人工智能如何改写药物开发经济学

核心观点： AI 正在重塑药物发现流程，通过自动化和加速设计-构建-测试-学习 (DBTL) 循环来提高效率。AI 在药物发现中具有生成大量想法的能力，但其在验证和表征方面的能力仍然有限，需要湿实验室工作。

关键数据：

• 药物发现成本每九年翻一番（Eroom 定律）。
• 约有 85% 的临床前药物发现工作涉及构建和验证。
• 预计 10-15% 的制药研发支出用于工具相关支出（仪器、消耗品和试剂）。
• 生物信息学基础模型数量和平均湿实验室输入量都在快速增长。

研究结论：

• AI 对大多数生命科学工具和服务公司来说是净利好，因为它们的产品位于药物发现工作流程中。
• AI 最大的经济机会在于帮助提高临床前候选药物的 chất lượng，从而降低临床失败率，尤其是在 II 期临床试验阶段。
• AI 不会取代湿实验室工作，反而会增加对构建、验证和迭代候选药物的需求。
• 需要更多高质量、标准化的实验数据来训练下一代生物信息学基础模型。
• AI 将在理解人类生物学、识别药物靶点、重新定位现有药物以及发现和/或设计新药方面发挥作用。
• 预计 AI 将成功提高药物发现的效率（即批准药物所花费的时间和成本）；然而，生命科学工具生态系统的经济敞口并未大量加权于假设创建（AI 正在产生影响），而是加权于假设验证（这仍然需要在现实世界中发生）。