AI制药专家交流20260819 导读

AI在药物研发中的应用与局限性

AI技术在药物研发中主要加速靶点发现、靶点验证和lead化合物优化阶段，显著缩短研发周期。AI在靶点验证阶段将科研周期从3-5年压缩至几个月，化合物发现阶段成功率从1%提升至5%-10%，并通过预测模型筛选不良分子，减少临床前动物实验成本。然而，AI在临床阶段应用较少，主要聚焦于ID申报前阶段。

AI在靶点发现方面能快速建立疾病与靶点的相关性，但缺乏因果推断能力，无法确认靶点与疾病间的因果关系。临床转化也是一大挑战，动物模型中有效的靶点未必在人体内同样有效，受限于人体复杂的代偿机制。

AI在药物研发不同类型药物中的应用

AI在小分子领域发展最为成熟，拥有数十年的数据积累和庞大的公开数据集支持。抗体领域发展迅速，因其合成到测试流程更适于自动化。核酸和多肽类药物领域，AI表现较好，因其序列设计相对较小且广泛可用的数据集可用于训练AI模型。未来，AI可能在核酸药物领域跑通技术路径。

AI药物研发的数据挑战与趋势

小分子药物研发受数据标注差影响较大，而大分子药物如抗体领域因高质量数据和自动化优势展现出更强发展势头。核酸和多肽类药物面临数据库和递送问题。AI产业链上游DNA合成需求短期内会增加，但长期需关注成本下降与自动化生产能力。

AI制药的竞争壁垒与商业模式

高通量合成行业竞争壁垒在于早期具备高效分化合成能力和低成本获取表达能力并完成测试的能力。AI制药三种商业模式（CL、SAS、AI+白菜）的未来前景有待进一步评估，需关注量化指标在评估各公司竞争壁垒中的重要性。

AI药物开发管线疾病领域分布

AI药物开发管线中，肿瘤领域占据主导，占比约40%-50%，主要得益于肿瘤领域数据丰富、靶点成熟及临床前阶段成本较低。此外，IPF和代谢疾病项目亦有涉及，但比例较小。肿瘤领域临床评价标准量化，患者招募相对容易，加速了药物开发进程。AI在遗传学分析和患者分层方面展现潜力，未来可能更多关注自免疾病等领域的开发。

大型药企与AI制药合作模式

大型药企在AI制药领域倾向于自建核心能力，外围探索性项目则寻求与新兴AI企业合作。大型MNC如谷歌、英伟达等通过提供算力支持和工具开发进入市场，而大型药企更看重AI制药领域的数据量大、人口多以及客户付费意愿强烈的特点。

AI制药行业的发展关键节点

判断AI制药能否进入快速发展期，可从三个角度预测：1)观察一期药物设计与开发是否能成功通过三期临床试验；2)在未来2-3年内，若能观察到AI辅助下二期药物的成功率显著上升，将证实AI辅助在临床转化中的价值；3)需要国家或相关权力机构有决心整合和共享高质量的人类医疗数据，构建更准确的临床预测模型。

国内制药企业AI研发渗透率及应用现状

国内大型制药企业AI研发渗透率较低，主要受限于数据安全与质量。AI在企业中多用于解释性作用，而非设计。实验数据汇总与收集工作不足，影响AI模型开发。短期内，大型药企AI渗透率提升依赖于外部AI服务与合作。

AI药物申报与监管政策及湿实验外包对比

AI驱动药物在申报审批时，监管机构主要关注安全性和有效性，不细究AI模型细节，但对数据要求高。AI在某些预测环节可替代动物实验，需满足严格条件。AI制药公司自建实验室能更好地控制原始数据和操作，减少误差，有利于后期数据收集和整理。