1.1 研究范围界定
AI 药物研发又称 AI 制药：是指在原研药与创新药研发过程中的相关应用场景下引入 人工智能技术，以达到短时、低成本开发新药的目的。与传统计算机辅助药物设计相比， 两者在基础要素、推导方式等方面均有差异，AI 可以间接应用于传统计算机辅助药物设计， 助其发展。
1.2 发展阶段：AI 技术在药物研发领域仍处于导入期
AI 技术从 1956 年提出发展至今天已有 60 余年，随着算力、算法、数据等基础能力的 不断完善，AI 技术开始逐步向医疗中的药物研发领域渗透。目前，整个行业还处于发展的 初期。
从全球范围来看，美国凭借其在技术、医药等领域的先发优势，AI 药物研发的行业发 展进度在全球领先，从图 2 中可以看出，全球 50% 上的 AI 药物发现公司、AI 药物研发公司、 AI 药物研发 CRO 公司都分布在美国。
1.3 发展亮点：2020 年以来行业实现多项突破，迎来发展新纪元
2020 年 AI 药物研发行业实现多项 0 到 1 的突破，行业发展进入新纪元。
产品方面，2020 年全球首款 AI 研发药品进入到临床阶段。2020 年，英国 Al 制药企 业 Exscientia 与日本住友制药（Sumitomo Dainippon）合作，通过 Al 人工智能研发的新 药候补化合物正式在日本进入第一阶段临床试验，这也是世界首次使用人工智能 AI 开发药 物的临床试验。2021 年上半年，Exscientia 公司有两款药物宣布进入人体临床。2021 年国 内未知君、冰洲石也相继宣布有产品获批临床。据不完全统计，至 2021 年 10 月，全球已 有 30 余款依托 AI 技术研发的药物获批进入临床。
企 业 方 面，2020 年 国 外 AI 药 物 研 发 公 司 成 功 IPO， 美 国 Schrodinger 和 Relay Therapeutics 已分别于 2020 年 2 月和 7 月在纳斯达克上市，两家企业的成功上市大大提 振了外界对于行业的信心。
技术方面，2020 年 DeepMind 宣布 AlphaFold2 预测蛋白质三维结构。2020 年 11 月， Google 旗下 DeepMind 的 AlphaFold2 发布取得重大突破，解决了困扰科学家 50 年的生 物学难题 - 蛋白折叠。2021 年 7 月，团队在《Nature》发文，其与欧洲分子生物学实验室 （EMBL）共同利用 AlphaFold2 基于氨基酸序列预测了 350,000 个蛋白质的三维结构，几 乎涵盖了人类基因组表达的约 20,000 个蛋白质（对 98.5% 人类蛋白质做出预测），以及其 他 20 多种生物的蛋白质结构。
2.1 政策驱动：创新药和人工智能双轮政策驱动
AI 药物研发是人工智能领域与制药领域的交叉，行业发展受到制药政策特别是创新药 领域政策和人工智能领域政策的双重影响，当前国家对两大领域均持鼓励态度。
创新药领域：以 2015 年药品审批制度改革为起点，国家从注册审批、医保支付、资 本市场上市规则、人才政策、专利保护等各个角度全面鼓励创新药的发展。2015 年 8 月， 在《国务院关于改革药品医疗器械审评审批制度的意见》之中，提出优化创新药的审评审 批程序、鼓励以临床价值为导向的药物创新。2021 年 7 月 2 日，国家药品监督管理局药品 审评中心（CDE）发布了《以临床价值为导向的抗肿瘤药物临床研发指导原则》征求意见稿， 再次提高了我国对创新药的研发及上市要求。
AI 人工智能领域：政府先后出台了人工智能产业的相关规划，鼓励将人工智能技术应 用于医疗领域。2017 年 7 月，国务院办公厅出台《关于印发新一代人工智能发展规划的通知》，提出基于人工智能开展大规模基因组识别、蛋白组学、代谢组学等研究和新药研发， 推进医药监管智能化；2021 年 7 月国家食品药品监督总局（CFDA）出台《人工智能医用软 件产品分类界定指导原则》，明确了人工智能医用软件产品管理属性和管理类别的判定依据， 为进一步加强人工智能医用软件产品监管和推动医药创新高质量发展提供了技术支持。
2.2 技术价值驱动：促进药品创新，解决行业“三高一低”痛点
（1）创新药产业快速发展，创新要求日益提高
中国药物研发市场规模持续增长，2020 年达 270 亿美元，同比增长 25.0%，占全球药 物研发市场规模的 14.1%，预计 2025 年中国药物研发市场规模将达 824.0 亿美元。其中本 土创新药获批数量在快速增加，创新药的创新种类也在不断变化，从 me-too/me-better 类 型的新药到普遍的创新药（Best-in-class），再到具备高临床价值的临床急需创新药（Firstin-class），对于创新药的要求不断提升，行业内也渴求新技术出现帮助提高新药研发。
（2）药企研发成本居高不下，产出回报率低
新药研发作为医药领域最重要的板块，近年来因新药研发成本高、研发周期长、风险 高等问题，呈现出发展速度渐缓趋势。 新药研发成本呈总体上升趋势，投资回报率逐年下降：据德勤发布的系列相关报告数 据显示，大型制药企业药物开发投资回报率从 2010 年的 10.1% 下降至 2019 年的 1.8%， 而同期上市一款新药的成本从 11.8 亿美元增至 19.8 亿美元。
新药研发周期长，风险高：根据德勤的统计，2016 年一款新药从最初研发到获批上市 平均耗时为 14 年，药物从化合物到成品药上市的成功率不到 10%，企业的时间成本、风险 极高。
根据 Evaluate 公司分析，与传统新药研发相比，AI 新药研发可以缩短新药发现时间、 节省成本、提高收益，传统新药发现需要 5-6 年才能筛选出合适的先导化合物作为临床研 究候选，AI 新药发现只需要 1-2 年，甚至几个月就能完成；由于可以缩短新药发现周期及 减少新药发现研究耗材，可以极大减少企业的花费，以先导化合物优化为例，传统制药研 发花费为 1.5 亿美元，而 AI 药物研发花费为 200 万美元，企业可节省的成本空间巨大。
2.3 资本驱动：资本不断加码 AI 药物研发赛道，融资规模扩张
美国是 AI 药物研发领域融资交易的主要地区，中国紧随其后。2015-2020 年有一半以 上的 AI 药物研发融资发生在美国。国内 AI 药物研发融资在 2020 年迎来爆发，2021 年持 续吸金，根据公开信息整理，2021 年 1 至 10 月，国内共发生 27 起涉及 AI 药物研发领域 的融资事件，融资金额达 81.13 亿元人民币，已超过 2020 年全年总额。
资轮次分布上，2015-2020 年天使轮投资数量下降，A 轮、B 轮增加，说明一些 AI 药物研发创业公司在资源和技术上取得了实质性领先优势并获得快速发展。
3.1 研发场景：靶点发现、化合物合成为主要应用场景
当前 AI 技术涉及药物研发流程中的场景包括：靶点发现、化合物合成、化合物筛选、 晶型预测、临床试验设计优化、患者精准招募、不良反应监测、药物重定位等。 AI 技术在应对不同场景需求时大体都需要经历问题设置、数据集整合、算法模型构建 和评价过程，共同构筑并形成了 AI 新药研发过程中一条完整的虚拟计算路径：1）获取目 标训练数据集；2）Al 自主学习算法建模；3）多次训练优化模型；4）测试集应用以评估模 型性能；5）基于模型实现分子筛选、预测、分析等预定目标。
（1）靶点发现环节
AI 人工智能可以依托自然语言处理技术，通过学习文献、组学数据、功能实验数据等 海量医学相关资料，在短时间内发现药物和疾病之间的千万种作用关系，输出机体细胞上 药物能够发挥作用的候选受体结合点（靶点）。
（2）化合物合成环节
目前候选化合物的发现策略包括基于已知活性化合物设计、高通量筛选（HTS）和 DNA 编码化合物库（DEL）等；基于定量构效关系研究基础和日益提升的机器学习算法和 算力，Al 技术可参与到靶标三维结构预测、化合物从头设计、成药性预测及优化等过程中， 大幅降低新药研发的时间和成本。
（3）晶型预测环节
小分子晶型不同，药物稳定性和溶解度就不同，因此，稳定的晶型结构关系到药品质量， 特别是对于已上市药品，如果发生转晶现象，将会给药企带来灾难性的损失。而小分子存 在多晶型现象，有的晶型稳定性强但溶解度差，有的晶型溶解度好但稳定性差。如果单纯依赖人工去获得稳定性强且溶解度好的晶型，不但需要耗费大量时间进行试验尝试，而且 成功的可能性也极低。 Al 结合实验的晶型预测和筛选技术可以在 2~3 周内预测出潜在的最佳药物晶型，有效 加速研究和决策过程，大幅降低固体形态在后期应用的风险。晶型预测算法：使用给定分 子的结构，预测出一定温度和压力条件下热稳定性最好（势能最低）的晶体结构。
（4）药物重定位环节
药物重定位（也称老药新用）是对已经上市或上市失败的药物重新确定治疗适应症， 可以省去化合物筛选及临床前验证的许多环节，是研发成本最低和研发周期最短的新药研 发模式之一。
3.2 技术挑战：数据质量参差不齐，通晓 AI 与医药人才缺乏
综合前述分析可以看出，标注数据集、算法模型和算力是 AI 新药研发中必不可少的组 成部分，相比于算力，三大要素中的数据和算法对 AI 药物研发企业更为重要。
数据：高质量数据获取门槛高，制约影响明显
AI 药物研发企业数据来源可分为公开数据和非公开数据，公开数据包括各种文献数据 库，公开的项目模拟数据及部分临床数据，此类数据容易获取，但数据质量难以保证，据 此进行的模型运算可靠性不足。非公开数据主要是各制药公司以往项目的积累，此类数据 的精度高，更适合用来做模型的训练和计算，但由于数据属于医药公司的核心资产，极难 获得。
如何打破这一壁垒，各方也做出了积极探索。如引用了联邦学习模型，能够在保证数 据隐私安全及合法合规的基础上对 AI 模型进行训练。
算法：算法与应用场景匹配要求度高，专业人才稀缺
AI 药物研发中算法模型的优势可以体现在多个维度，比如结果的精准度、计算速度、 模型体量、泛化性能等，不同算法模型可能有不同的侧重方向，因此优势也会不尽相同， 在特定任务需求和应用场景下合理选择具有相应优势的算法模型至关重要。如何让算法与 生物学更完美的结合，这需要技术人员对于制药医学和 AI 人工智能都有深入理解，才能更 好的发挥模型优势，此类人才的稀缺也成为掣肘行业发展的重要因素。
目前，AI 药物研发市场有三大类公司，IT 巨头、AI 药物研发初创企业和大型药企。三 类企业依托各自在平台、算法和数据的优势切入行业。
4.1 初创企业：集中发力化合物筛选、靶点发现赛道
AI 初创企业多从制药流程中某一个场景进行切入，从已公开的资料可以看出，化合物 筛选、靶点发现是 AI 药物研发初创企业布局最多领域。
4.2 科技巨头：发挥技术优势，打造数据和技术平台
AI 药物研发需要强大的数据分析和平台搭建能力，而科技公司在此方面具有极大优势， 因此从 2018 年开始，阿里、腾讯等巨头都开始相继布局此赛道，目前在数据库平台方面产 出了一定成果。
4.3 传统药企：积极与初创企业合作，布局 AI 药物研发赛道
近年来海外头部药企如辉瑞、诺华、强生、罗氏、阿斯利康、默沙东、葛兰素史克等 都积极布局 AI 药物研发领域，和该领域的创新型公司积极开展各项合作。国内医药行业的 龙头，如中国生物医药、药明康德等也抓住机遇纷纷布局此赛道，开展与 AI 药物研发初创 公司的合作。据不完全统计，2020 年药企与 AI 药物研发初创公司合作事件超过 133 起， 双方针对癌症、精神类疾病领域合作研发最多。布局方式上，国外医药公司多与初创型 AI 药物研发公司合作，共同开发新药模式为主，同时也会参与到创新企业的投资中；国内医 药企业在 AI 药物研发的布局较海外企业略晚，布局方式与海外药企相似，也是合作与投资 兼有，其中药明康德前后已参与了 4 家 AI 药物研发初创公司的投资，活跃度最高。
AI 药物研发行业发展尚属初期，结合企业的市场融资热度、企业在市场拓展情况、业 界口碑等多方面因素，健康界选取了几家 2020 以来国内的典型 AI 药物研发企业进行说明。
5.1 晶泰科技——以“AI+ 量子”驱动药物研发的独角兽
(1) 企业综述
晶泰科技（XtalPi）成立于 2015 年 9 月，是一家以计算驱动创新的药物研发科技公司， 基于前沿计算物理、量子化学、人工智能与云计算技术，实现药物固相筛选与设计，为有 数据分析和智能分析需求的用户提供创建数据分析模型、进行预测、产生分析报告及报告 结果可视化等服务；用户可以定制需要的人工智能及统计模型，或者直接使用平台上其他 用户分享的成熟模型。2021 年 8 月，公司完成了 D 轮融资，融资额为 4 亿美金，投后估 值超过 130 亿人民币，成为国内 AI 药物研发领域的首个独角兽。
(2) 业务模式
晶 泰 科 技 目 前 已 搭 建 起 了 智 能 药 物 研 发 一 体 化 平 台 ID4 (Intelligent Digital Drug Discovery and Development)，为全球创新药企提供智能化药物研发服务。实现合作的企 业包括新格元、华东医药、思路迪医药、PhoreMost、博腾股份、众生药业、辉瑞、德琪 医药等。
5.2 冰洲石生物科技—多条管线在研，新药获美国 FDA 临床试验批准
(1) 企业综述
冰洲石生物科技（Accutar Biotechnology）成立于 2015 年，目前公司已在美国、上 海布局了 AI 计算实验室、生物实验室、结构实验室和化学实验室。成立至今，公司已完成 了四轮融资，其背后股东包括真格基金、IDG 资本、依图科技、春华创投、鼎晖投资、云 锋基金、Coatue Management 等知名机构。
(2) 业务模式
冰洲石生物已搭建起全链路 AI 药物研发平台，打通了小分子药物临床前研发的各个环 节，包括虚拟筛选、药物属性预测、化学逆合成 ,、药物优化、老药新用等。目前，冰洲石 生物已建成一条共计超过 10 个生物新药的产品管线，涵盖 first-in-class 和 best-in-class 药 物靶点。 2021 年 9 月，公司利用 AI 技术研发的新药 AC0682 获美国 FDA 批准进行临床试验。 上述药物主要用于治疗雌激素受体 (ER) 阳性乳腺癌患者。
5.3 英硒智能——与药企合作次数领跑同业
（1） 企业综述
英硒智能（Insilico Medicine ）2014 年 1 月成立于美国，在全球六个国家和地区分设 有办公室；2019 年，公司总部从美国移到中国香港，同年设立英矽智能科技 ( 上海 ) 有限公司， 业务重点布局中国。成立至今，英矽智能已获得超过 3 亿美元融资，公司先后获得了来自 药明康德、启明创投、礼来亚洲基金、斯道资本、创新工场等多个知名投资方的重金押注。
（2）业务模式
英矽智能基于多基因组学、AI 人工智能技术自主研发出了 Pharma.AI 平台，平台下面 的 PandaOmics 应用于靶点识别，Chemistry42 用于生成新型分子，InClinico 用于设计和 预测临床试验。公司的平台已吸引了众多药企的合作，根据公开数据显示，2021 年 1-9 月公司就有 15 起合作开发事项，居于 AI 创新企业前列，与其合作的企业，既包括辉瑞、强生、 诺华、葛兰素史克、勃林格殷格翰、梯瓦制药等制药工业界的大佬，又不乏约翰霍普金斯大学、 哥本哈根大学等在内的顶级研究型高校。
5.4 腾讯云深智药——开放式大数据平台
（1） 企业综述
云深智药是由腾讯 AILab 开发的一款 AI 药物研发的平台，于 2020 年 7 月的世界人工 智能大会的云端峰会上正式对外发布。云深智药的功能包含蛋白质结构预测、虚拟筛选、 分子生产、ADMET 预测和合成路线规划，提供覆盖到临床前研究为止的全流程服务。据腾 讯披露，该平台已和多家药企达成合作，将 AI 模型应用到实际药物研发项目中。
（2）业务模式
云深智药平台为企业提供提供数据库 - 算法 - 算力一体化服务。
算法方面：云深智药依托其 AI 实验室在算法领域不断创新，深度挖掘并分析已有大数 据及其之间隐含关系，更好地优化算法，提高模型的范化性。
数据方面：云深智药平台使用的分子大数据，基于现有公开数据集，进行了多个环节 的精细清洗整理工作，得到可以用于直接构建深度学习模型的药物分子大数据集，并且已 在多个药物研发的项目中得到应用验证，清洗过程对多个项目的结果均有很大的提升作用。 清洗过后的、打通多个数据库的大数据集已在陆续上线中。
算力方面 : 腾讯云为云深智药平台提供计算资源，药企、科研机构登录平台即可开展 研究，不需要再自行部署，就能快速地将 AI 能力引入现有的研发流程中。
（本文仅供参考，不代表我们的任何投资建议。如需使用相关信息，请参阅报告原文。）
