中国AI制药企业白皮书2024.pdf

中国AI制药企业白皮书丨2023/11中国中国AI制药企业白皮书制药企业白皮书White Paper on Chinese AI Pharmaceutical Enterprises成都高投生物医药园区管理有限公司药融云数字科技（成都）有限公司总编辑：王中健2023年11月30日2023中国AI制药企业白皮书丨2023/11编制说明编制说明作为近年来技术变革的重要力量，AI在生物医药领域展示了极大的应用潜力。国家发改委2022年发布的“十四五”生物经济发展规划提出，要利用云计算、大数据、人工智能等信息技术，对治疗适应症与新靶点验证、临床前与临床试验、产品设计优化与产业化等新药研制过程进行全程监管，实现药物产业的精准化研制与规模化发展。随着AI浪潮席卷全球，生物制药也被视为大模型有望率先落地的场景之一。基于此，2023年10月，成都高投生物医药园区管理有限公司联合药融云数字科技（成都）有限公司，共同编写了中国AI制药企业白皮书，希望为业界厂商、政府机构等相关方提供有益思考，共同推动产业高质量发展。由于时间仓促，水平所限，我们的工作还有不足之处。下一步，我们还将广泛采纳各方面的建议，进一步深入相关研究，持续完善白皮书内容，在已有版本的基础上，适时修订发布新版。3出 品 方：总 编 辑：副总编辑：责任编辑：执行主编：副 主 编：编写专家：版面设计：2023年11月药融云数字科技（成都）有限公司成都高投生物医药园区管理有限公司王中健肖海波 戴祁 江丹张祯杰王婷赖庆刚 李亚玲 杨建云王婷 衡星 黄镕 梁崇晟陈悦中国AI制药企业白皮书丨2023/114中国AI制药企业白皮书丨2023/115中国AI制药企业白皮书丨2023/11目目 录录第一章第一章 人工智能（人工智能（AI）制药行业概览）制药行业概览人工智能的基本概念AI制药是AI产业化中重要的应用场景AI制药行业发展历史AI制药行业配套政策分析AI制药行业投融资现状分析第二章第二章 AI+药物发现药物发现AI助力药物发现阶段概览AI助力药物靶点发现与验证AI驱动药物分子设计、优化AI辅助药物分子筛选第三章第三章 AI+临床前研发临床前研发AI助力药物临床前研发概览AI辅助药物理化特性预测AI辅助药物剂型设计AI助力药物ADMET性质预测AI+临床前研发国内企业布局第四章第四章 AI+临床研发临床研发AI助力新药临床试验概览AI助力受试者招募管理AI助力预测临床试验效果AI助力临床试验数据管理AI赋能药物注册申报第五章第五章 AI+药物生产及商业化药物生产及商业化AI赋能药物生产支持AI赋能药物市场开拓与商业化AI逐步应用于药物警戒领域第六章第六章 AI制药行业总结及未来展望制药行业总结及未来展望现状分析及展望上市企业商业化模式全球主要AI制药上市企业091011131416162334383839404246505357596165677073746中国AI制药企业白皮书丨2023/11英文缩写英文全称中文译文AIArtificial Intelligence人工智能AIDDArtificial IntelligenceDrug Discovery&DesignAI制药CADDComputer-aided Drug Design计算机辅助药物设计SBDDStructure-based Drug Design基于结构的药物设计HTSHigh-throughput Sequencing高通量测序MLMachine Learning机器学习DLDeep Learning深度学习RLReinforcement Learning强化学习TLTransfer Learning迁移学习NLPNatural Language Processing自然语言处理GANGenerative Adversarial Networks生成对抗结构RNNRecurrent Neural Network循环神经网络VAEVariational Autoencoder变分自编码器SMILESSimplified Molecular Input Line Entry System分子反应的线性符号DTIDrug Targets Interactions 药物-靶标相互作用GPTGenerative Pre-Trained Transformer生成式预训练Transformer模型CSPCrystal Structure Prediction晶型预测ADMETAbsorption、Distribution、Metabolism、Excretion、Toxicity药物吸收，分配，代谢，排泄和毒性QSARQuantitative structure-Activity Relationship定量结构活性关系PKPharmacokinetics药代动力学PLMProtein Language Model蛋白质语言模型报告缩略词中英文对照表报告缩略词中英文对照表7中国AI制药企业白皮书丨2023/11第一章人工智能（AI）制药行业概览018中国AI制药企业白皮书丨2023/11人工智能（Artificial Intelligence，AI），是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能是一个广泛的领域，包括专家系统、多智能体系统、进化计算、模糊逻辑、机器学习、知识表示、推荐系统、自然语言处理系统和计算机视觉等多个方面。其中，机器学习技术是应用最广泛的一种技术，具体包括以下几种方法：监督式学习、无监督式学习、半监督学习、集成学习、深度学习、强化学习、回归分析、分类聚合、量度学习、因果关系等。各类机器学习技术在各个领域都有广泛的应用，推动了人工智能的发展和应用。人工智能作为新一轮产业变革的核心驱动力，将进一步释放历次科技革命和产业变革积蓄的巨大能量，并创造新的强大引擎，重构生产、分配、交换、消费等经济活动各环节，形成从宏观到微观各领域的智能化新需求，催生新技术、新产品、新产业、新业态、新模式，引发经济结构重大变革，深刻改变人类生产生活方式和思维模式，实现社会生产力的整体跃升。人工智能专家系统多智能体系统进化计算模糊逻辑机器学习监督式学习无监督式学习半监督学习集成学习深度学习强化学习回归分析分类聚合量度学习因果关系知识表示推荐系统自然语言处理系统计算机视觉图表1 实现人工智能的主要技术汇总11整理自药融咨询 人工智能的基本概念人工智能的基本概念9中国AI制药企业白皮书丨2023/11AI制药（AIDD）是指利用AI技术在药物研发、药物设计、药物筛选、临床试验和药物生产等各个环节中应用的制药领域。AI在药物研发中可以通过数据挖掘、机器学习和深度学习等技术，加速药物发现和设计过程，提高研发效率和成功率。AI还可以在药物筛选中帮助挑选出具有潜在疗效的候选药物，降低研发成本和时间。在临床试验中，AI可以帮助优化试验设计、招募适合的患者群体，并提供数据分析和预测，加快药物上市进程。此外，AI还可以应用于药物生产中的质量控制、流程优化和智能化管理等方面，提高药物的生产效率和质量。靶点蛋白发现靶蛋白结构预测药物结构设计药物合成路线设计药物-蛋白相互作用预测理化性质预测生物活性预测晶型预测剂型开发毒性预测临床试验设计受试者筛选智能注册平台临床结果预测生产工艺优化质量保证和控制药物安全警戒药物发现临床前研发临床开发上市后智能化管理图表1 AI技术在药品全周期中的主要应用AIDD主要优化环节随着AI技术的发展，AI技术基本实现了药物研发与市场化全流程的覆盖，特别是在药物发现和临床前阶段取得了显著进展。药物发现和临床前研发阶段是AIDD的主要优化环节，也是AI制药企业主要的研发及商业化方向。利用AI技术，企业能够在药物发现和临床前研发阶段，节约大量湿试验成本与时间成本，并实现高通量筛选，助力更多新靶点的发现与“老药新用”的适应症拓展。未来AI技术将持续发展，相信能够在药品临床开发、上市后生产与商业化等方面更进一步。AI制药是制药是AI产业化中重要的应用场景产业化中重要的应用场景10中国AI制药企业白皮书丨2023/11 AI制药行业发展历史制药行业发展历史05001,0001,5002,0002,5003,0003,5004,0004,5005,0005,5006,0006,5007,00019801982198419861988199019921994199619982000200220042006200820102012201420162018202020222024全球AI制药相关论文发表数量中国AI制药相关论文发表数量1984 1986 1988 1990 1992 1994 1996 1998 2000 2002 2004 2006 2008 2010 2012 2014 2016 2018 2020 20220246810纵观AIDD行业的发展，主要分为3个时期：1956年1981年的技术积累期，该时期是相关概念的早期构想阶段，但由于技术限制未能成功实施；1981年2012年计算机辅助药物设计（CADD）研发时期，CADD的虚拟筛选，可用于寻找有希望成药的苗头化合物进行药物开发，但CADD是药物发现过程的支持部门，而不是核心部门。CADD仅缩短药物发现时间，受限于工艺优化、临床、注册等环节，新药数量并未出现激增。图表2 FDA CDER批准新药数量统计NDABLA总计图表1 AIDD行业发展历程11 数据来源自Web of Science Science Citation Index Expanded 数据库人工智能概念首次提出（1956年）机器学习技术发展，AI技术水平提升（1970年）1981年CADD正式面世1996年第一款基于SBDD研发的药物上市2000年CADD软件已成为药企必不可少工具2006年深度学习概念提出，AI技术水平进一步提升2012年第一家AI用于药物研发商业化公司成立2022年AlphaFold能够测所有已分类蛋白质的3D结构2023年赛诺菲宣布“All In”人工智能和数据科学1981-2012：CADD辅助药物研发2012-至今：AIDD高速发展2021年全球第一种完全由AI设计和研制药物进入临床11中国AI制药企业白皮书丨2023/112012年至今的AIDD高速发展期，该时期迎来的AI技术的“井喷式”发展，AIDD相关论文数量迎来“指数级”增长，相关技术栈逐步丰富完善。在药物发现及临床前研究阶段，基于从前的CADD技术，结合人工智能、机器学习和深度学习等技术，可以处理大量的生物数据，从而在药物开发全过程中减少时间和成本。1 Jayatunga MKP,Xie W,Ruder L,Schulze U,Meier C.AI in small-molecule drug discovery:a coming wave?.Nat Rev Drug Discov.2022;21(3):175-176.2 Paul SM,Mytelka DS,Dunwiddie CT,et al.How to improve R&D productivity:the pharmaceutical industrys grand challenge.Nat Rev Drug Discov.2010;9(3):203-2143 根据公开资料整理同时，区别于CADD研发时期主要聚焦于药物发现阶段，AI技术逐步应用于药物开发全流程。如：临床前研究中的剂型开发、工艺优化等；临床研究阶段的受试者筛选及结果预测；药物生产过程中的智能化生产管理、生产工艺优化。AIDD行业相对起步较晚，但管线数量逐年增加，头部AI药企临床前研究管线中药物数量已接近传统头部药企的50%，并已经有多款药物进入临床阶段。0.00.51.01.52.02.53.03.54.04.55.05.56.06.57.07.58.08.5AIDD企业已进入临床阶段的药物研发至临床阶段所需时间（年）RLY-1971RLY-4008EXS-21546PHI-101DSP-1181NDI-010976INS018-0555项目开始至专利获批专利获批至临床阶段药物发现到临床实验制药行业平均研发时长2图表1 AIDD有效减少药物发现及临床前研究时间123图表3 全球TOP20“BIG PHARMA”企业研发管线汇总1图表2 全球主要24家AIDD企业研发管线数量汇总112中国AI制药企业白皮书丨2023/11AIDD行业，是在近年才开始崭露头角的新兴领域，相比传统制药行业，它起步较晚。这主要是因为AI技术的发展和应用在医药领域的探索相对较新。然而，随着人工智能技术的迅猛发展和在医疗领域的广泛应用，AIDD行业正逐渐崭露出巨大的潜力。尽管AIDD行业发展迅速，但相关的配套政策相对较少。由于AI技术的复杂性和涉及的伦理、法律等问题，政府和监管机构需要时间来理解和评估其潜在影响，以制定相应的政策和法规。美国、欧洲等国家及地区，行业起步较早，经过多年的发展及规划初版的监管政策于近年才推出。时间政策名称AIDD相关政策内容2022年1月“十四五”医药工业发展规划以新一代信息技术赋能医药研发。探索人工智能、云计算、大数据等技术在研发领域的应用，通过对生物学数据挖掘分析、模拟计算，提升新靶点和新药物的发现效率。在实验动物模型构建、药物设计、药理药效研究、临床试验、数据分析等环节加强信息技术应用，缩短研发周期、降低研发成本。推进健康医疗大数据的开发应用和整合共享，探索建立统一的临床大数据平台，为创新药研发及临床研究提供有力支撑。2022年5月“十四五”生物经济发展规划信息技术支撑新药研制。利用云计算、大数据、人工智能等信息技术，对治疗适应症与新靶点验证、临床前与临床试验、产品设计优化与产业化等新药研制过程进行全程监管，实现药物产业的精准化研制与规模化发展。提升制药装备的自动化、数字化和智能化水平，发展基于人工智能的药物结晶、超临界萃取和色谱分离、固体制剂生产在线检测、连续培养生物反应器、蛋白质大规模纯化、冷链储存运输等信息化制药装备。2022年7月关于加快场景创新以人工智能高水平应用促进经济高质量发展的指导意见推动人工智能技术成为解决数学、化学、地学、材料、生物和空间科学等领域的重大科学问题的新范式，充分发挥人工智能技术在文献数据获取、实验预测、结果分析等方面作用，重点围绕新药创制、基因研究、生物育种研发、新材料研发、深空深海等领域，以需求为牵引谋划人工智能技术应用场景，融合人工智能模型算法和领域数据知识，实现重大科学问题和发现的研究突破。图表2 国内AIDD行业相关宏观政策（含草案）汇总时间部门政策名称AIDD相关政策内容2023年5月美国FDAUsing Artificial Intelligence Machine Learning in the Development of Drug Biological Products-讨论文件涵盖 AI 和 ML 的当前和潜在用途，包括药物发现、临床和非临床研究、上市后安全性监测和高级药品上市。2023年7月欧洲EMAReflection paper on the use of Artificial Intelligence(AI)in the medicinal product lifecycle-草案概述在整个药品生命周期和基于风险的背景下使用AI/ML开发与生产药物的考量，并针对AI/ML何时可以安全有效地开发、监管药物以及药物上市后使用等方面提供了建议。图表1 国外AIDD行业相关监管政策（含草案）汇总 AI制药行业配套政策制药行业配套政策目前，国内AIDD行业相关政策起始于“十四五”时期，主要以政府宏观政策为主，相应的执行发展政策及监管政策，还需要随着国内行业逐步深入发展而进行细化、完善。13中国AI制药企业白皮书丨2023/11各省都紧跟国家政策的方向，因地制宜出台了各地的特色政策。以AIDD行业产业布局最密集的上海为例：时间政策名称AIDD相关政策内容2023年5月上海市计算生物学创新发展行动计划（20232025 年）1.发展人工智能助力的分子动力学和增强采样算法，开发我国独立自主的大分子结构预测与设计的算法和软件，构建大分子结构解析及其互作的分析计算流程和预测模型，构建大分子工程AI设计平台，指导大分子改造实验和结构优化。2.发展AI药物研发的原创性算法、模型与计算平台，开发小分子药物大模型和生成算法，建立人工智能增强的抗体药物和肽类药物大模型与设计平台，发展中药复方药理药效预测模型，研发具有协同药效的现代复方。2023年7月上海市生物医药产业数字化转型实施方案（20232025 年）瞄准研发、生产、流通、管理等产业重点环节，深化数字赋能。到2025 年，推动5个以上人工智能辅助研发药物进入临床，实现30 个以上高端智能医疗器械产品获批上市。深化人工智能技术赋能医药创新研发；提升生物医药研发生产自动化智能化水平674360296631611911113222018177050100150200250300201820192020202120222023H1全球AI制药融资事件数全球AI制药行业融资额（亿美元）90.757.8105.2127.249.416.243.023.029.049.031.0020406080100120140201820192020202120229.02023H1中国AI制药融资事件数中国AI制药行业融资额（亿人民币）5.9%19.2%69.4%5.5%种子轮初创期成长期成熟期33.1%42.6%23.9%初创期成长期成熟期0.4%其他图表3 AIDD行业投资策略分布全球融资轮次分布中国融资轮次分布近年来，AIDD行业曾短暂成为投资的热点，其中2021年行业融资金额达历史高点，超过290亿美元。2022年以来，受资本环境影响，行业投资“热潮”已经有所退却，回落至相对稳定水平，预计融资金额将处于下行水平。AIDD资金回报周期长，全球投资者偏好选择成长期（69.4%）和初创期（19.2%）企业，中国投资者选择初创期、成长期、成熟期比例分别为33.1%，42.6%，23.9%1。图表2 AIDD行业投资金额统计分析 AI制药行业投融资现状制药行业投融资现状141 整理自药融咨询，数据来源自药融云投融资数据库图表1 上海市部分AIDD行业产业政策中国AI制药企业白皮书丨2023/11第二章AI+药物发现0215中国AI制药企业白皮书丨2023/11随着微阵列、RNA-seq和高通量测序（HTS）技术的发展，高校、研究机构及企业实验室产生大量的生物医学数据，当代药物发现也因此进入了生物大数据时代。随着生物大数据分析，药物发现研究的重点逐渐转向靶向药物发现，即以“基因-药物-疾病”为中心，通过AI技术分析与疾病高度相关的靶点，发现酶、蛋白质或其他基因产物，以及针对该靶点的小分子。药物靶点发现策略包括实验方法、多组学分析方法和AI计算方法。实验方法受限于通量和成本，而基于AI技术的多组学分析方法和AI计算方法能够高效、有效地发掘具有潜力成为药物靶点的分子。多组学分析方法整合生物学数据，揭示疾病关键靶点，而AI计算方法利用机器学习和数据挖掘技术筛选化合物库，加速药物靶点发现。这些方法在药物研究和开发中具有重要作用，并在未来发展中将变得更加关键。AI助力药物发现阶段概览助力药物发现阶段概览图表1 AI技术通过三方面助力药物发现阶段研发图表2 AI技术通过三方面助力药物发现阶段研发1AI技术辅助AI技术应用1 Pun,Frank W.,Ivan V.Ozerov,and Alex Zhavoronkov.AI-powered therapeutic target discovery.Trends in Pharmacological Sciences(2023).AI助力药物靶点发现与验证助力药物靶点发现与验证药物靶点发现与验证AI辅助药物分子设计、优化化合物筛选16中国AI制药企业白皮书丨2023/11近年来，基于机器学习的算法，特别是深度学习方法，在制药领域取得了显著成果并引起了广泛关注。深度学习，也被称为深度神经网络，由多个隐藏层节点组成，通过级联方式逐步进行数据处理和特征提取。与传统的机器学习方法相比，近期更加先进的基于深度学习的架构，如生成对抗网络（GANs）、循环神经网络和迁移学习技术，在制药方面广泛应用，例如新型小分子设计、衰老研究以及基于转录数据的药物药理预测。此外，利用公开可用的多组学数据和文本挖掘，深度学习还在未满足临床需求的疾病方面发挥着重要作用。图表1 AI技术驱动药物靶点发现与验证工作流程1时间研究机构/公司相关论文相关工作及发现2018年AgeXTherapeuticsUse of deep neural network ensembles to identify embryonic-fetal transition markers:repression of COX7A1 in embryonic and cancer cells利用12,000个胚胎和成年细胞的转录组数据训练了一个深度学习集成模型；发现控制胚胎转变的新靶点COX7A1。2020年利物浦大学/肯特大学Using deep learning to associate human genes with age-related diseases建立了一种基于深度学习的方法，该方法采用新颖的模块化架构，通过学习从基因或蛋白质特征中检索的模式，识别与多种年龄相关疾病相关的靶点。2020年云深智药GCN-MF:Disease-Gene Association Identification By Graph Convolutional Networks and Matrix Factorization提出了一种新的疾病-基因关联任务的框架，将图卷积网络（GCN）和矩阵分解相结合，命名为GCN-MF。借助其帮助，研究者可以捕捉非线性交互并利用测量的相似性。1 Pun,Frank W.,Ivan V.Ozerov,and Alex Zhavoronkov.AI-powered therapeutic target discovery.Trends in Pharmacological Sciences(2023).最新技术举例 利用多组学数据训练机器学习/深度学习模型进行靶点发现：17中国AI制药企业白皮书丨2023/11基于大型语言模型的聊天功能，如微软的BioGPT和Insilico Medicineiv的ChatPandaGPT，通过对从数百万论文中提取的大量文本数据进行预训练，可以将疾病、基因和生物过程联系起来，从而快速识别疾病发生和进展的生物学机制，并发现潜在的药物靶点和生物标志物。时间研究机构/公司相关论文/成果相关工作及发现2023年微软BioGPT:Generative Pre-trained Transformer for Biomedical Text Generation and MiningBioGPT：针对特定领域的生成性Transformer语言模型，在大规模生物医学文献上进行了预训练。文章在六个生物医学自然语言处理任务上评估了BioGPT，并证明BioGPT在生物医学文献上的优势2023年英矽智能ChatPandaGPTInsilico Medicine 将 ChatGPT 引入其靶点发现平台 PandaOmic2023年麻省理工学院Contrastive learning in protein language space predicts interactions between drugs and protein targets团队设计了一种基于大语言模型的AI算法ConPLex，可以利用预先训练的蛋白质语言模型（PLex），并采用蛋白质锚定的对比共嵌入，超越目前最先进的算法，并尝试将药物靶点相互作用（DTI）推进到未知药物和靶点类型，同时又能区分具有不同结合特征的结构高度相似的药物候选分子。时间研究机构/公司相关论文相关工作及发现2021年冰洲石生物Molecular modeling with machine-learned universal potential functions展示了神经网络可用于训练能量势函数的通用近似值。通过采用全自动训练过程，能够在大规模晶体结构上训练出平滑、可微分和可预测的势函数。2021年华盛顿大学David Baker团队Accurate prediction of protein structures and interactions using a three-track neural network报道了新蛋白结构预测工具RoseTTAFold，其采用了注意力机制使整个DL能够同时学习到蛋白一级/二级/三级结构不同维度的信息，预测准确率与AlphaFold2不相上下。2022年DeepMindAlphaFold Protein Structure Database:Massively expanding the structural coverage of protein-sequence space with high-accuracy models真正解决了蛋白质三维结构预测的算法困境，大幅度降低了药物新靶点发现的难度，对于生命科学研究具有革命性的潜在意义。2022年百图生科Helixfold-Single:Msa-Free Protein Structure Prediction By Using Protein Language Model As An Alternative提出将大规模蛋白质语言模型（PLM）与 AlphaFold2 优越的几何学习能力相结合，并开发了新的蛋白结构预测模型 HelixFold-Single 利用机器学习/深度学习模型进行分子建模 大语言模型通过文献挖掘发现治疗发现18中国AI制药企业白皮书丨2023/11时间研究机构/公司相关论文/成果相关工作及发现2020年英矽智能Molecular Generation for Desired Transcriptome Changes With Adversarial Autoencoders提出的模型可以产生新的分子结构，可以诱导给定的基因表达变化或在给定分子结构孵育后预测基因表达差异2022年剑桥大学Adversarial generation of gene expression data开发一种基于条件生成对抗网络的方法，为大肠杆菌和人类生成真实的转录组学数据。我们评估我们的方法在几种组织和癌症类型的表现“合成数据”是指通过人工生成的数据，它可以模拟真实世界中的模式和特征。借助人工智能算法，能够创建合成数据，以模拟各种生物数据，从而帮助研究人员探索和分析新药物的可能。这种方法在实验数据稀缺或难以获得的治疗领域尤其有价值。举例来说，在罕见疾病或患者数据有限的情况下，人工智能可以基于现有的知识和模式生成合成数据。然后，我们可以利用这些合成数据来训练人工智能模型，并识别可能被忽视的潜在治疗靶点。计算生物学大模型用于靶点发现时间研究机构/公司相关论文/成果相关工作及发现2023年格拉德斯通研究所Transfer learning enables predictions in network biology基于迁移学习的Transformer模型开发了一个理解基因相互作用的基础模型 使用AI生成的合成数据进行靶点识别19中国AI制药企业白皮书丨2023/11AI靶点发现需要大量的生物数据来训练模型，并需要专业人员对数据进行清洗、预处理，去除冗余和错误数据，并对数据进行标准化和格式化。对于AIDD初创企业而言，与大型制药企业相比，他们面临着生物实验场景数据严重不足的挑战。在短时间内难以积累足够的数据量。因此，AI靶点发现技术在初创企业中具有一定的门槛。国内能够进行靶点发现的AIDD企业约32家1,主要分布在北京、上海、深圳等地区，具体企业名称及布局技术领域如下表所示。值得注意的是，AI靶点发现技术具有一定的局限性，靶点发现的企业并非完全利用AI技术：例如，水木未来能够利用冷冻电镜技术解析蛋白质结构进而完成靶点的发现；药物牧场利用IDInvivo+转座子靶点发现平台，结合Medchem5人工智能药物化学平台在药物靶点发现上进行开拓。能够进行靶点发现的AIDD企业主要分为3类：AIDD Biotech企业、具备AI技术的CRO企业、AIDD技术平台企业。公司名称公司位置主要技术领域企业类型企业技术/投资背景水木未来北京冷冻电镜CRO高校/研究所背景英飞智药北京小分子药物Biotech/CRO高校/研究所背景百奥智汇北京单细胞测序CRO高校/研究所背景哲源科技北京生命科学Biotech/CRO高校/研究所背景星亢原生物北京大分子药物Biotech/CRO名校博士创业项目百图生科北京算法开发技术平台互联网巨头项目普瑞基准北京多组学研发CRO创投基金孵化角井生物北京大分子药物Biotech资深医药专家创业智睿医药广州小分子药物CRO资深医药专家创业西湖欧米杭州蛋白质组CRO高校/研究所背景西湖云谷智药杭州基因编辑Biotech高校/研究所背景高维医药杭州药物发现Biotech高校/研究所背景呈元科技杭州合成肽新药研发Biotech创投基金孵化红云生物南京小分子药物Biotech高校/研究所背景燧坤智能南京小分子药物Biotech/CRO高校/研究所背景劲风生物青岛TILs疗法Biotech高校/研究所背景冰洲石生物上海小分子药物Biotech名校博士创业项目药物牧场上海小分子药物Biotech/CRO资深医药专家创业爱信智耀上海药物研发Biotech资深医药专家创业湃隆生物上海小分子药物Biotech/CRO创投基金孵化图表1 国内主要布局AI药物靶点发现与验证初创企业汇总11 公开资料整理 国内企业布局20中国AI制药企业白皮书丨2023/11公司名称公司位置主要技术领域企业类型企业类型科镁联上海寡核苷酸药物Biotech创投基金孵化焕 一生物上海免疫学CRO跨界创业项目新合生物深圳RNA药物Biotech/CRO名校博士创业项目未知君深圳肠道微生物药物Biotech名校博士创业项目溪砾科技深圳靶向RNA小分子Biotech创投基金孵化华为云EIHealth深圳算法开发技术平台互联网巨头项目云深智药深圳算法开发技术平台互联网巨头项目科辉智药深圳小分子药物Biotech创投基金孵化予路乾行苏州分子模拟CRO资深医药专家创业科因生物苏州小分子药物Biotech创投基金孵化睿健医药武汉诱导多能干细胞Biotech资深医药专家创业21中国AI制药企业白皮书丨2023/11 英矽智能英矽智能是一家由生成式人工智能驱动的临床阶段药物研发公司，通过下一代人工智能系统连接生物学、化学和临床试验分析，利用深度生成模型、强化学习、转换模型等现代机器学习技术，构建强大且高效的人工智能药物研发平台，识别全新靶点并生成具有特定属性分子结构的候选药物。英矽智能聚焦癌症、纤维化、免疫、中枢神经系统疾病、衰老相关疾病等未被满足医疗需求领域，推进并加速创新药物研发。英矽智能AI靶点发现技术全球领先，具有大量应用实例。自主研发人工智能生物靶点发现平台 PandaOmics，公司利用该平台确定了许多此前从未报道过的肌萎缩侧索硬化症（ALS）潜在治疗靶点1。药物牧场药物牧场成立于2015年，主要利用遗传学和人工智能技术开发针对乙肝、肿瘤和自身免疫疾病的创新疗法。利用IDInvivo+转座子靶点发现平台，结合Medchem5人工智能药物化学平台在药物靶点开拓的“卡脖子”领域攻关突破。前者基于转座子进行基因筛选，在具有完整免疫系统的活体动物中直接发现新药物靶点；后者利用深度学习技术进行药物分子的设计。药物牧场已经发现20余个创新靶点；结合专有的人工智能（AI）药物发现平台，公司原创新药DF-006已经进入I期国际多中心临床。百图生科百图生科是中国首家生物计算技术驱动的生命科学平台公司，致力于用高性能生物计算和多组学数据技术加速创新药物和早筛早诊等精准生命科学产品的研发。业务将分为两大阶段，第一阶段利用前沿AI技术构建完整的生物计算平台，并与提供新的数据轴和新的数据分析、药物设计工具的初创企业与研究机构携手，构建生物计算生态，为生命科学企业和科研用户提供丰富的工具能力和完整的解决方案。第二阶段，将深度参与或主导发起新型精准药物和精准诊断产品的研发，携手合作伙伴，研发生命科学产品。百图生物成果入选美国癌症研究协会（AACR）2023 年会，研究内容覆盖全新抗体设计的蛋白结构预测模型、靶点发现2，以及高通量自动化蛋白表达/表征平台的构建。予路乾行予路乾行是一家以人工智能、量子力学及分子模拟算法为核心技术，通过模拟运算赋能新药研发的交叉学科技术驱动型生物医药公司。公司结合自主创新的AI技术，结合高精度分子动力学模拟核心算法，建立了国际领先的新一代人工智能药物研发平台。该AI研发平台主要针对未解析靶点与高柔性靶点进行高精度结构解析及生理动态过程还原模拟，从而实现难成药靶点的新药研发。1 Identification of Therapeutic Targets for Amyotrophic Lateral Sclerosis Using PandaOmics An AI-Enabled Biological Target Discovery Platform2 Identification of Molecular Targets 2/New Nonclinical Models for Targets 国内代表企业22中国AI制药企业白皮书丨2023/11药物设计的目标是开发出具有特定性质、符合特定标准的药物，包括疗效、安全性、合理的化学和生物特性以及结构的新颖性。近年来，利用深度生成模型和强化学习算法进行新药设计被认为是一种有效的药物发现方法。这种方法能够绕过传统基于经验的药物设计模式的限制，让计算机通过自主学习药物靶点和分子特征，以更快的速度和更低的成本生成符合特定要求的化合物。这种新方法为药物设计领域带来了更多的创新和可能性。AI生成模型在全新药物设计领域具有巨大的优势，因为它们在生成分子时不需要先验的化学知识。这些模型可以在更广阔的未知化学空间中进行搜索，超越现有分子结构的限制，自动设计新的分子结构。在新药设计中，广泛使用的深度生成模型包括基于循环神经网络（RNN）的生成模型、变分自编码器（VAE）和生成对抗网络（GAN）等。利用生成模型设计分子的过程具有高度的随机性，生成的分子在结构上呈现千变万化，质量也参差不齐。强化学习可以通过微调模型参数进行有针对性的优化，使生成的分子具备特定的药物分子特性。这种结合生成模型和强化学习的方法为全新药物设计提供了新的途径和可能性。图表1 主要AI生成模型框架示意11 Zeng,Xiangxiang,et al.Deep generative molecular design reshapes drug discovery.Cell Reports Medicine(2022).AI驱动药物分子设计、优化驱动药物分子设计、优化 最新技术举例 AI生成模型在药物设计领域应用23中国AI制药企业白皮书丨2023/11时间研究机构/公司相关论文/成果相关工作及发现2017年阿斯利康Molecular de-novo design through deep reinforcement learning开发了一种基于序列的新药设计方法REINVENT。研究者从 ChEMBL 数据库中收集了 150 万个符合特定要求的分子，并使用这些分子的 SMILES 来训练RNN 模型，以学习活性分子的特征并生成新分子。基于 RNN 的生成模型药物在先导化合物的优化方面