2025AI制藥市場規(guī)模產(chǎn)業(yè)鏈構(gòu)成應(yīng)用現(xiàn)狀及AI制藥公司分析報(bào)告

2025年深度行業(yè)分析研究報(bào)告 4 4 5 6 6 7 4 5 6 1AI制藥行業(yè)介紹藥物發(fā)現(xiàn)眾所周知是一項(xiàng)昂貴、耗時(shí)且成功率低的過程。平均而言，開發(fā)能夠大幅提升藥物研發(fā)的效率，降低研發(fā)成本，并有年的歷史?？v觀AI制藥的發(fā)展，可以分為3個(gè)時(shí)期：新藥設(shè)計(jì)的速度，節(jié)省了創(chuàng)制新藥工作的人力和物力，使藥物學(xué)家能夠以理論為數(shù)據(jù)來源：deeppharmaintelligence，財(cái)通證券研2022年AI在藥物研發(fā)領(lǐng)域的投資未能延續(xù)之前幾年的增長勢頭，2022年的投資總額為102億美元，相比2021年的10數(shù)據(jù)來源：deeppharmaintelligence，財(cái)通證券研這一優(yōu)勢得益于美國強(qiáng)大的科研基礎(chǔ)、豐富的風(fēng)險(xiǎn)資本支持以及先進(jìn)的生物技術(shù)亞洲雖然當(dāng)前占比相對較低，但中國等國家憑借政策引導(dǎo)和資本投入，正在快速險(xiǎn)投資活躍度和市場規(guī)模為初創(chuàng)公司提供了堅(jiān)實(shí)的支持。歐洲和英國盡管公司數(shù)量較少，但融資金額集中，表明資本主要流向少數(shù)具備技術(shù)突破或明確商業(yè)模式的企業(yè)。相比之下，亞洲地區(qū)增長速度較快。亞洲市場的快速崛起預(yù)示著這一地約330個(gè)藥物發(fā)現(xiàn)和臨床前研究以及約430個(gè)處于一期臨床研究的項(xiàng)目。盡管藥公司的快速增長趨勢和專注于早期研發(fā)的特點(diǎn)凸顯了其技術(shù)在制藥領(lǐng)域的潛力2AI制藥的產(chǎn)業(yè)鏈構(gòu)成與政策備包括服務(wù)器和芯片等。軟件包括各類機(jī)器學(xué)習(xí)、深度學(xué)習(xí)以及其他人工智能算法，還有數(shù)據(jù)收集和處理平臺、開源軟件包以及云計(jì)算平臺等輔助類軟件。提供生物技術(shù)的企業(yè)包括提供CRO服務(wù)的企業(yè)和提供先進(jìn)設(shè)備的企業(yè)。提供CRO服務(wù)的企業(yè)為提供制藥流程中不同階段輔助服務(wù)的傳統(tǒng)CRO企業(yè)。提供先AI制藥產(chǎn)業(yè)鏈中游是主體部分，主要分為四大類：AI+biotech、AI+CRO、質(zhì)或治療手段分類，從細(xì)分領(lǐng)域看，又可以分為三大類，即小分子藥物、大分子先導(dǎo)化合物或者PCC，再由藥企進(jìn)行后續(xù)的開發(fā)，或者合作推進(jìn)藥物管線。AI+SaaS：為客戶提供AI輔助藥物開發(fā)平提供算力及計(jì)算框架服務(wù)。投資、建立內(nèi)部算法團(tuán)隊(duì)、采用外部AI技術(shù)、與AI制藥公司進(jìn)行合作等方式切盡管AI制藥行業(yè)發(fā)展迅速，但相關(guān)的配套政策相對較少。由于AI技術(shù)的復(fù)雜性和涉及的倫理、法律等問題，政府和監(jiān)管機(jī)構(gòu)需要時(shí)間來理解和評估其潛在影響，以制定相應(yīng)的政策和法規(guī)。美國、歐洲等國家及地區(qū)，行業(yè)起步表1.國外AI制藥相關(guān)政策《UsingArtificialIntelligence涵蓋AI和ML的當(dāng)前和潛在DevelopmentofDrugProducts》-討論文件Biological床研究、上市后安全性監(jiān)測和高《Reflectionpaperontheuseof概述在整個(gè)藥品生命周期和基于ArtificialIntelligence(AI)inthe風(fēng)險(xiǎn)的背景下使用AI/ML開發(fā)與何時(shí)可以安全有效地開發(fā)、監(jiān)管藥物以及藥物上市后使用等方面近年來，為了促進(jìn)AI制藥行業(yè)的發(fā)展，探索人工智能在新藥研發(fā)方面的應(yīng)表2.國內(nèi)AI制藥相關(guān)宏觀政策《“十四五”醫(yī)藥工業(yè)發(fā)展規(guī)劃》探索人工智能技術(shù)在研發(fā)領(lǐng)域的應(yīng)用，通過對生物學(xué)數(shù)據(jù)挖掘分析、模擬計(jì)算，提升新靶點(diǎn)和新藥《“十四五”生物經(jīng)濟(jì)發(fā)展規(guī)劃》利用云計(jì)算、大數(shù)據(jù)、人工智能等料、生物和空間科學(xué)等領(lǐng)域的重大科學(xué)問題的新范研究、生物育種研發(fā)、新材料研發(fā)、深空深海等領(lǐng)人工智能模型算法和領(lǐng)域數(shù)據(jù)知識，實(shí)現(xiàn)重大科學(xué)問《關(guān)于進(jìn)一步加強(qiáng)中藥科學(xué)監(jiān)管促進(jìn)中藥傳推動醫(yī)療機(jī)構(gòu)采用大數(shù)據(jù)、人工智能、真實(shí)承創(chuàng)新發(fā)展的若干措施》等技術(shù)手段，圍繞臨床定位、適用人群、用法用量、確切、特色優(yōu)勢明顯，不良反應(yīng)少的醫(yī)療機(jī)構(gòu)中藥制隨著國家政策的出臺，各省市都緊跟國家政策的方向，因地制宜出臺了各地月月月月月月加快人工智能制藥布局，引導(dǎo)生物醫(yī)藥龍頭企業(yè)和人工智能企業(yè)加強(qiáng)《上海市數(shù)字經(jīng)濟(jì)發(fā)聯(lián)合創(chuàng)新，圍繞蛋白質(zhì)結(jié)構(gòu)預(yù)測、藥物靶點(diǎn)尋找、藥物分子設(shè)計(jì)，重《上海市加快打造全瞄準(zhǔn)合成生物學(xué)、基因編輯、干細(xì)胞與再生醫(yī)學(xué)、細(xì)胞球生物醫(yī)藥研發(fā)經(jīng)濟(jì)療、人工智能輔助藥物設(shè)計(jì)等重點(diǎn)領(lǐng)域，和產(chǎn)業(yè)化高地的若干和戰(zhàn)略性新興產(chǎn)業(yè)重大項(xiàng)目。支持以龍頭企業(yè)聯(lián)合高校、《上海市生物醫(yī)藥產(chǎn)《關(guān)于支持生物醫(yī)藥《上海市發(fā)展醫(yī)學(xué)人解讀的共性算法，開發(fā)面向跨尺度、多模態(tài)組學(xué)數(shù)據(jù)和真實(shí)人群多維組學(xué)數(shù)據(jù)的算法與模型，建立生物分子網(wǎng)絡(luò)逆向工程模型和生物系統(tǒng)的大分子結(jié)構(gòu)預(yù)測與設(shè)計(jì)的算法和軟件，構(gòu)建大分子結(jié)構(gòu)解析及其互作的分析計(jì)算流程和預(yù)測模型，構(gòu)建大分子工程AI設(shè)計(jì)平臺，指導(dǎo)大模型和生成算法，建立人工智能增強(qiáng)的抗體藥物和肽與設(shè)計(jì)平臺，發(fā)展中藥復(fù)方藥理藥效預(yù)測模型，研發(fā)具計(jì)與優(yōu)化、化合物虛擬篩選、晶型預(yù)測等場景，不斷推術(shù)深入賦能醫(yī)藥研發(fā)。支持干濕結(jié)合的多模態(tài)大模型等用，推進(jìn)機(jī)器深度學(xué)習(xí)和生成式人工智能平臺軟件迭代藥靶點(diǎn)、罕見病等復(fù)雜領(lǐng)域探索更大成藥空間。在臨床者招募、臨床數(shù)據(jù)采集與分析等臨床階段加強(qiáng)數(shù)據(jù)分析證、藥物發(fā)現(xiàn)與設(shè)計(jì)、新型藥物篩選、用藥安全分析等環(huán)節(jié)，加型、算法、專業(yè)軟件等攻關(guān)突破和共性平臺建設(shè)，開展智能化場建設(shè)小分子創(chuàng)新藥物篩選和優(yōu)化平臺，實(shí)現(xiàn)基于靶點(diǎn)動化合物發(fā)現(xiàn)、藥效評估和老藥新用等。建設(shè)大分子生物醫(yī)藥大模型干濕迭代設(shè)計(jì)平臺，發(fā)展大模型與低通量濕實(shí)驗(yàn)一體自動化技術(shù)，實(shí)現(xiàn)蛋白質(zhì)粒構(gòu)建、表達(dá)、純化、性能檢測等低通量濕實(shí)驗(yàn)的全過程自動推進(jìn)人工智能技術(shù)在難成藥靶點(diǎn)、罕見病、復(fù)雜疾病檢驗(yàn)檢測等復(fù)雜領(lǐng)域的應(yīng)用。支持蛋白結(jié)構(gòu)預(yù)測與從頭設(shè)計(jì)、藥靶預(yù)測、藥物設(shè)計(jì)與智能優(yōu)化、虛擬篩選、晶型劑量、器官芯片等關(guān)鍵技術(shù)研究。大量政策的集中出臺，充分反映了人工智能制藥領(lǐng)域的快速發(fā)展和些政策的發(fā)布體現(xiàn)了對AI制藥技術(shù)的高度關(guān)注和支持，為行業(yè)發(fā)展奠定了堅(jiān)實(shí)3AI制藥技術(shù)原理發(fā)數(shù)據(jù)、企業(yè)自身研發(fā)積累的數(shù)據(jù)集、挖掘數(shù)據(jù)集、實(shí)驗(yàn)數(shù)據(jù)庫、物理模擬生成模擬和數(shù)據(jù)分析的速度與準(zhǔn)確性。人工智能中常用的算力有:分布式計(jì)算:在一些需要處理大規(guī)模數(shù)據(jù)和復(fù)雜任務(wù)的場景中,人工智能系統(tǒng)云計(jì)算:云計(jì)算平臺提供了彈性和可擴(kuò)展的計(jì)算資源,使用戶可以按需獲取所在當(dāng)前的大數(shù)據(jù)時(shí)代，龐大的生物和臨床數(shù)據(jù)為AI在醫(yī)藥研究領(lǐng)域的應(yīng)用但醫(yī)藥數(shù)據(jù)的數(shù)量和質(zhì)量已成為制約AI在藥學(xué)中發(fā)展的主要阻礙之一。迄今為止，由全球的藥物研究人員構(gòu)建的包含詳細(xì)和結(jié)構(gòu)化大數(shù)據(jù)的藥物數(shù)據(jù)庫在促進(jìn)AI在醫(yī)藥研究中的應(yīng)用方面起著關(guān)鍵作用。謝和功效研究獲得的生物學(xué)數(shù)據(jù)的數(shù)據(jù)庫，如HMDB、TTD、WOMBAT和非公開數(shù)據(jù)主要是各制藥公司內(nèi)部項(xiàng)目積累所得，此類數(shù)據(jù)的精度高，更適合用來做模型的訓(xùn)練和計(jì)算，但由于數(shù)據(jù)屬于醫(yī)藥公司的核心資產(chǎn)，保密性強(qiáng)，與傳統(tǒng)的計(jì)算機(jī)編程計(jì)算不同，機(jī)器學(xué)習(xí)和深度學(xué)習(xí)可以從輸入數(shù)據(jù)中學(xué)習(xí)潛在的模式，而無需顯式編程。它們不受輸入數(shù)據(jù)格根據(jù)應(yīng)用場景，模型可以分為回歸模型和分類模型。分類和回歸任務(wù)的區(qū)別根據(jù)解決問題所需的學(xué)習(xí)算法類型，模型可以概念化為三類：監(jiān)督學(xué)習(xí)、無監(jiān)督學(xué)習(xí)和強(qiáng)化學(xué)習(xí)。監(jiān)督學(xué)習(xí)是一個(gè)基于標(biāo)記數(shù)據(jù)的過程，通過訓(xùn)練模型來學(xué)習(xí)輸入與預(yù)先確定的輸出之間的關(guān)系，以預(yù)測未來輸入的類別或連續(xù)變量。相比之下，無監(jiān)督方法用于識別無標(biāo)簽數(shù)據(jù)集中的模式，并探索數(shù)據(jù)集的潛在結(jié)構(gòu)，以便對數(shù)據(jù)進(jìn)行進(jìn)一步的聚類分析等。強(qiáng)化學(xué)習(xí)通過持續(xù)的交互式學(xué)習(xí)進(jìn)行模型需要先驗(yàn)的化學(xué)知識。這些模型可以在更廣闊的未知化學(xué)空間中進(jìn)行搜索，超越成的分子在結(jié)構(gòu)上呈現(xiàn)千變?nèi)f化，質(zhì)量也參差不齊。強(qiáng)化學(xué)習(xí)可以通過微調(diào)模型參數(shù)進(jìn)行有針對性的優(yōu)化，使生成的分子具備特定的藥物分子特性。這種結(jié)合生成模型和強(qiáng)化學(xué)習(xí)的方法為全新藥物設(shè)計(jì)提供了新的途徑和可能性。圖8.主要AI生成模型框架示意4AI在制藥行業(yè)中的應(yīng)用其中，藥物發(fā)現(xiàn)階段主要涉及靶點(diǎn)發(fā)現(xiàn)及驗(yàn)證、先導(dǎo)化合物發(fā)現(xiàn)、藥物從頭藥物靶點(diǎn)是指藥物在生物體內(nèi)的作用結(jié)合位點(diǎn)，包括基因位點(diǎn)、受體識別出疾病相關(guān)的靶點(diǎn)，進(jìn)而通過干預(yù)靶點(diǎn)調(diào)控疾病的進(jìn)程。能否找到創(chuàng)新性的藥物靶點(diǎn)，將在很大程度上決定藥物的創(chuàng)新性與可治愈疾病的范圍。出潛在的信號通路、蛋白質(zhì)相互作用等與疾病的相關(guān)性，輸出機(jī)體細(xì)胞上藥物能有效地發(fā)掘具有潛力成為藥物靶點(diǎn)的分子。多組學(xué)分析方法整合生物學(xué)數(shù)據(jù)，揭速藥物靶點(diǎn)發(fā)現(xiàn)。這些方法在藥物研究和開發(fā)中具有重要作用，并在未來發(fā)展中將變得更加關(guān)鍵。藥物設(shè)計(jì)的目標(biāo)是開發(fā)出具有特定性質(zhì)、符合特定標(biāo)準(zhǔn)的藥物，包括安全性、合理的化學(xué)和生物特性以及結(jié)構(gòu)的新穎性。近年來，利用深度生成模型和強(qiáng)化學(xué)習(xí)算法進(jìn)行新藥設(shè)計(jì)被認(rèn)為是一種有效的藥物發(fā)現(xiàn)方法。這種方法能夠繞過傳統(tǒng)基于經(jīng)驗(yàn)的藥物設(shè)計(jì)模式的限制，讓計(jì)算機(jī)通過自主學(xué)習(xí)藥物靶點(diǎn)和分子特征，以更快的速度和更低的成本生成符合特定要求的化合物。這種新方法為基于RNN的生成模型藥物在先導(dǎo)化合物的優(yōu)化方面發(fā)揮著作用。《GenerativeAImodelsfordrugdiscovery》中，研究者提出了一種名為“Scaffold-constrainedmolecula然后使用精細(xì)采樣程序?qū)崿F(xiàn)支架約束并生成分子。此外，還應(yīng)用了一種基于策略的強(qiáng)化學(xué)習(xí)算法來探索相關(guān)的化學(xué)空間，并生成與預(yù)期相匹配的新分種類型。SMILES-VAE是應(yīng)用最等技術(shù)相結(jié)合，在蛋白質(zhì)功能預(yù)測、小分子生成等方面發(fā)揮了重要作用?；诳沟乃枷胗?xùn)練生成模型和判別模型，擴(kuò)展了分子的生成空間，一定程度上彌補(bǔ)了基于配體的虛擬篩選（Ligand-BasedVirtu知活性配體的化學(xué)結(jié)構(gòu)和物理化學(xué)屬性篩選潛在活性化合物的方法。該方法以化學(xué)相似性原則為基礎(chǔ)，通過提取已知活性配體的分子描述符（例如分子指紋、分別出可能具有高活性的候選化合物。LBVS利用已知活性化合物的實(shí)驗(yàn)數(shù)據(jù)和經(jīng)驗(yàn)，結(jié)合建模技術(shù)生成預(yù)測模型，從而無需依賴目標(biāo)蛋白的結(jié)構(gòu)信息即可進(jìn)行篩選。這種方法廣泛用于發(fā)現(xiàn)具有特定生物活性的化合物，并加速藥物開發(fā)數(shù)據(jù)來源：《Artificialintelligencetodeeplearning:machineintelligencea標(biāo)蛋白三維結(jié)構(gòu)信息篩選潛在活性化合物的方法。SBVS通過對目標(biāo)蛋白的結(jié)合合能力。篩選過程中，利用目標(biāo)蛋白的三維結(jié)構(gòu)數(shù)據(jù)和化合物庫中的分子進(jìn)行對接模擬，從而計(jì)算化合物與靶點(diǎn)之間的結(jié)合能及結(jié)合模式，評估其作為先導(dǎo)化合物的潛力。SBVS的核心步驟包括蛋白結(jié)合位點(diǎn)的識別、對接評分函數(shù)的優(yōu)化以及結(jié)合結(jié)合的關(guān)鍵氨基酸殘基，指導(dǎo)先導(dǎo)化合物的進(jìn)一數(shù)據(jù)來源：《Artificialintelligencetodeeplearning:machineintelligencea4.2.1ADMET性的重要指標(biāo)之一。涵蓋了藥物能否被人體有效吸收、到達(dá)目標(biāo)組織等藥代動力而耗時(shí)，限制了人們對早期活性化合物的理解，也影響了進(jìn)一深度學(xué)習(xí)為代表的ADMET預(yù)測模型可以提取化合物相關(guān)結(jié)構(gòu)特征，評估多個(gè)這些模型利用藥物分子的結(jié)構(gòu)、電荷、溶解度、親水性、脂溶性、代謝途徑等特征作為輸入數(shù)據(jù)，同時(shí)也考慮藥物與蛋白質(zhì)的相互作用、藥物的代謝途徑等因素晶型預(yù)測是對目標(biāo)分子及其他可選組分在指定晶體空間進(jìn)行全局搜該空間內(nèi)熱力學(xué)穩(wěn)定的晶體結(jié)構(gòu)（包括實(shí)驗(yàn)結(jié)構(gòu)）及其穩(wěn)定性應(yīng)用場景包括：晶體結(jié)構(gòu)比對，確定實(shí)驗(yàn)晶體能量排序；轉(zhuǎn)晶風(fēng)險(xiǎn)評估；指導(dǎo)實(shí)數(shù)據(jù)來源：晶泰科技官網(wǎng)，財(cái)通證券研究所5AI制藥公司介紹結(jié)合人工智能（AI）和機(jī)器學(xué)習(xí)，為制藥、生物技術(shù)和材料科學(xué)領(lǐng)域的客戶提供薛定諤目前的主要項(xiàng)目涵蓋多個(gè)領(lǐng)域，包括腫瘤學(xué)、免疫學(xué)和抑制劑）主要針對實(shí)體瘤，正處于臨床前研究階段，展現(xiàn)了對難治性癌癥治療的數(shù)據(jù)來源：Schr?dinger公司官網(wǎng)，財(cái)通證券研究所薛定諤的研發(fā)不僅限于自研管線，還通過與大型制藥公司的合合作，推進(jìn)多個(gè)候選藥物進(jìn)入諾華的投資組合，并簽署了一項(xiàng)為期三年的軟件協(xié)禮來公司（EliLilly）的合作也備受矚0制藥開發(fā)相結(jié)合，加速新藥的發(fā)現(xiàn)和開發(fā)。公司總部位于英國倫敦，在劍橋設(shè)有旨在揭示新的生物學(xué)機(jī)制，預(yù)測新的藥物靶點(diǎn)，并開發(fā)首創(chuàng)或最佳療法，特別針公司研發(fā)管線覆蓋多個(gè)治療領(lǐng)域。自主研發(fā)的BEN-8744是一種用于抑制劑BEN-34712和CHK1抑制慢性腎病、心力衰竭及系統(tǒng)性紅斑狼瘡等疾病的新型靶點(diǎn)藥物。公司與默克（Merck）簽署合作協(xié)議，利用其端到識別到臨床前階段的藥物發(fā)現(xiàn)工作。此外，與阿斯利康（AstraZeneca）的合作集數(shù)據(jù)來源：BenevolentAI公司官網(wǎng)，財(cái)通證券研英矽智能（InsilicoMedicine）是英矽智能的核心技術(shù)平臺PHARMA.AI由PandaOmics、Chemistry42