From 亿欧智库
痛点
反摩尔定律
传统新药研发非常复杂：
大规模筛选发现先导化合物→体外试验、动物实验、人体实验→证明安全有效才能获批上市
以实验科学为基础，高度依赖药物学家个人经验、创造力
周期长、成本高、成功率低 10-15年
新药研发的两种范式
- AI
- 数据驱动
- 物理
- 物理规则计算驱动
目前无法利用AI直接设计出完美药物，价值主要体现在优化现有药物研发化解，部分替代实验，降低成本增加效果，未来有望量变到质变
全球行业发展阶段
AI/计算公司已经从技术概念过渡到价值验证阶段
超过30款AI参与研发的药物进入临床试验阶段，10+公司上市
中国行业发展
国内以小分子药物居多，主要集中在药物发现领域
- 分子生成、活性预测、新筛选
近期目标：提高药物研发效率
最终目标：实现规模化平台制药能力
未来展望
定位为Biotech公司，而不是CRO公司
序言和主要观点
1.1 属于解释与研究范围界定
研究范围：
中国AI/计算驱动的新药研发产业发展现状
企业类型：
- AI：数据驱动
- 物理计算：物理定律
AI和计算制药技术应用范围
药物研发两大阶段：
- 发现
- 疾病治疗靶点确定
- 先导化合物发现和优化
- 偶然发现
- 随机筛选
- 理性设计
- 获得候选药物
- 开发
- 评价药代、药理、毒理、安全性、有效性等
1.2 历史演进
实验科学→AI/计算+试验
药物发现的几种手段
- 前工业时代的偶然发现
- 纯经验
- 植物提取等
- 现代药物发现
- 药物化学结构和活性的关系
- 高通量筛选
- 化学合成+筛选科学
- 普遍采用的技术
- 合理药物设计阶段
- 对机理、靶点结构、功能有本质认识
- 计算机辅助药物设计CADD
- 基于专家经验理论作为指导
1.3 AI和物理计算的比较
AI | 物理计算 | |
基础要素 | 数据 | 物理规则 |
推导方式 | 归纳法 | 演绎法 |
适用场景 | 数据充足的领域eg:虚拟分子生成，化合物合成路线预测，ADMET性质预测 | 靶点蛋白与分子模拟，分子从头设计，虚拟筛选，先导化合物优化 |
特点 | 通量高，对数据要求高 | 精度高，对算力要求高 |
发现规律 | 迭代快，跨越临界点后有望实现快速发展 | 有赖于物理学科进步 |
PS：AI可以直接赋能药物研发，也可以赋能计算简介驱动
中国AI/计算制药产业兴起第一波浪潮
2.1 驱动力:传统药物研发模式
- 成本高
- 反摩尔定律
- 周期长
- 风险大
- 效率低
- 依赖药物研发人员个人经验和创造力
2.2 驱动力：AI发展
- 技术推动
- 高通量测序、冷冻电镜
- 算力、深度学习
- 资本助推
2.3 突破元年：2020
- 首家计算药物研发公司上市
- 首个AI设计分子进入临床试验
- DeepMind发布AlphaFold
2.4 上市热潮
2020以来，全球10+公司上市
领域：图像处理、分子生成、变构药物开发等
2.5 技术规模验证
超过30候选化合物进入临床试验阶段
2.6 中国浪潮
中国起步晚、发展势头迅猛
2.7 投融资
国内AI/计算制药公司投资热度高涨
2.8 互联网入局
投资热度高涨
很多互联网公司都入局
阿里云、云深智药、百图生科、AILab、华为云EIHealth
2.9 中国AI/计算制药产业图谱
中国AI和计算制药应用实现单点突破
3.1 低谷和高潮
从1960到2020经历了低谷和高潮
3.2 应用阶段
目前AI/计算在药物研发中处于“单点突破”阶段，需要专家参与和试验配合
- AI无法解决所有问题，被用在各个环节，目前主要集中在早期药物发现和临床前的开发阶段，集中在小分子药物
- 靶点发现、分子生成、活性预测、ADME/T性质预测等
- 需要专家参与，坚定数据质量，定义问题，判定解决方案是否可行
3.3 应用目标
降本增效→平台化产出→量变到指标
3.4 代表性应用场景
- 靶点发现
- 医学大数据挖掘
- 难点：需要专业生物知识，数据量小
- 靶点鉴定
- 难点：
- 目标分子是全新结构，无法匹配到合适类似物分子
- 目标分子靶点是新靶点，没有已知胚体分子
- 分子生成
- 药物研发的源头
- AI开创全新高通量的新分子设计手段
- 对海量化合物进行学习
- 拓展化学空间+提高先导化合物质量减少实验
- 难点
- AI缺乏变通性，需要药物学家创造力、运气
- 活性预测
- 难点：
- 数据来源不同，精度不高
- 虚拟筛选
- 基于受体or基于胚体
- 化合物合成
- 数据量充足、质量高
- 难点
- 数据库掌握在2个公司
- 重视度和资源少
挑战与展望
4.1 数据问题
- 新药数据有限
- 数据不规范
- 数据私有孤岛
- 数据产出慢、成本高
解决：有组织、主动、系统、高通量收集标准数据
4.2 交叉复合人才少
复合型人才匮乏
4.3 药物研发存在不确定性
尚处于弱人工智能阶段
AI技术适合
- 丰富数据、知识
- 完全信息
- 确定性信息
- 静态
- 单领域
- 单任务
药物研发存在不确定性、知识不完备，需要创造性和灵活性
4.4 人类生物学发展仍有很多未解之困
生物学本身有很多未解决的问题
4.5 未来会诞生一批新型Biotech公司
越来越多AI/计算公司从服务走向自主研发管线为主的Biotech之路
原因：
- biotech定位更容易被资本市场认可
- 很多药企处在观望状态，付费意愿不高，市场开拓难度大
4.6 AI/计算技术将更加广泛
From 中银证券 2021.09
反摩尔定律原因
- 低垂果实
- 监管障碍
- 研发模式
资本助力
传统Big Pharma，新型AIDD公司，互联网巨头
风险
技术人才流失，一级市场降温，AI不达预期，底层数据封锁
一、从行政审批看发展历程
Me-too → Me-better → First in class
现在依然是研究国外已上市药物，对分子结构进行改造有效规避专利限制
研发人才+资本入局+行业转型+政策监管→中国创新药领域焕发生机
二、靶点扎堆，技术需要变革
在有限的人体基因靶点下，潜在的药物靶点数量有限。
中国追求快速资本回报的医药市场→内卷→同质化靶点扎堆
AI或许可以帮助解决
三、AI制药翻开药物研发新篇章
二级市场，药明康德，投资活跃
1. AI+医疗多点开花
1.1 市场概况
1.1.1 发展历程和现状
1.1.2 医疗领域主要算法
1.1.3 投融资分析
1.1.4 政策导向
利好
1.1.5 产业链
- AI基础层
- AI技术层
- AI应用层