中国AI制药企业白皮书

中国AI制药企业白皮书 White Paper on Chinese AI Pharmaceutical Enterprises 成都高投生物医药园区管理有限公司摩熵医药数字科技（成都）有限公司总编辑：王中健2023年11月30日 免责声明 DISCLAIMER 本报告基于本公司（摩熵医药数字科技（成都）有限公司）及其研究人员认为可信的公开资料和文献，反映了研究人员的研究观点，结论不受任何第三方的授意或影响。但本公司对这些信息的真实性、准确性、可靠性和完整性不作任何保证，且本报告中的资料、意见、预测均反映报告初次公开发布之前的判断，可能会随时调整。本公司可在不发出通知的情形下对本报告所含信息做出修改，读者应当自行关注相应的更新或修改。 本报告所有的信息或观点仅作为读者的参考，不构成任何投资、法律、会计或税务的建议，也不构成任何广告或要约。在任何情况下，本公司不对任何人因使用本报告中的内容所致的损失承担任何责任。 本报告相关的知识产权归本公司所有。未经本公司事先授权，任何人不得对本报告进行任何形式的翻译、发布或复制。如需引用，应注明出处为“摩熵医药数字科技（成都）有限公司”以及“中国AI制药企业白皮书”名称，且不得对本报告进行有悖原意的删节或修改。如需联系本公司，请联系：yangjianyun@bcpmdata.com。 编制说明 作为近年来技术变革的重要力量，AI在生物医药领域展示了极大的应用潜力。国家发改委2022年发布的《“十四五”生物经济发展规划》提出，要利用云计算、大数据、人工智能等信息技术，对治疗适应症与新靶点验证、临床前与临床试验、产品设计优化与产业化等新药研制过程进行全程监管，实现药物产业的精准化研制与规模化发展。随着AI浪潮席卷全球，生物制药也被视为大模型有望率先落地的场景之一。 基于此，2023年10月，成都高投生物医药园区管理有限公司联合摩熵医药数字科技（成都）有限公司，共同编写了《中国AI制药企业白皮书》，希望为业界厂商、政府机构等相关方提供有益思考，共同推动产业高质量发展。 由于时间仓促，水平所限，我们的工作还有不足之处。下一步，我们还将广泛采纳各方面的建议，进一步深入相关研究，持续完善白皮书内容，在已有版本的基础上，适时修订发布新版。 出 品 方 ：总 编 辑 ：副 总 编 辑 ：责 任 编 辑 ：执 行 主 编 ：副 主 编 ：编 写 专 家 ：版 面 设 计 ：2023年11月摩熵医药数字科技（成都）有限公司成都高投生物医药园区管理有限公司王中健肖海波戴祁江丹张祯杰王婷赖庆刚李亚玲杨建云王婷衡星黄镕梁崇晟陈悦 目录 第一章人工智能（AI）制药行业概览 0910111314 人工智能的基本概念AI制药是AI产业化中重要的应用场景AI制药行业发展历史AI制药行业配套政策分析AI制药行业投融资现状分析 第二章AI+药物发现 AI助力药物发现阶段概览AI助力药物靶点发现与验证AI驱动药物分子设计、优化AI辅助药物分子筛选 第三章AI+临床前研发 AI助力药物临床前研发概览AI辅助药物理化特性预测AI辅助药物剂型设计AI助力药物ADMET性质预测AI+临床前研发国内企业布局 第四章AI+临床研发 AI助力新药临床试验概览AI助力受试者招募管理AI助力预测临床试验效果AI助力临床试验数据管理AI赋能药物注册申报 第五章AI+药物生产及商业化 AI赋能药物生产支持AI赋能药物市场开拓与商业化AI逐步应用于药物警戒领域 第六章AI制药行业总结及未来展望 现状分析及展望上市企业商业化模式全球主要AI制药上市企业 第一章 人工智能（AI）制药行业概览 ◼人工智能的基本概念 人工智能（ArtificialIntelligence，AI），是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。 人工智能是一个广泛的领域，包括专家系统、多智能体系统、进化计算、模糊逻辑、机器学习、知识表示、推荐系统、自然语言处理系统和计算机视觉等多个方面。其中，机器学习技术是应用最广泛的一种技术，具体包括以下几种方法：监督式学习、无监督式学习、半监督学习、集成学习、深度学习、强化学习、回归分析、分类聚合、量度学习、因果关系等。各类机器学习技术在各个领域都有广泛的应用，推动了人工智能的发展和应用。 人工智能作为新一轮产业变革的核心驱动力，将进一步释放历次科技革命和产业变革积蓄的巨大能量，并创造新的强大引擎，重构生产、分配、交换、消费等经济活动各环节，形成从宏观到微观各领域的智能化新需求，催生新技术、新产品、新产业、新业态、新模式，引发经济结构重大变革，深刻改变人类生产生活方式和思维模式，实现社会生产力的整体跃升。 ◼AI制药是AI产业化中重要的应用场景 AI制药（AIDD）是指利用AI技术在药物研发、药物设计、药物筛选、临床试验和药物生产等各个环节中应用的制药领域。AI在药物研发中可以通过数据挖掘、机器学习和深度学习等技术，加速药物发现和设计过程，提高研发效率和成功率。AI还可以在药物筛选中帮助挑选出具有潜在疗效的候选药物，降低研发成本和时间。在临床试验中，AI可以帮助优化试验设计、招募适合的患者群体，并提供数据分析和预测，加快药物上市进程。此外，AI还可以应用于药物生产中的质量控制、流程优化和智能化管理等方面，提高药物的生产效率和质量。 随着AI技术的发展，AI技术基本实现了药物研发与市场化全流程的覆盖，特别是在药物发现和临床前阶段取得了显著进展。药物发现和临床前研发阶段是AIDD的主要优化环节，也是AI制药企业主要的研发及商业化方向。利用AI技术，企业能够在药物发现和临床前研发阶段，节约大量湿试验成本与时间成本，并实现高通量筛选，助力更多新靶点的发现与“老药新用”的适应症拓展。未来AI技术将持续发展，相信能够在药品临床开发、上市后生产与商业化等方面更进一步。 ◼AI制药行业发展历史 图表1AIDD行业发展历程[1] 纵观AIDD行业的发展，主要分为3个时期： ⚫1956年~1981年的技术积累期，该时期是相关概念的早期构想阶段，但由于技术限制未能成功实施； ⚫1981年~2012年计算机辅助药物设计（CADD）研发时期，CADD的虚拟筛选，可用于寻找有希望成药的苗头化合物进行药物开发，但CADD是药物发现过程的支持部门，而不是核心部门。CADD仅缩短药物发现时间，受限于工艺优化、临床、注册等环节，新药数量并未出现激增。 2012年~至今的AIDD高速发展期，该时期迎来的AI技术的“井喷式”发展，AIDD相关论文数量迎来“指数级”增长，相关技术栈逐步丰富完善。 在药物发现及临床前研究阶段，基于从前的CADD技术，结合人工智能、机器学习和深度学习等技术，可以处理大量的生物数据，从而在药物开发全过程中减少时间和成本。 同时，区别于CADD研发时期主要聚焦于药物发现阶段，AI技术逐步应用于药物开发全流程。如：临床前研究中的剂型开发、工艺优化等；临床研究阶段的受试者筛选及结果预测；药物生产过程中的智能化生产管理、生产工艺优化。AIDD行业相对起步较晚，但管线数量逐年增加，头部AI药企临床前研究管线中药物数量已接近传统头部药企的50%，并已经有多款药物进入临床阶段。 ◼AI制药行业配套政策 AIDD行业，是在近年才开始崭露头角的新兴领域，相比传统制药行业，它起步较晚。这主要是因为AI技术的发展和应用在医药领域的探索相对较新。然而，随着人工智能技术的迅猛发展和在医疗领域的广泛应用，AIDD行业正逐渐崭露出巨大的潜力。 尽管AIDD行业发展迅速，但相关的配套政策相对较少。由于AI技术的复杂性和涉及的伦理、法律等问题，政府和监管机构需要时间来理解和评估其潜在影响，以制定相应的政策和法规。美国、欧洲等国家及地区，行业起步较早，经过多年的发展及规划初版的监管政策于近年才推出。 目前，国内AIDD行业相关政策起始于“十四五”时期，主要以政府宏观政策为主，相应的执行发展政策及监管政策，还需要随着国内行业逐步深入发展而进行细化、完善。 各省都紧跟国家政策的方向，因地制宜出台了各地的特色政策。以AIDD行业产业布局最密集的上海为例： ◼AI制药行业投融资现状 近年来，AIDD行业曾短暂成为投资的热点，其中2021年行业融资金额达历史高点，超过290亿美元。2022年以来，受资本环境影响，行业投资“热潮”已经有所退却，回落至相对稳定水平，预计融资金额将处于下行水平。AIDD资金回报周期长，全球投资者偏好选择成长期（69.4%）和初创期（19.2%）企业，中国投资者选择初创期、成长期、成熟期比例分别为33.1%，42.6%，23.9%[1]。 AI+药物发现 ◼AI助力药物发现阶段概览 图表1 AI技术通过三方面助力药物发现阶段研发 ◼AI助力药物靶点发现与验证 随着微阵列、RNA-seq和高通量测序（HTS）技术的发展，高校、研究机构及企业实验室产生大量的生物医学数据，当代药物发现也因此进入了生物大数据时代。随着生物大数据分析，药物发现研究的重点逐渐转向靶向药物发现，即以“基因-药物-疾病”为中心，通过AI技术分析与疾病高度相关的靶点，发现酶、蛋白质或其他基因产物，以及针对该靶点的小分子。 药物靶点发现策略包括实验方法、多组学分析方法和AI计算方法。实验方法受限于通量和成本，而基于AI技术的多组学分析方法和AI计算方法能够高效、有效地发掘具有潜力成为药物靶点的分子。多组学分析方法整合生物学数据，揭示疾病关键靶点，而AI计算方法利用机器学习和数据挖掘技术筛选化合物库，加速药物靶点发现。这些方法在药物研究和开发中具有重要作用，并在未来发展中将变得更加关键。 ◼最新技术举例 ◼利用多组学数据训练机器学习/深度学习模型进行靶点发现： 近年来，基于机器学习的算法，特别是深度学习方法，在制药领域取得了显著成果并引起了广泛关注。深度学习，也被称为深度神经网络，由多个隐藏层节点组成，通过级联方式逐步进行数据处理和特征提取。与传统的机器学习方法相比，近期更加先进的基于深度学习的架构，如生成对抗网络（GANs）、循环神经网络和迁移学习技术，在制药方面广泛应用，例如新型小分子设计、衰老研究以及基于转录数据的药物药理预测。此外，利用公开可用的多组学数据和文本挖掘，深度学习还在未满足临床需求的疾病方面发挥着重要作用。 ◼大语言模型通过文献挖掘发现治疗发现 基于大型语言模型的聊天功能，如微软的BioGPT和InsilicoMedicineiv的ChatPandaGPT，通过对从数百万论文中提取的大量文本数据进行预训练，可以将疾病、基因和生物过程联系起来，从而快速识别疾病发生和进展的生物学机制，并发现潜在的药物靶点和生物标志物。 ◼使用AI生成的合成数据进行靶点识别 “合成数据”是指通过人工生成的数据，它可以模拟真实世界中的模式和特征。借助人工智能算法，能够创建合成数据，以模拟各种生物数据，从而帮助研究人员探索和分析新药物的可能。这种方法在实验数据稀缺或难以获得的治疗领域尤其有价值。举例来说，在罕见疾病或患者数据有限的情况下，人工智能可以基于现有的知识和模式生成合成数据。然后，我们可以利用这些合成数据来训练人工智能模型，并识别可能被忽视的潜在治疗靶点。 ◼国内企业布局 AI靶点发现需要大量的生物数据来训练模型，并需要专业人员对数据进行清洗、预处理，去除冗余和错误数据，并对数据进行标准化和格式化。对于AIDD初创企业而言，与大型制药企业相比，他们面临着生物实验场景数据严重不足的挑战。在短时间内难以积累足够的数据量。因此，AI靶点发现技术在初创企业中具有一定的门槛。 国内能够进行靶点发现的AIDD企业约32家[1],主要分布在北京、上海、深圳等地区，具体企业名称及布局技术领域如下表所示。值得注意的是，AI靶点发现