[智能应用]AI如何参与制药｜知识窗 [10P] [复制链接]

01
随着人工智能技术成为千行百业打造全新想象力与未来可能性的利器，生物制药行业也正在被AI所改变。近期，人工智能在制药领域的应用引起了广泛关注，“AI制药”被认为可能会彻底改变药物发现和开发流程，并已在资本市场引发热潮。2024年上半年行情恢复较好，全球AI制药融资有69起，投资额33.36亿美元；中国AI制药融资有22起，融资金额18.09亿元。
02
当前，全球AI制药领域吸引了谷歌、微软和亚马逊等科技巨头入局，同时头部药企辉瑞、强生、阿斯利康、默沙东都在积极布局相关研发领域。截至目前，中国AI制药企业也已超过百家。
03
传统制药领域有一个非常著名的“双十定律”，即研发费用10亿美元，研发周期10年。最新数据显示，全球范围的创新药平均研发成本约为26亿美元，研发周期为10.5年。药企在高投入的同时，还得面临新药可能在临床试验阶段失败的高风险。
04
新药研发是一个复杂且耗时的过程，一般分为几个主要阶段。药物发现阶段包括以下步骤，一是目标确认，确定与疾病相关的生物分子或通路，作为潜在的药物作用目标；二是高通量筛选，使用自动化技术筛选数千至数百万种化合物，找到能够与目标分子相互作用的候选药物；三是先导化合物优化，对初步筛选出的化合物进行优化，提高其活性、选择性和药物性质。
05
药物发现后，是新药的临床前研究、临床研究、监管审批，以及上市后监测。AI可以参与的就是药物发现阶段，通过归纳推理优化药物研发，利用算力加速筛选优化先导化合物。AI在后期流程也能发挥作用。
06
目前，AI工具在药物发现阶段已取得一些成果。例如，谷歌旗下DeepMind的AlphaFold工具，通过预测蛋白质的三维结构，显著提高了药物发现效率。它利用深度学习算法，在分子生物学领域带来突破。Insilico Medicine等公司也利用AI技术生成了新的药物分子，并成功进入临床试验阶段。
07
实践表明，AI在药物筛选和优化中确实具有潜力，可以大幅缩短药物发现过程，通过训练模型提高筛选成功率。当前多家科技巨头纷纷看多AI制药领域，这些投资不仅推动了技术发展，还促进了AI技术在实际药物开发中的应用。例如，辉瑞公司和IBM Watson Health合作，致力于探索AI在癌症治疗中的应用。
08
2022年1月，工业和信息化部等九部门联合印发的《“十四五”医药工业发展规划》提到，要探索人工智能、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。上海早在2021年10月就成立了“张江AI新药研发联盟”，联盟由中国科学院上海药物研究所、浙江大学上海高等研究院、美迪西、英矽智能、上海翰森等单位创始发起，包括张江集团、晶泰科技等共计15家企业共同组建。
09
尽管AI在某些方面表现出色，但技术成果转化仍然存在障碍。截至目前，还没有完全由AI研发的新药物成功进入市场。一方面是因为AI技术本身还处于发展阶段；另一方面还是前文所述的药物研发极为复杂，即使完成药物发现阶段，后续步骤仍有很大不确定性。AI制药可能是“下一个未来”，但道阻且长。

【AI制药全景梳理】

一、市场热度  
1. 全球：2024 H1 共发生融资69起，总额33.36亿美元；  
   中国：22起，18.09亿元（≈2.5亿美元，占全球7.5%）。  
2. 玩家矩阵  
   • 国际：Google（DeepMind/AlphaFold）、Microsoft、Amazon、NVIDIA；  
   • 跨国药企：Pfizer、J&J、AZ、MSD；  
   • 中国：晶泰科技、英矽智能、翰森制药、美迪西、望石智慧、深度智耀、百奥几何、燧坤科技、星药科技、冰洲石生物等逾百家。  

二、痛点与机会  
传统“双十”→ 新“双26”：26亿美元/10.5年；Ⅰ期-上市成功率<10%。AI切中的核心价值：  
1. 靶点发现：NLP+知识图谱，3-6个月→数周；  
2. 先导化合物生成：生成式AI+强化学习，12-18个月→3-6个月；  
3. 分子优化：多目标深度学习（活性/毒性/成药性），迭代次数↓50%；  
4. ADMET预测：图神经网络，早期毒性假阳性↓30%；  
5. 临床试验设计：AI辅助患者分层，试验样本量↓20-30%。  

三、标杆案例  
• AlphaFold2：预测2亿+蛋白结构，被罗氏、诺和诺德用于难成药靶点；  
• Insilico Medicine：AI生成抗特发性肺纤维化候选INS018_055，18个月进入Ⅰ期；  
• DeepMind+Isomorphic Labs：AI设计的HTR1A激动剂2024 Q1进入Ⅰ期；  
• 中国进展：  
  – 晶泰科技与正大天晴合作的ALK抑制剂TQB3002已报产；  
  – 英矽智能抗新冠3CLpro抑制剂ISM3312已获批Ⅱ期临床；  
  – 百奥几何×丽珠集团的PD-1/IL-2融合蛋白预计2025年IND。  

四、政策与集群  
• 国家：《“十四五”医药工业发展规划》明确AI+大数据在新药发现中的重点支持；CDE 2023年12月发布《AI辅助研发技术指导原则（试行）》。  
• 地方：  
  – 上海“张江AI新药研发联盟”已吸纳30+机构，打造从靶点到CMC全链条公共平台；  
  – 北京昌平生命谷、苏州BioBAY、深圳湾实验室均设立AI制药专项基金；  
  – 成都天府国际生物城、武汉东湖高新区提供AI算法训练所需高性能算力券（单项目最高1000万）。  

五、未解难题  
1. 数据孤岛：高质量阴性数据、临床终点数据难以共享；  
2. 可解释性：FDA/EMA要求AI模型提供因果层面证据；  
3. 法规滞后：AI生成分子的专利权属、IND资料格式、上市后变更管理尚无统一标准；  
4. 人才缺口：懂药又懂算法的复合型人才全球缺口>3万人。  

六、投资与并购风向（2023-2024）  
• 2023年12月，Recursion以6.88亿美元收购Cyclica（AI+ADMET）；  
• 2024年3月，Exscientia收购BenevolentAI的临床阶段管线；  
• 中国：2024年4月，晶泰科技获4亿美元D+轮，投后估值>30亿美元；6月，百奥几何完成1.5亿元A+轮。  

七、未来3-5年展望  
• 技术：多模态大模型（蛋白+序列+文本+图像）将成为下一代基础设施；  
• 商业模式：CRO型AI平台（SaaS+管线分成） vs. Biotech自建管线将并存；  
• 里程碑：预计2026-2027年将出现首个完全由AI发现并优化、最终获批上市的小分子新药（适应症：罕见病或肿瘤）；  
• 中国机会：利用海量临床数据+政策红利，有望诞生1-2家全球Top10 AI制药独角兽，并反向输出技术与管线。

AI在制药领域的应用现状与核心价值
AI技术正深度渗透制药行业，通过优化研发流程、提升效率和降低成本，重塑药物发现与开发模式。2024年全球AI制药融资达69起（33.36亿美元），中国市场融资22起（18.09亿元），谷歌、微软、辉瑞等科技巨头与药企均加速布局1。AI的核心价值在于利用大数据分析与机器学习算法，覆盖从药物靶点发现到临床试验的全流程，尤其在缩短研发周期和提高成功率上展现显著优势3。

AI在药物研发全流程的技术应用
药物发现阶段：从靶点到化合物优化
靶点发现：通过系统生物学方法和结构计算辅助技术，AI可挖掘新颖疾病相关靶点，减少对人工经验的依赖。例如，利用多组学数据构建疾病模型，精准定位潜在治疗通路2。
蛋白质结构预测：DeepMind的AlphaFold通过深度学习算法预测蛋白质三维结构，准确度和覆盖范围突破传统实验限制，为药物设计提供关键基础12。
化合物筛选与优化：AI驱动的虚拟筛选技术分为基于结构（如分子对接）和基于配体（如相似性搜索）两类，可快速从数百万化合物中筛选出候选分子，并通过模型优化其活性与选择性2。Insilico Medicine等公司已利用AI生成药物分子并推进至临床试验1。
临床前与临床阶段：风险控制与效率提升
ADMET预测：通过ADMETlab等工具预测化合物的吸收、分布、代谢等药代动力学性质，提前规避潜在毒性风险，降低后期失败率2。
临床试验设计：AI可基于患者数据定制试验方案，预测结果并优化入组标准。例如，inClinico成功预测多个新药临床试验结果，减少无效投入2。
药物重定位：AI技术加速“老药新用”，如BioXcel的右美托咪定舌下膜剂通过AI筛选快速获批，显著缩短研发时间2。
其他关键技术应用
晶型预测：评估药物晶型稳定性，助力仿制药开发与转晶风险控制2

逆向合成分析：AI算法设计化合物合成路线，支持单步及多步反应预测，提升合成效率2。
AI制药的行业趋势与挑战
产业链布局与市场潜力
AI制药产业链涵盖上游算力/算法/数据、中游技术服务商（如AI+biotech、AI+CRO）及下游药企。预计2026年全球市场规模将达29.94亿美元，中国企业数量已超百家，恒瑞医药、成都先导等企业通过自建平台或合作（如与腾讯AILab）推进技术落地24。CRO公司如维亚生物、泓博医药则通过AI+湿实验整合，提供智能化研发服务2。

核心挑战与应对方向
技术壁垒：需跨学科人才（计算机、生物学、医学），当前复合型团队稀缺制约发展3。
数据整合：研发数据来源分散、格式多样，需建立标准化数据体系以保障AI模型可靠性3。
法规滞后：AI辅助研发的合规性标准尚不明确，需政策与技术同步推进3。
总结：AI驱动制药行业的未来变革
AI技术通过加速筛选、优化设计、降低成本三大核心优势，正推动制药行业从传统“经验驱动”向“数据智能驱动”转型。尽管面临技术、数据与政策挑战，但其在缩短研发周期（如将药物发现阶段从数年压缩至数月）、提高成功率（如先导化合物筛选准确率提升30%以上）的实践成果已得到验证13。未来，随着算力升级与算法迭代，AI有望成为新药研发的“标配工具”，尤其在罕见病、传染病等未被满足的医疗需求领域释放更大价值