2024年AI制药深度报告.pdf

AI制药AI PharmacyQbitai Industry Insight深度产业报告技术篇产业篇展望篇量子位硬科技深度产业报告AI制药引 言新药研发昂贵、漫长且艰难。双十困境1进一步恶化，反摩尔定律2成为更加严峻的事实。今天，单款新药的研发成本飙升至25.6亿美元，而整体开发成功率仅有3.5%。尽管相关政策正不断引导行业从me-too/me-better向first-in-class转变，但后者的最终成功概率仅有1.2%。成本与收益对比鲜明，行业正陷入困境。而AI制药似乎给出了候选答案。一方面，以虚拟筛选为例，AI制药能够极大加速药物研发。基于相对明确的机理（如薛定谔方程）等，AI能够跨多个更广阔全面的数据空间（如不同的化合物库和组学数据库）快速完成搜索，节省大量原用于湿实验的投入。而更为重要的是，相对于较易受限的专家经验和CADD，数据驱动的AI能够原创性的针对靶点生成分子骨架或特定化合物，给出不存在于已知化学空间的分子，实现“think out of the box”，为药物研发领域带来不同的创新思路。近几年，新的靶点、化合物、甚至临床前候选药物陆续出现，为AI制药验证了概念的可落地性。与此同时，AI制药创企与传统药厂合作增多、资本纷纷涌入，也从侧面证实着这个行业的冉冉升起。然而，现有技术成果有限、BT与IT融合存在先天困难、高质量数据不足、商业变现尚不清晰等问题还在困扰着这个行业。在国内融资热潮结束一年后，我们采访了大量业内从业者并进行深度分析，希望能够还原AI制药产业的真实面貌，也为诸如行业所处阶段、关键未来动向、业内竞争格局等问题给出参考答案。1 药物研发领域的惯用说法，指一款新药上市需要花费约10年和10亿美金2 Erooms Law，指投资10亿美元所得到的上市新药数目每 9 年就减少一半感谢以下机构参与深度访谈（按照首字母排序）：百图生科、答魔数据、段宏亮教授（浙江工业大学）、黄晶教授（西湖大学）、剂泰医药、晶泰科技、望石智慧、星亢原、西湖云谷智药、英矽智能、星药科技、亿药科技2量子位硬科技深度产业报告AI制药关键结论31.AI制药基于AI技术，通过数据交叉比对、加速筛选、从头生成等方式改造传统新药研发流程。其价值核心体现在开创性创新与效率提升。两者的代表分别为端到端的化合物生成和干湿结合的虚拟筛选。2.我们认为，AI制药行业正逐渐走向快速增长后的短暂平稳期。还有望迎来下一轮、乃至第三轮爆发式的增长，将具体取决于2023-2024年（批量药物完成临床二期）和2026年左右（出现上市的AI验证药物）的两个关键时间节点。3.我们预估到2025年，AI制药国内总市场规模约72亿人民币。到2035年，自研管线市场规模约680亿人民币，对外合作管线研发市场规模约1350亿美元，叠加其他相关收入，国内总市场规模达到2040亿人民币。4.AI制药产业链中分工复杂、链条长，我们预估短期内难以延展出其AI制药特有的产业生态，与传统制药玩家的关系（传统药厂、合同研究组织CRO等）将对AI制药公司有重要影响。5.AI制药行业目前主要包括CRO、Biotech和软件服务三种商业模式。其中，我国大多为三者的结合，CRO的比重高于国外。这可能源于三方面原因：尽快证明自身技术实力进而抢先开始正循环；变现能力需求及自身资金量限制；差异化竞争优势尚不明显，软件平台模式不成熟。6.中外AI制药公司在资本认可、传统药厂合作态度、业务管线等方面仍有较大差异，我们认为中外将基本遵循相似的路线发展。但差距正从成立年限方面的5年不断缩小。7.短期内竞争强度有限，但长期行业马太效应可能较强，技术、数据、业务等多个细分方面将成为重点。量子位智库后续将持续关注AI制药领域，输出独家内容与专题活动。如需与分析师进一步交流相关信息、加入AI制药高端实名制社群、探讨相关合作等，可注明身份来意扫码添加量子位智库小助手及分析师本人。量子位硬科技深度产业报告AI制药目录技术篇05技术简介 07技术价值 产业篇11现状概述 15市场规模 16产业链分布 20代表玩家 23中外对比及分析 28竞争格局与壁垒 展望篇31 展望结论4量子位硬科技深度产业报告AI制药技术篇AI制药（AIDD,即AI drug discovery）是指将NLP、深度神经网络，生成模型等AI技术与与传统制药环节相结合，通过数据交叉比对、加速筛选、从头生成等方式，提升新药研发效率，拓展药物创新空间的技术应用。在技术上会同时涉及计算生物学、计算化学、计算物理等方面。目前而言，AI制药仍在传统制药的流程框架下进行（如下所示）。1.1 技术简介药物发现Drug discovery临床前研究Preclinical studies临床研究申请及审批IND Enabling临床实验1-3期，2期是最大挑战药物审批上市包含4期临床实验目前，AI制药主要在药物发现与临床前研究两个环节发挥作用。我们将逐一介绍AI制药在两个领域的赋能效果。具体分为两大步骤，依次为靶点发现及验证（target discovery&validation）和候选化合物发现。而后者则可以进一步区分为苗头化合物（hit）筛选、先导化合物（lead）发现和生成临床前候选药物（PCC）三个具体环节，分别生成的苗头化合物、先导化合物和临床前候选药物间可简单理解为逐轮优化与筛选的递进关系。目前，由于底层AI原理与可用算法相对清晰，且可提供技术附加值的切入点较多，该环节是AI制药创企布局最为密集的环节。从技术上来看，虚拟筛选与端到端的化合物生成分别代表了AI在效率和创新上的优化效果。其中，虚拟筛选贯穿了候选化合物发现全流程，我们将在苗头化合物发现环节介绍端到端的化合物生成。图：药物研发基本流程（简化版）AIAI制药的主要优化环节制药的主要优化环节2-4年数千个候选化合物1-3年10-200个候选药物约半年6-7年1-10个临床药物药物发现环节5约1年1个上市药物靶点发现及验证（target discovery&validation）靶点指药物在生物体内的作用结合位点，包括基因位点、受体、酶、核酸等生物大分子等。能否找到创新性的药物靶点，将在很大程度上决定药物的创新性与可治愈疾病的范围。技术原理：以NLP技术、知识图谱技术等为核心。通过对海量、多来源、甚至异构的数据库进行交叉引用比对，AI能够帮助研究者了解疾病机制，并从免疫系统、信号通路、蛋白质结构等角度发现合适的靶点与信号通路。也可以通过建立用于参考的药物/疾病相似性及关联性网络来寻找合适的靶点。在确定相关靶点后，可为后续化合物筛选建立合适的生物学模型。数据库可包含：多组学系统数据库（如基因组学、转录组学、代谢组学等）、疾病生物学原理数据库、信号传导通路和网络数据库、现存药物及靶点数据库、患者临床实验/动物模型数据库等.也可能涉及如蛋白质结构预测、PPI（蛋白质相互作用）预测等有助于从底层确定可用靶点的技术量子位硬科技深度产业报告AI制药6效果对比：传统制药模式局限于已知靶点（现存600多种小分子药物靶标，1800多个蛋白质靶标，2100多种基因和siRNA靶标），无法覆盖目前尚研究不充分的疾病，如心脑血管疾病、神经退行性疾病等。AI在搜索和关联的广度和数量上远超出过往的专家经验，并能够避免过往因人为偏见和可用投入而导致的遗漏，有助于发现创新性靶点。候选化合物发现（具体分为苗头化合物、先导化合物和临床前候选药物的筛选优化）以贯穿全程的虚拟筛选和端到端的化合物生成为核心苗头化合物（hit）指针对特定靶点，已经具有一定生物活性或药理活性的化合物分子，主要用于进一步药物筛选和修饰。可以通过合成新化合物、改造优化现有化合物、或者药物重定向获得。先导化合物（lead）指有较好的生物活性和可成药化学结构的化合物分子，将用于进一步的设计合成。临床前候选化合物（PCC，Preclinical candidate compounds），指围绕先导化合物持续进行设计与修饰优化后，能够同时在生物有效性、外观、溶解度、药代动力学等多层标准上满足更高要求的产物。是已经确定具有高开发价值、可进入临床进一步验证其成药效果的化合物。技术原理：以用于预测各类化合物性质的深度学习模型为核心。通过深度学习网络，基于相对明确的底层原理（如QSAR/QSPR等），快速以量子力学的精度对候选库中小分子化合物的特性（包括其自身的物理/化学特性、与靶点的结合模式及亲和力等）进行计算模拟，进而进行打分筛选。模型的建立与正常的AI模型相同，首先基于多维的目标训练数据集，由AI自主构建对应的性质预测模型。随后针对库中的化合物，快速进行预测及评分筛选。此外，可能涉及药物重定向，涉及利用AI中的NLP搜索等能力，搭建疾病/药物相似性及关联性网络。效果对比：传统制药模式是采用随机或者高通量筛选，需要物理世界中湿实验的大量投入与筛选投入。此外，过往的筛选会局限于专家的人为经验（如对特定结构的偏见）和已有化合物库的体量。AI一方面大量减少了相关投入，也更易得到新颖的分子。苗头化合物（hit）生成及筛选先导化合物（lead）生成及筛选技术原理：以用于预测各类筛选及修饰后化合物性质的深度学习模型为核心。由于需要通过骨架跃迁、基团替换等方法修饰苗头化合物的化学结构，进而提升hit的生物活性、结构构效、毒理学性质等，AI模型会通过同时预测药物结构与多个指标间的关系，对修饰后的分子进行多指标评价，并指导后续调整。效果对比：通过基于化学基团、化合物构效关系等精准预测ADMET等性质，AI有助于减少对延展设计后化合物分子的实际合成和测试的湿实验投入。值得强调的是，除了依照传统药物研发流程，在苗头化合物和先导化合物发现环节逐层进行虚拟筛选外，AI所特有的创新生成作用也支持其直接进行化合物的从头生成，直接基于靶点生成数十个性质理想的先导化合物，快速进入临床前候选化合物的开发环节，开发效率被进一步提升。化合物从头生成/药物分子端到端设计这一任务是指基于潜在药物靶点，在参考相关天然产物/类源型配体的化学结构特征的基础上，直接完成药物分子的设计。但由于涉及的分子拓扑结构等要素数量巨大，从头生成分子往往要面临组合爆炸的问题，因此也被看作是新药研发中最具挑战性、同时最具创新改造价值的一环。在过往，化合物设计需要依据已有规则，多样性会受到编码规则、构建模块库等的限制。而基于生成对抗网络、强化学习等，AI基本由数据驱动，从已量子位硬科技深度产业报告AI制药在引入了AI进行虚拟筛选之后，除了大幅提升化合物的筛选效率，也形成了新的药物研发方式干湿结合。这一特点不仅在新药研发领域表现突出，也正有望成为计算生物学等计算模拟领域的新范式，为过往依赖于实验的研究及应用带来新的思路。临床前候选化合物（PCC）生成及筛选7有的数据库中自主学习相关规律（如结构与药物性质间的关系等）并完成设计，不再受限于过往规则，在分子骨架等方面将更加新颖。据多方评价，端到端的分子生成，是AI的创新价值最为集中的环节，也是AI制药未来对于药物研发最大的吸引力之一。不过，由于对化学空间的探索更加广泛深入，AI生成的产物也往往会面临难以实际合成、结构过于复杂而难以寻找类似物等问题，仍需专家进一步介入。在通过虚拟筛选或直接端到端生成环节后，将有数十个化合物分子进入关键的临床前候选化合物环节，通过细胞实验、延展设计等进一步提升最终化合物的成药性质。技术原理：以用于预测在动物/人体实验中ADMET性质的深度学习模型为核心。一方面，在这一环节与前两环节类似，仍然需要对优化修饰后的化合物分子进行物化性质预测，并在活体细胞中进行验证与后续优化迭代。但同时，由于在临床前研究和临床研究环节需要在活体动物及人体中进行药物效果测定，为了避免后期效果差异过大而导致的研发失败，在这一环节，往往也会设置ADMET的性质预测，并适当结合动物及人体实验的特性，直接预测在动物/人体实验中的相关指标。效果对比：由于药物发现环节，实验大多是基于细胞模型或活体细胞进行的，与后续的动物及人体实验结果存在一定偏差，这种偏差会加大药物研发失败的几率。由于可以通过AI模型设计更早地考虑到动物及人体实际实验的影响因素，ADMET模型将具有更高的实用性，为后续的实验环节节约成本投入。干湿结合的药物研发新方式干湿结合是指由AI计算模拟所代表的干实验，和在实际中进行生物操作的湿实验相结合的研发方式。首先，由计算机在虚拟空间中对化合物进行模拟/生成、预测和筛选。随后，由干实验筛选得到的化合物将提交到实验室中，由研究人员进行合成、测试、检验等实际操作。通过湿实验，干实验筛选后的化合物将被进一轮优化筛选。与此同时，湿实验数据将被反馈给AI，用于优化迭代干实验模型。随后，AI将继续完成生成/优化筛选。基于这种循环，只需少量针对性的现实实验，AI就能够不断的生成、迭代，直到得到有理想活性的先导化合物。除去提升效率和节约成本外，干湿结合也是新药研发领域解决数据问题不足的一种方式，智能实验室的地位对于相关创企的长远发展有重要意义。我们将在产业篇对此详细讨论。量子位硬科技深度产业报告AI制药8临床前研究（preclinical development）阶段主要包含两项内容。整体而言，AI的赋能作用相对于药物发现环节已有明显降低，效率的理想提升效果大约在10%左右。首先，相对于候选化合物发现，临床前研究相对更侧重药理作用的评估，需要通过在动物上（此前多为细胞实验）进行候选药物测试，来进一步测定候选药物的ADMET属性并进行针对性的优化。ADMET 包含药物的吸收（Absorption）、分布（Distribution）、代谢（Metabolism）、排泄（Excretion）及毒性（Toxicity）五种属性参数。一般来说，应当集中在临床前研究完成。但为了提高药物研发的整体效率，降低后续研发失败可能，在相关软件的帮助下，ADMET预测已经贯穿了药物发现流程，用于辅助早期的虚拟筛选。在该部分，AI能够通过预测在动物及人体实验中候选药物的ADMET性质，提前做出修正优化，降低药物临床试验开发的投入。另一方面，临床前研究还需要完成制剂、晶型的设计。AI将通过深度学习等方法，寻找理想的晶型结构、制剂等。在我国，已经出现了基于特定技术优势、专攻这些环节的创企。完成临床前研究之后便可以递交临床研究申请（IND Enabling），审批通过后进入临床实验。该部分共分为3期实验，依次为1期FTIH，fist time in humans，用于验证该药物对人体无毒；2期POC（proof of concept），用于证明该药物对于靶向病人确有治疗效果；3期multicenter trails，主要是在2期的基础上扩大临床患者数量及种类，在更大范围内验证药物有效性。完成临床实验之后，药物便可以进入审批上市阶段（该阶段也会包含临床四期实验）。当走完所有流程之后，AI制药产品可进入市场。据业内人士透露，目前，国际上宣布进入临床阶段的AI驱动药物大多处在处在临床1期阶段，尚未进入关键性验证意义的临床2期。临床前研究环节1.2 技术价值在可用数据库维度及数量充足的前提下，辅以高效算法和充足算力，AI能够有效优化传统制药的高通量筛选和生成设计环节，分别体现了在效率提升和创新上的赋能效果。在具体讨论AI制药的技术价值之前，我们需要强调，在AIDD(AI-aided Drug Discovery)出现之前，计算机技术就已经在以CADD（Computer-aided Drug Discovery，计算机辅助药物发现）的形式参与药物研发。在今天，如需要强调的是，上述以虚拟筛选为核心的流程更侧重于小分子药物，而生物药物的发现则需要关注生物大分子的表达以及合成（如蛋白质结构的预测对大分子药物的研发更为重要）。二者类似的地方在于，生物靶向药同样需要关注筛选和优化（例如融合蛋白的抗体的表达），虚拟筛选的作用仍然成立。从整体而言，AI技术更适用于小分子化合物。小分子化合物的化学结构在计算机表达上具有明显优势，且业界对于小分子背后的物理化学原理了解相对透彻。但随着Alphafold2对蛋白质结构的精准预测，对大分子生物药物的研发也有望加速开展。目前，在国外倾向于大分子药物研发的制药策略下，中国可能在小分子制药领域更具备发展潜力和比较优势。量子位硬科技深度产业报告AI制药9CADD vs AIDD功能特点通过基于物理/化学的基本计算方法和传统机器学习，CADD能够在特定细分方面完成预测例如基于薛定谔方程，以量子精度计算小分子和蛋白之间的结合能以数据驱动为主，既能够基于特定的原理，凭借强大的计算能力进行快速精准计算也可以基于可用数据，从头自主搭建预测或生成模型在底层原理和使用环节上局限较少落地场景CADD相对更倾向于较低水平的评估，如从药物化学家设计的分子、或已有分子库等数据库中评估挑选AIDD的特殊价值在于生成，例如从头开始生成具有特定属性的分子，而不局限于已有的分子结构准确性据从业人员评价，CADD的准确性基本停留在参考或初步猜想的阶段由于支持更加复杂的特征和更高的数据量，还能够采用创新性的模型表征和预训练模型，AIDD在准确性上有了明显提升覆盖范围CADD大多为单独的软件，例如分子对接软件、毒性预测软件等AIDD支持覆盖范围更广的统一框架评价：CADD和AIDD并非是排斥或者演进的关系，而是相互兼顾在CADD的原理框架下，AIDD可以不局限于简单的物理化学参数，而是针对化合物功效等复杂的生物学特性，自动进行特征提取，解决化学结构和其物理/生物特性之间的复杂非线性关系。现如今，从应用端来看，两者已经没有太大的区分以基于定量构效关系（QSAR）的预测模型为例，在CADD时期，业界多采用线性回归等简单的机器学习手段来搭建模型，而现在，已普遍出现向量机SVM和随机森林RF等AI技术尽管相对于CADD，AIDD部分牺牲了其可解释性，但目前业界正在做出相关努力通过对比，我们可以看到，相对于已经成为行业底层的CADD，AIDD的核心赋能在于以生成为代表的创新方面，这也是业界大多把AI制药的真正价值定义为“think out of the box”的深层原因。其次，则是以虚拟筛选为代表，对传统流程的效率的提升作用，既包括更快的搜索速度，也包括对湿实验环节的节省。开拓性创新：突破原有设计框架，避免过往因人为经验、实验环境等导致的创新困境如果我们概括性的来看AI制药，我们可以将其概括为三个方面：探寻疾病机制寻找对应的解决途径（蛋白靶点、信号通路、新的生物标志物等）获取可用于抑制的生物试剂（能够满足特定属性的分子）。对于三者，AI都可以通过大范围跨纬度地搜索潜在数据，从关联维度和空间广度上突破人为偏见和效率限制。此外，更强的关联搜索能力也带来了AI在药物重定向上的优势。相关案例：2021.1，阿斯利康联合BenevolentAI发布消息称，在导致慢性肾脏疾病的潜在细胞机制中发现了新的药物靶点。2020.2，Exscientia公司联合住友制药合作开发的针对强迫症的DSP-1181，在日本启动I期临床试验。该候选药物分子是全球首款完全由AI设计并进入临床试验的AI候选药物，整个项目从提出概念到进入临床，用时不到一年。果我们要讨论AIDD对于制药行业的技术提升效果，就应当首先明确CADD和AIDD在技术上的区别。量子位硬科技深度产业报告AI制药药物重定向是指当已上市药物的适应症或适用人群尚未达到理想状态时，基于疾病/药物相似性网络等，为其关联寻找新型适应症及人群。由于该药物已经完成了上市流程，药物重定向可以直接进入临床二期，开发效率将远高于全流程的新药研发，在盈利方面是AI制药公司关注的首选关注方向之一。但更重要的是AI自身所具备的创新生成能力。生成网络和强化学习的普遍应用，使得AI能够在跨维度学习了大量案例之后，直接基于靶点，生成符合相关特性的全新分子结构、甚至是候选化合物。在生成过程中，由于无需完全受限于既有的设计规则，数据驱动的AI能够想象出不存在于已知化学空间的分子，这体现为许多AI制药项目中新型的化学结构。不过，尽管对行业有重大意义，但AI的创新能力还会受到可解释性、公司风险承担能力和经营思路、以及后续可合成能力等方面的制约。我们会在产业篇对此有进一步的讨论。效率提升：以虚拟筛选为核心，通过减少对湿实验的依赖提升整体效率相关案例：20202020.2 2，BenevolentBenevolent.AIAI公司在柳叶刀杂志发表论文称，通过其研发的公司在柳叶刀杂志发表论文称，通过其研发的AIAI平台检索海量科学文献，发现平台检索海量科学文献，发现巴瑞替尼或可用于治疗新冠。同年同年1111月，月，FDAFDA授予巴瑞替尼（授予巴瑞替尼（BaricitinibBaricitinib）与瑞德西韦联用疗法作为行管特效药的紧急使用授权（）与瑞德西韦联用疗法作为行管特效药的紧急使用授权（EUAEUA）。相关案例：20222022年，年，Insilico MedicineInsilico Medicine将将A Al lp ph ha aF Foldold2 2应用于早期药物发现，成功在应用于早期药物发现，成功在3030天内获得了针对全新靶点天内获得了针对全新靶点CDK20CDK20的苗头化合物，的苗头化合物，CDK20CDK20抑制剂有望成为癌症，特别是肝细胞癌的创新疗法。抑制剂有望成为癌症，特别是肝细胞癌的创新疗法。传统的高通量筛选方式已不适合现在的生物数据规模。仅就化合物分子库的数量而言，大规模跨国药企一般都会有 50-300 万数量不等的化合物储备，而整个化学空间包含了超过10的60次方个分子。传统的高通量筛选方式需要由实验机器人进行数以百万计的试验，进行合成与各类性质的测定，时间和金钱成本都非常高昂。此外在传统制药中，由于缺乏对特定药物化合物和靶标三维结构等的精确知识，在具体的化合物筛选和优化过程中，还需要不断补充进行新的合成及测试，进一步降低了药物发现的速度和可预测性。尽管此前，CADD在各板块下也有相应的软件工具，但效果相对有限，主要用于参考，考虑的维度也相对单一。而由于能够多变量优化，AI显著提升了预测的精度，而虚拟筛选本质上是通过对ADMET、药代动力学、构效关系等性质进行精准预测、甚至是多变量的预测与优化，将需要在现实中完成的实验转移到了虚拟的线上进行。未来，模型未来还有望通过考虑特殊因素，更加精准的模拟动物及人体的反应，降低前期研发和后期动物及人体实验间效果的误差。此外，AI还能够预测制剂、晶型在可吸收性、溶解性等方面的性质。除了直接预测化合物的化学、物理及生物特性外，AI也能够在这些方面显著加速药物发现的整体进程。10量子位硬科技深度产业报告AI制药11总体而言，通过干湿结合的方式，AI能够将大量的虚拟筛选，即干实验，与少量关键性的高通量湿实验相结合，在验证虚拟筛选结果的同时，不断修正完善虚拟筛选模型，最终得到理想的化合物分子。受益于虚拟筛选的高效率，部分AI+Drug 企业的化合物数据库可以达到 16B+，达到了远超过传统药企的实体库可覆盖的化学空间。相关案例：其他潜在技术应用：总体而言，AI平台的最大作用会以提升效率和推动创新的形式集中在PCC之前，此后的临床实验和合规过程由于具有完备的监管流程和实验要求，AI的加速效果有限。但在后续的环节中，AI同样有一定的作用，能够提升药物研发整体流程效率，例如小幅度缩短合成时间（6个月到5个半月，提升约7%），提升临床实验成功率等。通过采访并整理业内公司的相关规划，我们具体列举如下：潜在方向具体作用具体作用辅助原理研究如明确生物疾病机理与通路或搭建疾病模型通过特殊设计与预测，降低前期研发与临床实验结果间的误差观察临床结果图像算法+显微镜的方式（如recursion）已经提升了对药物分子效果的观察效率，该技术可以允许该公司每周完成150万次的细胞实验对临床实验结果预测精准建模1.可以基于细胞生物学、疾病信息等进行建模，可部分用于替代器官芯片、3D细胞培养等方式2.基于对动物模型的遗传背景、药物靶点及作用机制的理解，AI可以搭建更为准确的动物模型。3.甚至可能在未来，通过模型的设计减少动物与人、人与人间跨物种差异导致的预测误差受试者定向选择基于基因差别等因素，预测并选择最为适合的临床实验人群多变量预测疾病网络预测测试药物影响疾病网络，而非特定目标的情况联合给药预测以癌症为例，AI已被研究用于筛选药物组合，并指导剂量方案个性化制药给药以基于基因组学的个性化疗法为例，AI可以基于精准的计算模型针对性提升个别人群药物治疗效果药物合成路径预测现在正在从手动构建转向NLP相关，例如Transformer药明康德目前已推出相关模型2021.4，晶泰科技宣布与希格生科的肺癌新靶点药物发现合作中，利用AI算法与疾病模型的验证与反馈，两家公司仅用半年多就获得了全新靶向药的PCC。量子位硬科技深度产业报告AI制药产业篇2.1 现状概述从右图可以看到，自2018年起，AI制药在管线上已进入分水岭。一方面，临床前项目几乎翻倍，2018年达到121个临床管线。另一方面，以Exscientia，Landos Biopharma为代表，出现了进入临床的项目。2021年，管线数量再次出现快速增长，增长率约30%，共有160个公开项目。临床项目数量稳定转化，约20个。随着AI制药产出的管线产品越来越成熟，利用AI进行药物研发逐步证明了其可行性，我们预估这一增长率将会维持在该水平一定时间。图：新药研发管线整体分布图：AI制药管线分布122020年是至关重要的一年。国际上，AI制药企业逐步开始分化，大型药企的订单和突破性进展向头部创企集中。Schrodinger和Relay Therapeutics接连上市，并在当年获得二级市场热捧。对于中国而言，AI制药行业在这一年开始进入热潮。此前，无论是初创公司还是融资时间数量，一直处在较低位。而2020年，短短一年就发生了12起融资事件，宇道生物、剂泰医药等在早期就已获得了单轮过亿人民币的融资，并出现了晶泰科技的C轮融资。2022年，我国AI制药创企数量已超过20家，多家高校设立人工智能制药课题组及学院，但与国外多家上市、重大合作及技术突破消息频传的状况不同，国内的AI制药行业似乎显得更为平静。期待、质疑与好奇围绕着这个曾盛行一时的赛道。通过采访国内外AI制药行业及产业链相关人员，我们将对其产业现状和未来进行进一步的描述和分析，试图从不同角度来深度还原我国的AI制药行业。在量子位分析师看来，从全球角度，已经验证了概念可行性的AI制药行业逐渐走向了快速增长后的短暂平稳期。在第二轮检验完成后，将迎来再一次爆发。公司角度而言，初创公司的数量逐渐稳定，超半数公司融资轮次在A及A+轮，新进入公司将从订单、客户关系、产业链布局等方面面临较高的入行门槛。尽管受到估值波动影响，但多家AI制药公司，如Schrdinger、Relay Therapeutics、Recursion Pharmaceuticals、Lantern Pharma、C4X discovery已完成IPO。从资本角度来看，相对于其他前沿科技领域，AI制药行业已经在行业集中度较高的前提下，表现出行业暂时渐趋稳定的信号。从业务角度而言，我们认为，AI制药正面临检验前的关键沉淀期，增长趋势明显，前景良好。Source：Nature Reviews drug discovery，2022（基于市面公开资料统计）量子位硬科技深度产业报告AI制药13仅2021年一年，对外公布的进入临床阶段的产品就有11个，而2018-2020年两年进入临床阶段的产品只有4个。除此之外，可以看到国内公司的管线产品也已经开始进入临床阶段。图：进入临床阶段AI制药管线产品时间轴20212021年，对外公布、有明确描述的进入临床阶段的年，对外公布、有明确描述的进入临床阶段的AIAI制药管线产品就有制药管线产品就有1111个个注：黄色为国外企业管线；白色为国内企业管线；自2020年开始，对外披露并取得阶段性进展的AI制药管线数量明显增多，在2021年9月份和10月份两个月内，就有4个管线产品取得突破性进展，总数甚至超过18-20年两年的总和。总体而言，我们发现药物管线进入临床的速度迅速增加。加上第一批管线正逐渐进入验收期，预计未来进入临床管线数量将有小幅增长。行业在业务上的成熟度将有明显变化。临床前典型案例时间段数量研发速度案例2018-202030.08个/月Exscientia研发出针对慢性阻塞性肺疾病的候选药物Deep genomics研发出针对威尔逊病的候选药物DG12P1英矽智能研发出针对口腔癌的候选药物DDR1受体抑制剂2020-2021.850.3个/月BenevolentAI发现针对慢性肾脏疾病的新靶点英矽智能研发出针对肾纤维化的候选药物晶泰科技研发出针对肺癌的候选药物英矽智能研发出针对特发性肺纤维化的候选药Recursion针对NF2 突变脑膜瘤的REC-2282进入IND-Enabling阶段LandosBiopharma针对嗜酸性食道炎的omilancor进入IND-Enabling阶段2021.9-2021.1042个/月阿尔脉生物研发出针对肿瘤的候选化合物ALM005Healx针对遗传性脆性X综合征的HLX-0201进入IND-Enabling阶段Erasca针对结直肠癌的ERAS-007进入IND-Enabling阶段LandosBiopharma针对系统性红斑狼疮的LBP-104进入IND-Enabling阶段2021.11-2022.261.5个/月英矽智能研发出针对肾性贫血的候选化合物ISM012-077英矽智能研发出针对炎症性肠炎的候选化合物ISM02-042LandosBiopharma针对类风湿性关节炎的LBP-104进入IND-Enabling阶段冰洲石生物针对前列腺癌的AC0176进入IND-Enabling阶段Erasca针对多形胶质母细胞瘤的ERAS-801进入IND-Enabling阶段Lantern Pharma针对ATRT的LP-184进入IND-Enabling阶段量子位硬科技深度产业报告AI制药14与AI驱动管线增长形成鲜明对比，在整个新药研发领域，各阶段新管线的数量自2017年开始以年均15.3%的速度持续下降，2021年管线总量已低于1500。两项比较，目前，在临床前管线中，AI驱动管线已经占到了一半。而在管线总量中，AI驱动管线也已占到10%。并还在以双倍于整体下降的速度增长，未来将可见的对整个新药研发领域起到关键作用。除去目前良好的增长态势外，在结合制药行业特色及行业现状后，量子位分析师认为AI制药还有望迎来下一轮、乃至第三轮爆发式的增长，将具体取决于2023-2024年和2026年左右的两个关键时间节点。药物上市药物发现临床前研究 临床研究 申请 临床一期 临床二期死亡之谷 临床三期图：经AI加速后的药物研发流程与两大关键行业节点1.5-3.5年0.5年1-2年1-2年2-3年临床药理和毒理作用试验期对新药在人体上验证其安全性，通常为健康志愿者临床治疗效果的初步探索试验用较小总体的选定适应症的患者，对药物的疗效和安全性进行临床研究，其间将重点观察新药的治疗效果和不良反应治疗的全面评价临床试验与现有已知活性的药物或无药理活性的安慰剂进行对照试验，临床实验范围将明显扩大多数现有临床管线所处阶段2026年，大批现有管线进入临床2023-2024，部分现有临床管线跨越死亡之谷2026年左右，出现首个成功上市的AI驱动药物多数现有管线所处状态在分析估算后，量子位分析师认为，2023-2024年，这一关键事实将得到验证如果以结果为导向，AI制药是否在技术上明确具备优越性。这一推测是基于目前绝大多数临床阶段管线均处于临床一期，而临床二期是检验该药物是否具有理想疗效的关键节点计算得出的。尽管在制药流程中，每段流程都会有自己特定的里程碑，用于证明技术在当前环节的有效性。但整体性的技术证明仍需等待临床二期的结果。而2026年，预估将会出现首个上市的AI驱动药物，AI驱动药物面临的压力将从技术部分转向收入，AI制药行业的经济价值将得到验证。此外，预计到2026年时，现有的管线及后续发展较快的管线，将大批进入临床，AI制药的技术价值将得到规模化验证。能否在这一节点得到满意的结果，将在很大程度上决定行业中的主流观点和观望中传统药厂的下一步动向。与此同时，随着第一款AI驱动药物完成上市，政策、产业、消费市场对于AI驱动药物的态度及相关举措也将清晰，行业逐渐定型。基于以上分析，我们将我国AI制药行业的行业发展阶段具体划分为了三个阶段。整体而言，目前我国AI制药行业正面临关键验证期，头部玩家优势开始凸显，但竞争尚不明显。预计5年内将出现关键节点，行业集中度持续提高，企业分化和竞争程度有所加剧。5-10年内，AI制药行业本身，以及整个新药研发领域将发生重大变化。阶段1.0:验证成长期（目前-2024）我们认为，尽管国内的AI制药起步落后于国际约4年，但这一差距目前已被逐渐缩小。量子位硬科技深度产业报告AI制药15预计国内将在未来的1年中进入关键的检验期。基于有限的突破性进展，行业开始形成马太效应。鉴于目前国内自研管线大多处在早期阶段，且需要外部合作来降低风险与快速验证自身技术实力，对外合作管线成为关键指标。现有的行业循环应当大多建立在“突破性技术进展合作订单数量与头部药企认可融资增加智能实验室等配套设施，及自身技术增强突破性技术进展”的循环。基于统计，我们发现，国内合作管线的明显进展仍停留在头部公司，对外披露的外部合作大多为战略合作，实质性的业务合作较少。尽管存在行业保密协议，但对于腰部公司而言，如何尽快取得更多的合作意向，并尽快取得突破性的技术进展仍然较为重要。受限于这种前期验证环境下，国内的商业模式目前较为单一，以CRO为核心验证和起步形式，软件平台用于长期迭代优化，技术优势明显且资金充足的企业布局积极自研管线。企业现状专职初创公司超过20家，初创企业增长速度明显减缓，行业门槛逐步升高。互联网和传统药厂以投资等形式进行尝试新披露融资以A轮为主，继晶泰科技之后，英矽智能成为第二家进入C轮融资的企业行业马太效应逐渐形成，头部合作订单成为关键触发和反馈点。国内头部公司已接近全球顶尖创企水平以化合物筛选为核心，各家产品出现同质化现象，商业模式区分尚不明显。个别企业提出特有技术路线，但尚未得到充分验证国内已公开披露自研管线达到50条，对外合作管线约40条外部认可AIDD在技术细节上已经被认可，诸如为药物化学家提供参考信息、减少所需实验量。合作管线洽谈数量增加，合理预估目前国内合作管线已超过80条以英矽智能、冰洲石、晶泰科技为例，国内已出现进入临床阶段的药物管线和重大合作进展目前在技术上，尚无法证明AIDD能够持续并可靠地强于CADD。AIDD本身在技术上有很大的提升空间，还需要学界和研究团队去进一步努力。但该部分问题仍处在可解决范围内存在瓶颈批量式的里程碑突破，能否率先取得关键突破，将从融资、合作管线、业务等角度决定企业的长期发展优势头部药厂的明确合作态度各企业之间更为明显的技术路线区分与优势形成复合型人才不足阶段2.0:批量验证期（2025-2027）企业状况行业格局基本稳定，竞争路线进一步差异化，行业门槛高。部分跨界玩家确定进入5-7家公司出现进入临床的突破性进展，出现1-2家上市公司，行业格局基本定型，CR5较高商业模式开始多样化，部分自研管线通过里程碑等形式变现，软件形式开始变现行业生态逐渐完善，初创公司为完善自身技术/产品/业务矩阵，开始对外进行战略合作/收购投资等量子位硬科技深度产业报告AI制药162.2 市场规模估算AIDD从药物发现延展到药物研发全流程，突破原有药物设计框架，在AI的方法论和思维框架下系统化的优化现有药物研发的过程，提升对整个生物过程的理解AIDD像今天的CADD一样，成为整个制药行业的共识和底层批量基于AI的药物通过临床阶段、上市发行阶段3.0:行业成熟期（2027-）外部认可AIDD在更大范围内获得技术认可，参与的传统药厂数量进一步增加出现较多实质性业务合作，管线数量有明显增长多个管线批量化进入临床阶段，AIDD得到药物研发行业的