AI+新药的魅力不仅仅在于有望大幅降低新药研发的时间、人力及金钱成本，更在于发现原来很难、甚至不可能发现的靶点及成药机制，使不可能成为可能，创造新的药物资产和增量市场。
每当一种新兴事物出现，都会衍生两种态度：一种是乐观大胆，一种是谨慎克制。一面富有激情，更容易占得成功的先机，另一面更具理性，苛求最大化降低失败风险。两种立场的分割与交融，使得我们能够择中取之，以相对客观的视角看待新生力量的生长发展。AI+新药研发行业亦是如此。
在这里，有着乐观大胆的声音——
“AI是制药行业潜在救星，有望改写整个制药行业。”
“AI+新药的魅力不仅仅在于有望大幅降低新药研发的时间、人力及金钱成本，更在于发现原来很难、甚至不可能发现的靶点及成药机制，使不可能成为可能，创造新的药物资产和增量市场。”
“今天的生物医药就像2000年的互联网，AI将构建医疗行业的全新革命。”
在这里，也有谨慎克制的声音——
“和人工智能在其他领域的遇冷一样，AI在制药领域至今没有取得特别明显的突破，反而越来越多地看到AI在其中应用的局限性。”
“不只是IT与BT技术的对接、机器学习与专家经验的对抗，追求短期高回报的互联网与周期长但不确定性高的药物研发，这两种截然不同的思路和逻辑在AI+新药行业相互碰撞，却很难和解。”
“制药行业仍然是效率最低的行业之一，亦是抵制技术颠覆的最后桥头堡。”
两极视角是相对绝对的，而这些言论却让我们相信，AI+新药研发行业发展的真实形态大体是介于两者之间。穿透表面迷雾，方能看见本质。故此，蛋壳研究院对AI+新药研发行业进行了细致研究，对近20位AI+新药行业资深人士进行了深度调研，制作了《2022 AI+新药研发行业研究报告》，以期更准确地描绘出AI+新药研发行业的真实发展。
以下为报告主要结论：
（1）AI+新药行业已经步入概念验证中的高速发展期。未来1-2年，将有更多由AI设计的药物批量进入临床阶段，进入有效性概念验证（POC，Proof of Concept）阶段的AI药物不再只是个例。未来3-5年，将有首款AI驱动设计的药物上市，并有大批管线进入POC阶段。
（2）未来10年，AI+新药企业的算法将变得更加业务驱动，针对特定的问题定义特别的AI算法解决方案。作为行业重要的基础技术工具，Alphafold将继续进行迭代，进一步提升AI在蛋白质结构预测、蛋白质功能预测方面的能力，从而在新药研发领域有更实质和广泛的落地。
（3）靶点发现场景在未来有巨大的市场想象空间，但目前在技术上尚面临不小挑战。新形态药物递送、化合物合成、临床患者招募分层、临床结果预测、临床试验设计优化、虚拟临床试验、真实世界研究将成为AI+新药企业目前广泛布局领域之外的7大潜力场景。另外，新药物形式领域发展十分迅速，蕴藏着医药产业更大的发展机会。AI目前在新药物形式领域发展早期就开始介入，有着广阔的发展前景。
（4）现阶段的混合商业模式属于AI+新药行业的阶段性产物，未来AI+新药行业的发展将与生物医药领域类似，CRO与Biotech的双重身份不会在同一家企业身上展现。另外，未来SaaS软件服务这类单一商业模式会逐渐消失，这些企业会逐渐向AI CRO以及AI Biotech两种商业模式进行转型。AI CRO领域同传统生物医药领域CRO领域类似，最终会形成几家巨头分割市场的格局。AI Biotech由于发展潜力大、整体市场空间不受限，会成为大部分AI+新药企业的商业选择。通过联合开发管线进行风险共担、利益共享，在未来很长一段时间会成为AI+新药行业的主流生态。
以AI+新药行业发展时间为轴，其发展过程大体可以划分为三个阶段：2014-2017年，行业处于技术积累的探索期：包括Exscientia、Atomwise、Recursion、英矽智能、晶泰科技等第一批成长起来的AI+新药企业大多在这个时间段成立，该阶段主要是进行前期的技术积累与早期商业模式的探索，研究AI如何具体落地到新药研发的各环节。企业服务形式主要是提供新药研发特定环节的技术服务。2018-2019年，行业进入概念验证初期：最早一批AI+新药企业基本完成前期技术积累，并陆续开始获得临床前候选药物(Pre-clinical candidate, PCC)一类的验证性成果，部分AI+新药企业为药企或药物研发CRO企业提供更具广度和深度的端到端AI技术服务。2020年至今，行业进入高速发展期：伴随着技术的不断成熟，AI+新药企业与药企的合作频次、合作范围、合作深度不断拓宽拓深，最早成长起来的一批AI+新药企业继续增强端到端解决方案能力，同时接连开启AI药物管线在临床方面的验证。另外，包括谷歌、腾讯、百度、华为、阿里巴巴、字节跳动在内的多家科技互联网巨头相继进场AI制药，谷歌旗下Deepmind团队开发的两代AlphaFold算法解决了生物学界长达50年的蛋白质空间结构预测难题，在为AI+新药领域吸引更多目光的同时，也为该领域带来更多资源和人才。当前，多家AI+新药企业顺利奔赴二级市场，使得AI+新药领域的热度高涨。据动脉橙产业智库不完全统计，2021年，全球AI+新药领域的融资表现再创新高，融资达83起，融资总额达46.13亿美元。2014年至2022上半年，全球AI+新药领域累计发生融资事件383起，累计融资133.65亿美元。▲ AI+新药行业发展历程（数据来源：动脉网，蛋壳研究院制）迄今为止，无论是否将AI用于了药物研发，生物制药企业普遍已经把AI当成常态化工具。尽管还没有一款由AI研发的新药上市，但AI+新药行业已经跨过了“讲概念”的阶段，开始步入高速发展期。据蛋壳研究院不完全统计，目前已经有近40款AI药物管线已经步入临床阶段，其中2款已获FDA紧急授权批准，11款处于临床2期，24款处于临床1期。▲ AI+新药研发企业管线进展（数据来源：各企业官网及调研访谈，蛋壳研究院制）我们推测，未来1-2年，将有更多由AI设计的药物进入临床阶段，进入有效性概念验证（POC，Proof of Concept）阶段的AI药物不再只是个例。未来3-5年，将有首款AI驱动设计的药物上市，并有大批管线进入有效性概念验证阶段。到时，AI在新药研发中的技术价值得到规模化验证，行业逐渐进入发展成熟期。而在短时间内，AI+新药相关管线的成与败均属于正常现象，不会改变行业长线蓬勃发展的大势。从随机筛选到合理设计，从经验主义到数据驱动，从完全人工到使用传统CADD（Computer Aided Drug Design，计算机辅助药物设计）进行辅助，最终完成从传统CADD方法到AI与传统CADD相融合的转变。如今，AI技术在药物研发各个环节逐步参与，学术界和产业界都在尝试研究使用AI来辅助药物的研发，为新药的发现与开发寻求助力。
从机器学习 ( ML ,Machine Learning)到深度学习 ( DL ,Deep Learning)，AI+新药领域算法不断拓展，快速推进了药物发现进程。未来，随着可借鉴的算法模型越来越多，行业将有更多不同的方式来解决药物研发各环节的痛点。行业将出现越来越多针对AI+新药研发的算法，AI+新药企业的算法将变得更加业务驱动，针对特定的问题定义特别的AI算法解决方案。
从AlphaFold到AlphaFold2，两代AlphaFold算法带来的技术突破解决了生物学界长达50年的蛋白质空间结构预测难题，改变了此前几乎只能使用X射线晶体学和冷冻电子显微镜等实验技术确定蛋白质结构的现状，深刻地影响着AI+新药领域此后的发展。近日，DeepMind公司与欧洲生物信息研究所（EMBL-EBI）的合作团队宣布利用AlphaFold2预测出超过100万个物种的2.14亿个蛋白质结构，几乎涵盖了地球上所有已知蛋白质。在AlphaFold2对超过2亿个蛋白质的结构预测中，大约35%的结构具有高精度，达到了实验手段获取的结构精度；大约80%的结构可靠性足以用于多项后续分析。基于AlphaFold2对蛋白质结构的精准预测，研究人员能够更加高效进行基于结构的药物设计。另外，作为一种基础技术工具，AlphaFold2降低了进入蛋白质预测设计领域的技术门槛，能吸引更多其他领域的人才加入到AI+新药领域的研究上，带来更多的资源。与此同时，AlphaFold2成为基础技术工具拉齐了需要进行蛋白质预测研究的企业间的竞争水平。不过，结构预测只是开始，AlphaFold2在药物研发领域的真正应用还面临诸多挑战。近年来，AI+新药企业的服务链条在纵向拉长：从提供特定环节的技术服务到提供端到端的解决方案到逐渐覆盖药物发现全流程。经蛋壳研究院不完全统计，在目前研发化药的52家AI+新药企业中，有能力做到端到端（从给定靶点到先导化合物的交付）服务能力的AI+新药企业有39家，占比75%。目前国内AI+新药企业的布局主要集中在药物发现阶段，虚拟筛选、分子生成、靶点发现及ADMET预测成为布局最多的四个场景。▲ 国内AI+新药企业在药物发现阶段的应用布局（数据来源：公开信息及调研访谈，蛋壳研究院制）目前，国内外AI+新药企业尽管以布局传统化药研发为主，但近年来布局抗体药物、核酸药物、多肽药物、基因细胞治疗药物等一些新药物形式领域的企业比例在不断增加。据波士顿咨询研究数据，从2015年到2021年，全球布局创新疗法的企业比例从6%上升到30%。从国内AI+新药企业类型来看，据蛋壳研究院不完全统计，目前布局新药物形式的AI+新药企业共计19家，占AI+新药企业总量的27%，其中布局大分子药物（未具体透露新药物形式类型）领域的企业有6家，布局核酸药物的企业有4家，布局细胞和基因治疗药物的企业有3家，布局抗体的企业有3家，布局多肽的企业有2家，布局微生物药物的企业有1家。 ▲ 国内AI企业在新疗法领域的布局情况（数据来源：动脉橙产业智库，蛋壳研究院制）
从当前AI在新药研发不同场景应用的现状来看，在化药领域，虚拟筛选、分子生成、靶点发现及ADMET预测成为多数AI+新药企业的最佳布局选择。其中，靶点发现场景在未来有巨大的市场想象空间，但目前在技术上尚面临不小挑战。新形态药物递送、化合物合成、临床患者招募分层、临床结果预测、临床试验设计优化、虚拟临床试验、真实世界研究将成为AI+新药企业目前广泛布局领域之外的7大潜力场景。▲ 未来七大应用场景预判及企业布局情况数据来源：调研访谈，蛋壳研究院制诸如基因细胞治疗一类新兴治疗方式为肿瘤、罕见病、慢病及其他难治性疾病提供了全新的治疗理念和手段，有望从根本上治愈疾病，因此，新药物形式领域发展十分迅速，蕴藏着医药产业更大的发展机会。AI目前在新药物形式领域发展早期就开始介入，具有广阔的发展前景。▲ AI+新药研发各类应用场景发展能力分布（数据来源：调研访谈，蛋壳研究院制）新的商业模式不断涌现，从单一到混合，AI+新药领域的商业模式仍处于探索早期。2014-2015年，AI+新药企业的商业化基本以提供软件技术服务为主。2016-2017年，部分AI+新药企业开始尝试将服务的链条纵向拉长——不仅仅在新药研发的某个点或者某个环节进行效率的提升，而是开始追求端到端的解决方案，向更多新药研发环节进军。一些企业甚至开始提供一站式服务，覆盖药物发现全流程，提供AI+新药外包技术服务的AI CRO模式逐渐形成。2018年-2020年，随着AI+新药企业陆续获得临床候选药物分子一类的验证性成果，一些企业在提供更具广度和深度AI技术服务的同时，通过合作或自研的方式积极推进AI+新药成果的进一步验证，部分已经完成前期技术积累且资金相对充裕的AI+新药企业选择成为AI Biotech。2020年开始，包括Exscientia、Relay、Recursion、Benevolent AI、英矽智能、冰洲石科技在内的多家AI+新药企业纷纷披露自家参与研发的AI药物步入临床阶段，多家AI+新药企业陆续登陆二级市场。行业发展至今，一些商业模式基本成形。以上市的AI+新药企业来说，有SaaS、AI CRO、AI Biotech三类商业模式，也是当前行业最典型的。
▲ AI+新药研发商业模式的演变（数据来源：调研访谈，蛋壳研究院制）
我们通过调研发现，无论国内外，多数AI+新药企业会在以上三种商业模式中兼做2种或3种。从国外情况看，以软件服务收入为主体、AI+新药SaaS商业模式代表企业Schrödinger早在2018年前后就开始建立内部管线；AI CRO商业模式代表企业Exscientia不仅对外提供技术研发CRO服务，对于自身开发出的部分有价值管线，也以成立合资企业的形式推进项目开发——与EQRx、BlueOak、Rallybio等合作开发的管线项目都属于这一类型。在国内，多种商业模式兼做也成为多数AI+新药企业的选择。蛋壳研究院对国内71家AI+新药企业的商业模式进行了不完全统计和梳理。▲ 国内AI+新药企业商业模式统计情况数据来源：公开信息及调研访谈，蛋壳研究院制统计显示，国内有近一半的AI+新药企业选择了多种商业模式兼做的方式。其中，选择兼做两种商业模式的AI+新药企业共计22家，占比31%；选择兼做三种商业模式的AI+新药企业有9家，占比13%。结合调研结果，我们认为，混合商业模式属于AI+新药行业早期发展的阶段性产物，是一种过渡态。AI+新药行业的最终发展走向与生物医药领域的走向相似，CRO与Biotech的双重角色不会在同一家企业身上展现。另外，结合目前AI+新药的市场环境以及各类商业模式的特质，我们判断：1）SaaS软件服务这一类商业模式未来会逐渐消失，这些企业会逐渐向AI CRO以及AI Biotech两种商业模式进行转型；2）AI CRO同传统生物医药领域CRO领域发展类似，最终会形成几家巨头占领大部分市场资源的格局；3）AI Biotech商业模式由于发展潜力大、整体市场空间不受限，会成为大部分AI+新药企业的选择。我们认为，AI 作为一种工具，会逐渐渗透到新药研发的各个环节中发挥价值，对新药研发起到降本增效甚至提升新药研发成功率的作用。未来，新药研发企业都会以AI技术作为底层技术，AI不再是一种先进性标签。当前AI+新药行业还处于发展初期，尚没有一款由AI设计的新药成功上市，推进AI药物管线的风险非常大。通过联合开发管线的形式，AI+新药企业与药企之间可以进行风险共担，利益共享，因此在涉及开发药物管线业务的AI+新药企业和药企之间，很多采取了联合开发药物管线的形式。我们判断这种方式在接下来很长一段时间会成为主流。
数据问题是限制当前AI+新药行业发展的最大壁垒，AI+新药行业的数据面临质和量的双重问题。针对数据问题，AI+新药行业提出了数种解决方案。其中，整合、清洗公开数据库数据是当前AI+新药企业选择的获取数据的主流方式，但该种方式在长期来看难以让各AI+新药企业形成差异化竞争力。通过与药企合作得到的部分数据往往仅针对某一具体管线，数据相对有限，且药企可能不会提供核心数据。成立AI制药联盟也是解决数据问题的解决方案之一，其中涉及较多的联邦学习在实践中其实存在一定难度，包括数据来源的真实性、数据质量问题，药企提供数据的积极性也有待提高。干湿一体化实验室/智能机器人实验室的建立正在引导新药发现从传统“劳动密集型”的实验试错模式向“计算密集型”的自动化智能研发模式转型，能够以同样的资源和时间完成更多的新药开发工作。因此，自建干湿一体化实验室/智能机器人实验室不仅是当前AI+新药企业解决数据问题的一种重要解决方案，也是未来AI+新药行业发展的必然趋势。开发小样本学习算法可以在数据量很少的情况下，得到更多有价值的信息和进行分析判断，在一定程度上解决数据缺乏的问题……▲ 当前AI+新药企业面临的数据问题及解决方案（数据来源：调研访谈，蛋壳研究院制）由于AI+新药领域发展不过短短几年时间，相关复合型人才非常有限；人工智能和药物研发两个领域之间的专业壁垒较高，导致复合型人才培养困难。虽然目前国内外高校已经在逐渐加强对于AI+新药行业复合型人才的培养，不过人才培养是一个长周期过程，在短期内，AI+新药行业面临的复合型人才稀缺瓶颈暂时难以从高校人才来源方面解决。AI+新药作为一个多学科交叉的复合领域，人才瓶颈一定程度上限制了该行业的发展。针对人才瓶颈问题，AI+新药行业正在形成多种解决方案。在产业界，AI+新药企业内部正在尝试多种解决方案，比如在企业内部定期举办小活动，开办一些小课堂或分享会，或者定期邀请高校里研究AI+新药领域的专家教授给团队员工进行定向培训。还有一些团队尝试让企业不同板块的合伙人以投资的方式来参与新药研发项目的立项投票，实现立项项目的风险共担和利益共享，从而统一不同领域团队的目标和利益。在科研界，高校也在加大力度培养AI+新药复合型人才。值得注意的是，部分高校顺利完成成果转化，多个学者教授携科研成果投身产业界。基于行业访谈以及案头研究，蛋壳研究院整理了国内16家高校/科研机构累计47个课题组的科研及成果转化情况（详见报告附录1《国内高校AI+新药人才培养及科研成果转化情况》）。我们发现：一些专家积极地进行成果转化，以自主创业或通过将相关知识产权授权给AI+新药企业的形式推进相关科研成果的产业化落地。选择涉足AI+新药领域的课题组大多是药学、化学、生物学和生命科学这些药物研发相关方向的课题组，而人工智能课题组切入AI+新药领域的目前相对较少。此外，产业界和学业界也在紧密配合，比如一些机构从AI+新药行业人才痛点切入，与院校联合搭建培训班；一些企业建立了人才培养站，旨在通过和学术界联合培养人才的形式，从根本上缓解当前AI+新药行业面临的人才瓶颈。自2020年起，国内外多家互联网巨头在AI+新药领域的介入，在为行业带来海量资源、资本的同时，还带来了最先进的AI技术、算法，进行了类似云计算、Alphafold2等平台工具的搭建，一方面使更多AI算法、开发等人才看到了相对封闭、专业和高门槛的医药研发领域，另一方面也降低了AI+新药的门槛和成本，起到了为AI+新药领域进行人才引流的作用。在AI+新药行业火热发展的今天，产业界的每一位同仁其实都会思考：AI到底能在多大程度上加速一颗药的诞生？AI究竟能否创造新的药物资产和增量市场？又能否破解制药界的反摩尔定律？以上问题在今天还没有肯定的答复，但我们相信，肯定的答复一定会出现在未来。生命系统太过复杂，任何一门新技术想要完成对制药领域的变革都绝对不是短期主义，而是长期耕耘。但是，道阻且长,行则将至。希望大家对AI+新药领域多一份行动上的支持，少一份理论上的质疑，多一份脑海中的展望，少一份心海中的冲动。客观看待AI+新药行业的发展，给以耐心，付以平常心。
{replyUser1} 回复 {replyUser2}：{content}