、患者提供全流程的只能醫學創新服務；