猜你想问
这份研报主要讲了什么内容？
这份研报深入探讨了AI制药领域的发展趋势，从CADD技术向大语言模型（LLM）驱动的智能体的演进过程，预计2025年底至2026年上半年将迎来LLM驱动研发的新浪潮。报告分析了AI在药物研发全流程中的应用，包括靶点发现、苗头化合物发现与优化、临床前研究、临床试验等环节，并指出AI能显著提升大分子研发能力，优化高级研发专家20%-50%的时间。此外，报告还探讨了AI在湿实验中的应用、商业模式、中美竞争格局以及未来发展方向。
AI制药赛道未来发展趋势如何？
AI制药赛道正从CADD技术向大语言模型（LLM）驱动的智能体演进，预计2025年底至2026年上半年将迎来LLM驱动研发的新浪潮。商业模式趋向竞合，LLM提供逻辑能力，初创公司凭借行业Know-how构建专业工具，单位Token研发效率成为核心竞争力。AI在药物研发全流程中的赋能是多方面的，具体应用环节因药物类型、研发阶段以及参与主体而异。未来几年内，新方向包括深入探索如何将宏观需求转化为底层的代码序列，以及复杂微观分子的设计。AIforScience将带来颠覆性的市场空间，其潜在产值预计将超过现有整个药物产业。
研报重点分析了哪些方向？
研报重点分析了AI制药在药物研发全流程中的应用，包括靶点发现、苗头化合物发现与优化、临床前研究、临床试验等环节。报告还探讨了AI在湿实验中的应用、商业模式、中美竞争格局以及未来发展方向。此外，报告分析了AI制药领域的初创公司商业模式，从传统CADD企业到工具型软件公司，再到LLM驱动智能体公司，以及初创公司与提供大模型平台的公司之间的竞合关系。
当前AI制药市场现状如何？
当前AI制药市场尚未出现范式性创新，目前AI应用仍局限于人类知识背景下的加速，尚未建立起催生“下一代药王”的直接逻辑链。AI在药物研发全流程中的赋能是多方面的，具体应用环节因药物类型、研发阶段以及参与主体而异。当前应用较广的技术主要基于RFdiffusion这类蛋白生成工具，这类工具解决了过去难以通过一级序列控制三级结构的难题，催生了一大批抗体设计。但这类技术的价值相对有限，因为它并未开创全新的疾病治疗路径。同时，对大型蛋白的研究日益复杂，也得益于AI和计算机辅助药物设计技术处理综合信息能力的提升。
研报提示了哪些风险？
研报提示了AI制药领域的主要风险，包括寻找新靶点仍是NP难问题，AI虽能将部分难点转化为“低垂果实”，但仍需依赖科学家经验与湿实验验证的闭环反馈。此外，AI模型主要学习自既往的数据库和实验数据，对于那些需要发现全新靶点的创新药研发，AI是否会因为数据来源的局限性而难以产生真正突破性的创新，而更多地应用于如ADC等工程化改造领域。资本投入与人才培养是影响AI制药发展的两个关键层面，人才的成长需要时间，无法仅靠资金投入迅速解决。目前，行业内尚未形成共通的技术路径，各家技术路线不尽相同，且这些技术也未得到市场的广泛应用。