AI制药行业深度：行业概况、市场空间、产业链及相关公司深度梳理

人工智能技术与生物医药产业的深度融合正在重塑全球制药行业的创新格局。全球AI制药市场保持稳健增长态势，据艾媒咨询最新数据，市场规模从2021年的7.9亿美元增长至2024年的18.2亿美元，2025年已实现24.1亿美元，预计2026年将达到29.9亿美元；中国AI制药市场同步快速发展，2020年中国AI制药市场规模为0.8亿元，较2019年增长14.29%。2021年市场规模增速明显提升，达到100%，表明了中国AI制药市场开始进入快速发展阶段。2022年市场规模进一步增长至2.9亿元，2023年市场规模跃升至4.1亿元。2024年市场规模达到5.6亿元，同比增长36.59%。2025年市场规模突破6亿元。 沿着以上产业趋势，我们对AI制药行业进行分析梳理，试图从AI制药行业概况、AI赋能药物研发范式革新、具体政策环境等基础问题为切入点，进而对AI制药行业产业链情况、市场格局、商业模式、相关公司发展情况进行梳理。同时，也将在这些问题的基础上，对AI制药行业的市场空间进行分析，以期通过上述问题，对大家了解AI制药行业有所启发。 目录 一、AI制药行业概况......................................................................1二、AI系统性赋能药物研发范式革新........................................................4三、具体政策环境.........................................................................9四、产业链分析..........................................................................11五、市场格局............................................................................15六、从Schrödinger看AI制药商业模式变迁.................................................19七、相关公司............................................................................21八、市场空间............................................................................24九、参考研报............................................................................26 一、AI制药行业概况 1、AI药物研发概述 AI制药是指将NLP、深度神经网络，生成模型等AI技术与传统制药环节相结合，提升新药研发效率，拓展药物创新空间的技术应用。AI医疗大模型基于深度学习、自然语言处理等技术，整合海量生物医学数据(如蛋白质结构、基因序列、临床试验数据)，赋能药物研发全流程，包括新药发现(靶点发现、虚拟筛选、蛋白质结构预测)、新药开发(ADMET预测、晶型预测、合成路径)、临床试验优化(患者分层与剂量预测)。 具体应用：基于物理化学原理的AI算法提升小分子药物研发效率；在细胞与基因治疗(CGT)领域，AI也可赋能抗原识别、载体设计、放大优化等关键环节。 2、AI技术发展对制药行业的影响 （1）新药研发过程漫长且花费巨大，AI有望提高效率 新药研发具有技术难度大、投入资金多、研发风险大、回报率高和研发周期长等特征，随着疾病复杂程度的提升，新药研发难度和成本迅速增加，全球新药研发成功率呈明显下降趋势。 2019年，艾昆纬（IQVIA）发布报告指出，新药从临床试验开始到研发结束的平均开发时间在过去10年里增加了26%，2018年达到12.5年；新药开发成功率不断下降，2018年降至11.4%。 人工智能（artificial intelligence，AI）的发展，为新药研发带来了新的技术手段。通过机器学习（machinelearning，ML）、深度学习（deeplearning，DL）等方式赋能药物靶点发现、化合物筛选等环节，大大提升了新药研发的效率，为降本增效提供了可能。应用AI技术，可缩短前期研发约一半时间，使新药研发的成功率从当前的12%提高到14%，每年为全球节约化合物筛选和临床试验费用约550亿美元。 （2）AI+新药研究算法 AI技术涵盖ML和DL。ML算法在新药研发领域被广泛用于分类和回归预测等方面，常见的ML算法包括决策树、随机森林、支持向量机、k-最近邻算法、朴素贝叶斯分类器等；DL算法包括深度神经网络、卷积深度网络、循环神经网络和自编码器。DL算法适合处理大数据，模型也更为复杂。随着计算机性能的提高和数据量的积累，DL算法在新药研发中的应用越来越广。 新药研发过程涉及大量的数据，包括文献资料、化合物数据、靶点数据、专利数据、临床试验数据、真实世界数据、药品审评审批数据、市场销售数据等。面对海量、多源、异质性的数据，AI技术应用已逐渐跳出以靶点和分子筛选为核心的传统新药研发模式，形成以数据为核心的研发模式。 3、受多因素驱动，AI制药领域持续蓬勃发展 受加速药物研发的需求增加、AI应用领域的拓展、配套政策的支持等多因素驱动，AI制药领域有望蓬勃发展。 药企对药物研发加速的需求日渐增加，推动AI制药持续发展。基于AI的药物研发有助于解决传统药物研发面临的效率较低、研发周期较长、失败风险较高等难题，通过革新现有研发方法，驱动AI制药快速发展。从研发效率上分析，根据Frost&Sullivan的数据，传统药物发现过程需花费4-6年时间，但在药物发现阶段使用AI相关技术可减少所需时间，满足增加药物研发效率的需求。 AI技术的持续进步，加速其在新药研发的应用落地。行业数据量的持续增长、机器学习以及生成式人工智能等持续发展，驱动人工智能更高效地分析大量数据，在减少药品研发试验人力的同时，提高识别合适药物靶点的效率，通过筛选成功率更高的分子，降低药品研发成本和提升药品研发效率。目前商业化应用上已逐步实现AI技术为临床前和临床阶段药物研发的赋能。例如：临床前阶段可通过高通量筛选技术实现化合物筛选、通过建模实现功能的推断或寻找对疾病形成影响的蛋白质以确定药物靶点等；临床阶段可从利用机器学习和自然语言处理技术改善临床试验的设计等。 近年持续推出相关产业配套政策，助力AI制药行业的发展。针对AI在药物研发领域的运用，欧美以及国内陆续出台相关政策进行合理监管和鼓励发展。其中，国内方面，《（十四五）国家高新技术产业开发区发展规划（2020-2025）》、《（互联网+）人工智能三年行动实施方案》、《（十四五）智能制造发展规划》等政策均强调在生物技术行业等关键行业进行技术创新，并推动产业向自动化转型。 4、AI制药行业即将步入收获期 初步拓展期（2013年-2017年）：AI制药行业开始展现出更广泛的应用潜力。生成对抗网络等新型神经网络结构的出现，为药物分子生成与靶点预测提供了新的工具。InsilicoMedicine等企业的研究证实了AI在优化药物研发流程、提升化合物质量方面的可行性。这一阶段，AI制药逐渐引起了制药企业和研究机构的关注，为行业的进一步发展积累了经验和数据。 技术提升期（2018年-2019年）：IBMWatson和DeepMind的AlphaFold分别在临床试验匹配和蛋白质结构预测上取得重大突破，引发了一轮投资热潮。大量资本的涌入推动了相关技术的快速发展，AI制药在药物设计品质和效率上得到了显著提升。这一时期，AI制药技术得到进一步完善，为行业的快速扩张奠定了基础。 快速扩张期（2020年至今）：自2020年起，得益于AI技术已广泛应用于药物研发全流程和疾病诊断等领域，且MNC对AI制药的重视和参与程度持续提高，AI制药行业进入快速发展阶段。 二、AI系统性赋能药物研发范式革新 1、传统药物研发：“双十困境”下的效率瓶颈 传统药物研发遵循漫长的标准化路径。按照美国食品和药物监督管理局的分类，典型药物研发流程主要包含4个环节： 药物发现：确定与疾病相关的生物靶点，通过基因敲除、RNA干扰等技术验证靶点效果。接下来利用高通量或虚拟筛选技术，从数十万个化合物库中寻找能与靶点结合的苗头化合物。通过对苗头化合物进行化学结构微调，初步改善药代动力学性质，并最终确定PCC。根据Paul（2010）等学术专家的研究，该阶段平均耗时4.5-14.5年不等。 临床前研究：药物进入人体试验之前，必须在实验室和动物身上分别进行体外和体内实验以证明其安全性。该阶段涉及药理学研究、毒理学评价和制剂开发等，通过后方能向监管机构提交IND。该阶段的实验规模通常不大。 临床研究：临床研究指人体实验，是风险最高、耗资最大的阶段，通常分为三期：I期评估安全性与耐受性，II期小范围验证疗效与剂量，III期面向大规模患者开展确认性试验。该环节平均耗时6-8年。 发布与上市：药企提交所有实验数据，监管机构进行严苛审查后批准上市，药物上市后可在更广泛的人群中观察长期副作用及特殊人群的反应。 传统药物研发面临长周期、高投入、低成功率的难题。传统药物研发有“双十困境”：一款新药从实验室走到患者市场平均耗时超过10年、耗资超过10亿美元。而由于医药行业的反摩尔定律，每10亿美元的研发投入产出的新药数量在以每9年时间减半的速度衰退，因此当前药物研发成本更高。根据塔夫茨大学等2016年的研究，研发一种新药的平均成本已高达约26亿美元；另根据斯坦福大学等2025年的研究，平均耗时为12-15年。此外，即使进入临床的药物也平均只有10-20%的成功率，只有万分之一到二的合成物能经批准最终上市。 药物研发中较为关键的优化环节在靶点发现至PCC阶段。根据礼来2010年的研究，如果将研发支出更多转移到早期靶点选择和临床前发现上，后期临床成功率将大大提升，其对单药综合研发成本降低的贡献可达20-25%。具体来看，早期研发环节存在以下痛点和优化空间： 靶点发现环节：传统研发通常通过文献发掘、多组学分析识别靶点，并用基因敲除、动物模型实验等进行验证，其过程高度依赖生物学假设和漫长的实验试错，而且动物模型的生物学机制也和人类存在较大差异，不确定性大。 先导化合物发现环节：传统研发通常通过高通量或虚拟筛选寻找能作用于目标靶点的候选分子，但理论上的类药化学空间有1060种分子，实体化合物库仅有百万量级，实验成本高且筛选效率有限、容易假阳性，且较难完全覆盖具有全新骨架的优质分子。 先导化合物优化至PCC环节：传统研发基于经验和构效关系对先导分子进行“设计-合成-测试-分析”的反复迭代，以提升其药效、组织选择性及药代动力学性质，最终确定PCC。该阶段往往需要经历数百次化学结构迭代，研发周期长且试错成本高。 2、技术演进复盘：从CADD到AIDD的范式升级 在AIDD之前，CADD（Computer-AidedDrug Design，计算机辅助药物设计）提供了药物研发从经验驱动向理性设计转变的早期方法论基础。CADD的概念最早在70年代提出。从方法论上看，CADD主要包括两类路径：一类是基于物理化学原理的模拟计算（如分子动力学、自由能计算），通过将药物分子与靶点视为物理化学体系来刻画其相互作用；另一类是基于统计与经验规则的数据驱动方法。 随着GenAI技术兴起，AIDD（AI-Driven Drug Discovery，AI驱动药物研发）正推动制药行业由“经验驱动+试错优化”向“数据驱动+生成式设计”的范式升级。AIDD通常指利用深度学习、强化学习及生成式模型等AI技术，对靶点发现、分子设计、性质预测及实验优化等研发环节