策略对话专家：创新药出海和AI制药现状

AI制药产业趋势总结

AI制药整体成功率与应用阶段

AI制药整体成功率约为11%-14%，目前主要集中于早期虚拟筛选与结构优化，在靶点假说及临床设计环节应用较少。

核心要素重要性

数据是核心壁垒，算法创新进入瓶颈期（多基于AlphaFold2微调），算力需求因缺乏突破性大模型而暂时处于低位。数据最为关键，高质量、标注清晰的专有数据成为构建竞争壁垒的关键。

AI管线创新性

AI管线多为已知靶点的Best-in-class或Fast-follow，严谨意义上的创新靶点/新机制药物极度稀缺（如Recursion）。进入临床试验的24款AI辅助研发药物中，21款已完成一期临床试验，10款进入二期临床，4款完成二期，均属于已知靶点优化，创新靶点/新机制药物罕见。

AI模型应用可靠性

AI在小分子ADMET预测及大分子溶解度预测方面较成熟，但在毒性预测、免疫原性及复杂生物工艺（CGT等）中可靠性极低。靶点发现的AI工具可靠性较高，适用于小分子和大分子；苗头化合物发现阶段可靠性不高；先导化合物优化和可开发性预测阶段可靠性中等；毒理药理预测可靠性中等；工艺开发环节小分子可靠性较高，大分子复杂生物过程可靠性低；临床注册环节可靠性低；商业化生产质控环节可靠性较高。

靶点发现工具

除AI工具外，IPA、GeneCards、MalaCards、OpenTargets、STRING、KEGG等传统工具和数据库仍是主要手段。

知识图谱与分子生成

知识图谱领域渗透率不高，多数应用仍处于研究阶段。分子生成方面，大分子生成挑战巨大，成功率远低于传统方法，高度依赖高质量初始数据。例如，243个生成抗体中仅有3个能结合，而有阳性数据后成功率可提升至15%-20%。

可开发性评估与CMC阶段

可开发性评估方面，小分子ADMET预测准确性相对较高，毒性预测不可用；大分子溶解度预测尚可，免疫原性预测几乎完全不准确。临床前和CMC阶段，小分子逆合成路线预测取得显著进步，分析方法开发潜力较大，工艺优化部分AI应用难度较大。

行业高估与关键因素

高估方面：算力、单点算法SOTA成就、AI模型的“黑箱”特性。关键因素：高质量数据、跨学科深度合作、湿实验与干实验结合能力及临床转化能力。

商业模式

AICRO服务模式面临定价与信任悖论，软件销售模式被迫向自主研发管线转型。

国内大模型公司

国内通用大模型公司如GLM、DeepSeek尚未涉足生物医药方向，Anthropic和亚马逊的具体发展方向尚不明确，字节跳动可能跟进。

AI研发+自有管线模式

英矽智能等公司使用传统分子软件，纯粹大模型应用尚未带来实质性成果落地。

大语言模型应用逻辑与局限性

大语言模型通过已有语料库生成可能性较高的答案，难以在未知领域发挥作用。小分子生成并非必要，大分子生成挑战巨大，目前更多是“改良”而非“创新”。

AI在医学领域应用停滞原因

医学领域是探索未知的科学问题，而AI更接近验证对错的工程问题，两者性质根本不同。

AIforScience应用前景

AIforScience在医学领域应用前景广阔，但需持续积累和多方向尝试，AlphaFold2是重大进步，但仍有挑战，是一个循序渐进的过程。

“干湿实验室”闭环需求

由AI驱动的增量市场需求爆发式增长，主要来自AI公司，如AWS、Isomorphic Labs等大规模下单蛋白表达服务，预计短期内主导市场。

科技巨头海量蛋白表达订单目的

可能并非直接开发药物，而是进行基础研究或建设平台、生成新算法，推动行业向前迈进。