证券研究报告|行业周报 医药生物 2024年12月15日 医药生物 医药行业周报:AI技术与制药结合,降本增效前景好 优于大市(维持) 证券分析师 投资要点: 周新明 资格编号:S0120524060001 邮箱:zhouxm@tebon.com.cn安柯 资格编号:S0120524060006 邮箱:anke@tebon.com.cn 市场表现 医药生物沪深300 39% 29% 20% 10% 0% -10% -20% -29%2023-122024-042024-08 -39% 数据来源:聚源数据,德邦研究所 相关研究 1.《医药行业周报:创新器械支付环境有望改善,哪些产品值得期待?》,2024.12.8 2.《药用玻璃行业报告:中硼硅药玻替代加速进行,国产厂家持续放量》,2024.12.5 3.《2025年医药策略报告:聚焦业绩成长,关注整合并购》,2024.12.3 4.《医药行业周报:心梗百亿蓝海市场,关注直接治疗药物》,2024.12.1 5.《美国百年医改:经验和教训》, 2024.11.27 高风险、长周期、高成本是药物研发的核心痛点。药物发现阶段的全球整体成功率为51.0%,临床阶段的成功率为12.9%。而且药物发现过程通常耗时7至 10年,并且涉及高达6亿至8亿美元的投资;临床试验阶段通常需要6至12年的时间,并且可能涉及数十亿美元支出,因此准确度更高的药物发现方法将能够明显降低制药行业的时间成本和资金成本; AI技术的发展,尤其是生成式AI的落地对靶点发现有重大影响。GANs、变分自编码器(VAEs)和扩散模型(Diffusionmodels)在内的多种模型,已证实在改善药物特性和创造复杂分子结构方面具备显著的效能。从2017年开始,AI驱动 的药物发现公司在药物管线方面呈现出指数级的显著增长趋势,特别是在药物发现和临床前阶段,2021年AI制药公司的管线数量已经达到了全球20大药企的50%左右,体现了人工智能在药物研发的早期阶段起到了显著的加速作用。 AI制药公司商业模式仍处于探索阶段,大额对外授权显示了AI制药公司的发展潜力。我国AI药物研发企业商业模式仍处于探索阶段,主要分为AISaaS、AICRO、AIbiotech三种模式,兼容上述三种模式中的2种或3种,兼容2种商业模 式的最多,占31%,兼容≥3种模式的占13%,AI制药公司目前还没有形成稳定的收入格局,商业模式仍处于探索阶段。但从交易金额来看,AI制药管线对外授权的价值呈上升趋势,尤其是2024年产生了多个交易金额过亿美元的合作,AI制药发展潜力十足。 AI制药正在加速落地阶段,影响不可小觑。我们认为随着AI技术与药物研发的各个场景相结合,或许能够对整个药物研发产生质的影响。大大降低药物研发的时间成本和资金成本,提升药物研发的效果。建议关注持续投入AI研发的制药公 司,如恒瑞医药、信立泰、药明康德、晶泰控股、泓博医药、药石科技、成都先导、睿智医药。 行情回顾:本周(2024年12月09日-12月13日)申万医药生物板块指数下跌 0.9%,跑赢沪深300指数0.1%,医药板块在申万行业分类中排名第24位;202 4年初至今申万医药生物板块指数下跌8.7%,跑输沪深300指数23.3%,在申万 行业分类中排名第31位。本周涨幅前五的个股为开开实业(33.75%)、德展健康 (32.38%)、人民同泰(26.46%)、海欣股份(22.79%)、第一医药(22.03%)。 整体投资策略及配置思路:随着央行政策和政治局会议后的股市情绪恢复,我们看好的4大主线:1)超跌白马和港股,2)短期有积极变化、市净率较低,3)基本面扎实的企业,4)24H2业绩预期(wind一致预期)高增速的企业。子领域包含创新药、中药、原料药、部分医疗器械等 月度投资组合:康方生物、再鼎医药、康诺亚、和黄医药、人福医药、兴齐眼药、昆药集团、开立医疗、山东药玻、浙江医药、热景生物。 风险提示:行业政策风险;供给端竞争加剧风险;市场需求不及预期风险。 请务必阅读正文之后的信息披露和法律声明 内容目录 1.本周专题:AI技术与制药结合,降本增效前景好4 2.医药板块周行情回顾及热点跟踪(2024.12.09-12.13)7 2.1.A股医药板块本周行情7 2.2.下周医药板块新股事件及已上市新股行情跟踪:10 2.3.港股医药本周行情11 3.风险提示13 图表目录 图1:药物研发的成功率(按研发阶段)4 图2:药物研发的成功率(按药物种类)4 图3:药物研发的成本和周期4 图4:基于AI的药物发现市场的时间线及突破4 图5:AI创新药研发管线与全球20大药企研发管线数量对比6 图6:AI创新药研发管线与全球20大药企研发管线类型对比6 图7:本周申万医药板块与沪深300指数行情7 图8:2024年初至今申万医药板块与沪深300行情7 图9:本周申万行业分类指数涨跌幅排名7 图10:本周申万医药子板块涨跌幅情况8 图11:申万各板块估值情况(2024年12月13日,整体TTM法)8 图12:申万医药子板块估值情况(2024年12月13日,整体TTM法)8 图13:近20个交易日申万医药板块成交额情况(亿元,%)9 图14:本周恒生医疗保健指数与恒生指数行情11 图15:2024年初至今恒生医疗保健指数与恒生指数行情11 表1:不同深度生成模型用于药物发现的特征对比5 表2:AI+制药商业模式的解析与对比6 表3:部分AI制药公司管线对外授权梳理6 表4:申万医药板块涨跌幅Top10(2024.12.09-2024.12.13)9 表5:新药板块新股情况10 表6:恒生医疗保健涨跌幅Top10(2024.12.09-2024.12.13)11 1.本周专题:AI技术与制药结合,降本增效前景好 创新属性强带来的高风险是药物开发的痛点之一。尽管科学家们对药物作用的靶点和机制有了更深入的理解,药物从实验室到市场的转化过程依然充满挑战,药 物获得批准的成功率仍然相对较低。1)按研发阶段看:药物发现阶段的全球整体成功率为51.0%,临床阶段的成功率为12.9%。2)按药物种类看:基因疗法、细胞疗法、RNA干扰技术等创新治疗方法的药物研发成功率在5.2%-17.3%之间。 图1:药物研发的成功率(按研发阶段)图2:药物研发的成功率(按药物种类) 资料来源:Paul,S.,Mytelka,D.,Dunwiddie,C.etal.HowtoimproveR&Dproductivity:thepharmaceuticalindustry’sgrandchallenge.NatRevDrugDiscov9,203-214(2010),英矽智能招股说明书,德邦研究所 资料来源:ClinicalDevelopmentSuccessRatesandContributingFactors2011‒2020.RetrievedFeb,2021,DrugDiscoveryToday,德邦研究所 长周期、高成本是药物开发的痛点之二。药物发现过程通常耗时7至10年, 并且涉及高达6亿至8亿美元的投资;临床试验阶段通常需要6至12年的时间,并且可能涉及数十亿美元支出。成功通过临床试验的化合物随后将进入审批和生产阶段并进行商业化生产,商业化过程通常需要1至2年的时间,并且涉及大约 5千万美元的投资。成本与收益之间的不匹配对致力于创新药物研发的医药企业构成了较大的财务压力,成为新药研发的痛点,亟待引入新的生产力来加以改变。 图3:药物研发的成本和周期 资料来源:ApplicationofComputationalBiologyandArtificialIntelligenceinDrugDesign.IntJMolSci.2022Nov5;23(21):13568,Zhang,Y.;Luo,M.;Wu,S.;Lee,T.-Y.;Basi.C,德邦研究所 基础AI技术的突破推动了行业的快速发展。生成模式的概念产生较早,但直到近十年,尤其是2016年之后,随着DL、NN结构等基础AI技术与医药行业的实际场景取得突破,开始逐步落地有竞争力的产品,从而推动行业快速发展。 图4:基于AI的药物发现市场的时间线及突破 1990年,AI理论基础突破(DL、NLP等) 2012年,图像识别AI突破及实际可用的DL兴起 2015年,生成对抗网络及先进NN结构 2016年12月,InsilicoMedicine发表首篇论文,表示AI技术可以降低药物开发成本、缩短药物发现时间,提高化合物质量 2019年9月,InsilicoMedicine发布首个使用AI系统生成张量强化学习([GENTRL])的活性体内候选药物,其在46天内设计出针对纤维化的先导化合物 2018年12月,DeepMind的AlphaFold的3D蛋白质结构预测能力超过所有其他预测算法 2018年3月,IBMWaltson发布认知计算平台,将患者与潜在的临床试验相匹配,使临床试验入组增加80% 2020年9月,Aladdin开发的阿兹海默病早期诊断平台 2021年12月,InsilicoMedicine实现Ai发现新靶点的行业首个临床阶段Ai生成的新型分子 2022年7月,DeepMind的AlphaFold能够预测所有的已分类蛋白质的3D结构 资料来源:英矽智能招股说明书,德邦研究所 架构的技术进步使人工智能在药物发现(AIDD)领域具备显著的效果。AI众多新型模型相继问世,并在多样化的应用场景中经历了迭代与优化。基于人工 智能的小分子生成模型已成为药物发现研究的一个关键方向,包括GANs、变分自编码器(VAEs)和扩散模型(Diffusionmodels)在内的多种模型,已证实在改善药物特性和创造复杂分子结构方面具备显著的效能。 表1:不同深度生成模型用于药物发现的特征对比 模型 效率 准确性 优势 弱势 药物发现应用 RNNs 中等 中等 时序数据建模,时间依赖性 梯度消失,有限内容 药物-靶点相互作用预测序列生成 VAEs 中到高 高 潜在空间表示,生成式模型 模式崩溃,图像模糊 分子生成 药物设计优化 CVAE 中到高 高 条件性生成, 改进的VAEs 模式崩溃,计算复杂度 条件分子生成 性质预测 AAE 中到高 高 对抗性训练,解开表征 模式崩溃,训练不稳定 数据增强分子生成 GANs 高 高 高质量图像生成,多样性 模式崩溃,训练不稳定 分子设计 性质预测模型生成 GNNs 中到高 高 图结构建模,节点嵌入 过度拟合,可拓展性有限 药物-蛋白质相互作用预测、分子图分析 Normalizingflows 高 高 精确可能性,可逆性 计算成本,架构复杂 分子生成密度估计 Diffusionmodels 高 高 对复杂数据分布建模,生成式模型 计算成本,训练复杂度 分子生成模型生成 Transformers 高 高 注意力机制,并行处理 训练数据大小依赖性,可解释性 分子序列生成 属性预测 TL 中到高 中到高 知识转移,利用预先训练的模型 特定任务的微调,领域不匹配 分子性质预测 模型泛化 RL中到高中到高顺序决策,探索-利用 训练不稳定,样本效率低下分子设计优化药物发现过程 资料来源:UnleashingthepowerofgenerativeAIindrugdiscovery.AmitGangwal,AntonioLavecchia,德邦研究所 生成式AI助力新靶点的发现。对比全球24家代表性AI制药公司与全球 Top20的制药公司:1)从靶点数量上看:从2017年开始,AI驱动的药物发现公司在药物管线方面呈现出指数级的显著增长趋势,特别是在药物发现和临床前阶段,2021年AI制药公司的管线数量已经达到了全球20大药企的50%左右,体 现了人工智能在药物研发的早期阶段起到了显著的加速作用;2)从靶点种类上看: AI驱动的创新药靶点的选择