2022年中国AI制药行业概览

摘要 2022开年以来接连达成巨额合作项目，AI制药领域或将进入快速上升期 AI制药优势愈发显著，药物研发转型升级势在必行 Ø传统的药物研发研发周期长、资金投入大、研发风险高，而AI制药通过AI技术赋能可以快速精准地确定靶点、筛选最佳化合物分子、预测药代动力学性质，可大幅缩短药物研发各环节所需周期、降低企业在研发新药时的成本投入，同时提高药物研发的成功率、降低新药研发风险，提升企业的投资回报率 —— 2022年年初，本土大型药企复星医药与知名AI制药公司 国内宏观政策利好AI制药领域，AI技术突破为赋能制药创造条件 英矽智能达成战略合作，将针对四个指定靶点以AI驱动 Ø中国“十四五”医药工业发展规划中指出要“坚持创新引领”，对医药工业创新研发提出进一步转型要求，在复杂的国际形势下，通过鼓励创新研发投入、AI先进技术赋能，调动制药领域创新的积极性和资本市场热度；AI技术的迭代推进了AI制药的发展进程，作为AI制药行业发展的根本，AI技术在制药流程中参与的环节越多、在各环节内渗透的程度越高，药物研发的效率也越高 药物研发，并共同开发合作英矽智能的QPCTL项目，项 目首付款高达1300万美元，刷新业内记录。 随着创新药物研发日益受到重视以及AI技术的迅速发展， AI制药或将成为创新药物研发的主流方式，重点领域为癌症和慢性病 AI赋能制药的大趋势愈发显著，AI制药相较传统制药可 Ø 癌症作为中国人口死亡的主要病因之一，抗肿瘤领域一直是新药研发的热门赛道； 此外，由于庞大的人口基数及老龄化的加剧，中国的慢性病领域的潜在市场空间不断增长，对于国产创新药需求紧迫，或将成为抗肿瘤之外的另一研发重点；随着AI应用成熟度的提升，未来AI技术在制药领域的渗透率将不断提高，成为创新药研发的主流方式 以大幅减少研发投入及时间成本，同时提高新药研发效 率和成功率，AI制药在资本市场的热度逐渐升温。 名词解释 第一部分：中国AI制药行业综述 主要观点： pAI制药是指将机器学习、自然语言处理及大数据等人工智能技术应用到制药领域各个环节，显著优化新药研发的效率及质量，降低临床失败概率及研发成本 p应用在制药环节的AI技术主要包括机器学习中的深度学习、大数据及自然语言处理，通过训练数据库内目标信息，搭建精准模型，实现药物分子的筛选、预测及分析、用药安全的试验、评估等研发目标 p应用在制药环节的AI技术主要包括机器学习中的深度学习、大数据及自然语言处理，通过训练数据库内目标信息，搭建精准模型，实现药物分子的筛选、预测及分析、用药安全的试验、评估等研发目标 p通过将AI技术应用于药物研发各环节，较传统制药研发可以更显著地缩短研发所需周期，从而降低企业研发成本，同时提高药物研发成功率和投资回报率，一般AI技术在研发过程中的渗透率越高、药物研发的效率越高 pAI制药的应用场景可以追溯到20世纪80年代，经过数十年的发展，随着AI应用技术的不断成熟以及资本市场对该行业信心的不断增加，受国内外新冠病毒疫情形势影响，当前AI制药已步入快速发展期 定义 AI制药是指将机器学习、自然语言处理及大数据等人工智能技术应用到制药领域各个环节，显著优化新药研发的效率及质量，降低临床失败概率及研发成本 图表1：AI技术类型及AI制药定义 图表2：AI医药应用环节 机器代替人眼对目标进行识别、跟踪和测量，并进一步做图形处理，成为更适合人眼观察或传送给仪器检测的图像 主要应用环节 具体应用领域 计算机视觉 让机器通过识别和理解过程把语音信号转变为相应的文本或命令的高新技术 语音识别 靶点确认 基于表型的药物发现 分子生成 药物研发 …… 实现人与计算机之间用自然语言进行有效通信的各种理论和方法，应用于机译、舆情监测、自动摘要、观点提取、文本分类、问题回答、文本语义对比、语音识别等方面 自然语言处理 ADMET性质预测 化合物筛选 化学反应设计 AI医药应用场景 用药安全 人工智能的核心，计算机通过模拟或实现人类的学习行为获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能 临床试验 机器学习 药物风险评估 真实世界研究 识别供应链流通中的假药劣药 供应链管理 大数据 涉及的资料量规模巨大到无法透过主流软件工具，在合理时间内达到撷取、管理、处理、并整理成为帮助企业经营决策更积极目的的资讯 简化多渠道营销流程，优化客户关系管理 商业拓展 应用在制药领域的AI技术 个性化诊疗 个体最佳治疗方案 线上远程诊疗 AI制药是指将自然语言处理（NLP）、机器学习（ML）及大数据（Big Data）等人工智能技术应用到制药领域各环节，以提高、优化新药研发的效率及质量，降低临床失败概率及研发成本 监管审批 优化药品审批流程 应用情况（1/2） 应用在制药环节的AI技术主要包括机器学习中的深度学习、大数据及自然语言处理，通过训练数据库内目标信息，搭建精准模型，实现药物分子的筛选、预测及分析、用药安全的试验、评估等研发目标 图表3：AI技术在制药环节的应用情况-1 制药环节 AI技术类型 应用情况 q 通过机器学习，在蛋白质的原始信息中提取关键特性，从而精准构建模型，来进行功能的推断、预测及分类 机器学习、深度学习 靶点确认 q 通过深度学习，从大量的患者样本及生物医学资料中整理筛选相关的基因组学、蛋白质组学、代谢组学等多组学数据，分析疾病与非疾病间差异、或寻找可对疾病产生影响的蛋白质 大数据 q 通过机器学习，直接使用生物系统进行药物筛选，在表型筛选中关联细胞表型和化合物作用方式，从而获得靶点、信号通路或遗传疾病相关聚类 基于表型的药物发现 机器学习 q 通过机器学习、深度学习中的变分自编码器（VAE）和生成式对抗网络（GAN）及基于自然语言处理的循环神经网络（RNN），长短期记忆人工神经网络（LSTM），门控循环单元（GRU）和Transformer等技术，对海量的化合物及药物分子进行学习，获取成药性及分子结构相关的规律，从而生成新的小分子作为候选药物分子，形成高质量、规模性的药物分子化合物库 机器学习、深度学习 分子生成 自然语言处理 药物研发 q 将药物分子结构映射为可通过机器学习算法处理的形式，形成多条合成路线，并推荐最佳合成路线，或在给定反应物的前提下通过深度学习预测化学反应结果 化学反应设计 机器学习、深度学习 q 通过机器学习中的决策树、支持向量机、深度神经网络、随机森林等算法，及分子对接、自由能微扰等技术，构建化合物化学结构与生物活性之间的关系模型，实现对药物化合物作用机制的快速预测 化合物筛选 机器学习 q 通过深度学习，对筛选后的化合物进行药代动力学测试识别，根据得到的相关特征，评估多个ADMET参数间的隐藏的关系和趋势，预测化合物的药性，如代谢性、细胞渗透性和溶解性、毒性等性质 ADMET性质预测 机器学习、深度学习 应用情况（2/2） 应用在制药环节的AI技术主要包括机器学习中的深度学习、大数据及自然语言处理，通过训练数据库内目标信息，搭建精准模型，实现药物分子的筛选、预测及分析、用药安全的试验、评估等研发目标 图表4：AI技术在制药环节的应用情况-2 制药环节 AI技术类型 应用情况 q 通过自然语言处理和机器学习改善临床试验的设计、管理、监控和患者招募，从各种结构化和非结构化的数据类型中提取信息，找到符合临床试验入组标准的受试者，或关联各种大型数据集，找到变量之间的潜在关系，改进患者与试验的匹配情况 自然语言处理 临床试验 机器学习 q 通过机器学习，实现从接收药物不良反应到报告全流程的自动化，提高药物警戒的工作效率，并通过样本分析和预测进行药物风险评估 用药安全 药物风险评估 机器学习 q 通过机器学习和深度学习，对真实世界数据进行识别，提出新假设，同时为进行中的临床试验不断提供新的有效信息，优化药物研发流程，提升用药安全 真实世界研究 机器学习、深度学习 q AI医药的应用场景主要包括药物研发、用药安全、供应链管理、商业拓展、个性化诊疗及监管审批六个方面，其中药物研发及用药安全是AI技术在制药环节的主要内容，药物研发包括靶点确认、基于表型的药物发现、分子生成、化学反应设计、化合物筛选、ADMET性质预测，用药安全则涉及临床试验、药物风险评估及真实世界研究 q 靶点确认是药物研发中的关键步骤，机器学习和深度学习是目前靶点研究的重要手段之一，当前已知的药物靶点大多为蛋白质，利用AI技术在蛋白质的原始信息中提取关键特性，从大量的患者样本及生物医学资料中整理筛选相关的基因组学、蛋白质组学、代谢组学等多组学数据，精准构建模型，来进行功能的推断、预测及分类 q 分子生成是药物研发中的另一重要环节，当前主要的技术涉及机器学习、深度学习中的变分自编码器（VAE）和生成式对抗网络（GAN）及基于自然语言处理的循环神经网络（RNN），长短期记忆人工神经网络（LSTM），门控循环单元（GRU）和Transformer等技术，其中VAE技术有极好的生成表现 q 化学反应设计是AI技术当前正在取得进展的环节之一，将药物分子结构映射为可通过机器学习算法处理的形式，形成多条合成路线，并推荐最佳合成路线，或在给定反应物的前提下通过深度学习预测化学反应结果，此外，AI技术还可以用来探索新的化学反应 q 临床试验是用药安全的最重要环节，也是整个制药过程中资金投入最多的环节，自然语言处理和机器学习等技术在相关临床试验的设计、管理、监控和患者招募方面均有应用及发展前景 AI制药应用价值 通过将AI技术应用于药物研发各环节，较传统制药研发可以更显著地缩短研发所需周期，从而降低企业研发成本，同时提高药物研发成功率和投资回报率，一般AI技术在研发过程中的渗透率越高、药物研发的效率越高 图表5：AI制药与传统制药药物研发对比 一般研发流程 研发资金投入 研发成功率 头豹洞见 所需研发周期 q 早期化合物筛选及构效关系研究候选化合物成药性初步评估候选化合物工艺开发与优化临床前研究 q 药物研发阶段3-7年 用药安全阶段5-7年 新药审批上市1-2年 平均上市时间10-16年 q 总的来说，传统的药物研发具有研发周期长、资金投入大、研发失败风险高的特点，传统新药研发环节较为复杂，药物发现和临床试验中累计研发成本投入持续增加，同时成功率却基本维持在10%左右，导致研发风险不断攀升，因此药物研发的转型升级势在必行 q q q q q q 临床试验申请临床试验 新药上市申请 约26亿美元 约10% q q q AI制药通过应用机器学习、深度学习、大数据和自然语言处理等AI技术，对化合物的结构、药物作用机制、基因等海量数据进行结构化分析处理，从而快速精准地确定靶点、筛选最佳化合物分子、预测药代动力学性质 q 当前主要涉及环节 q 药物研发（靶点确认、基于表型的药物发现、分子生成、化学反应设计 、化合物筛选、A D M E T性质检测） q AI制药可大幅缩短药物研发各环节所需周期、降低企业在研发新药时的成本投入，同时提高药物研发的成功率、降低新药研发风险，提升企业的投资回报率，相较于传统制药在新药研发领域拥有绝对优势，AI技术在研发各环节的渗透率越高、药物研发的效率越高 AI制药 q 总研发周期平均缩短1/2-2/3 q 用药安全（临床试验、药物评估、真实世界研究） 至少降低10% 约14% q 监管审批（优化药品审批流程） 发展历程 AI制药的应用场景可以追溯到20世纪80年代，经过数十年的发展，随着AI应用技术的不断成熟以及资本市场对该行业信心的不断增加，受国内外新冠病毒疫情形势影响，当前AI制药已步入快速发展期 图表6：AI制药发展历程 AI迅速发展 A