策略对话专家：创新药出海和AI制药现状

AI制药产业趋势：数据驱动增量需求，创新药研发仍处改良阶段 摘要 ●AI制药整体成功率约11%-14%,目前主要集中于早期虚拟筛选与结构优化，在靶点假说及临床设计环节应用较少。●数据是核心壁垒，算法创新进入瓶颈期(多基于AlphaFold2微调),算力需求因缺乏突破性大模型而暂时处于低位。●AI管线多为已知靶点的Best-in-class或Fast-follow,严谨意义上的创新靶点/新机制药物极度稀缺(如Recursion)。●AI在小分子ADMET预测及大分子溶解度预测方面较成熟，但在毒性预测、免疫原性及复杂生物工艺(CGT等)中可靠性极低。●商业模式承压：AiCRO面临定价与信任悖论，软件销售模式(如Schrödinger)正被迫向自主研发管线转型。·上游CRO受益于AI增量需求：AWS、Anthropic等巨头海量下单蛋白表达(非直接研发药物),金斯瑞等公司营收预期大幅增长。●当前AI在医疗领域主要实现降本增效，尚未解决“探索未知”的科学问题，分子生成仍高度依赖高质量初始数据而非纯模型驱动。 Q&A 请概述一下传统药物研发的主要环节及其成功率，并说明AI技术目前主要应用于哪些阶段? 传统药物研发流程可分为以下几个阶段：首先是疾病靶点假说与靶点发现；其次是从靶点到苗头化合物；接着是从苗头化合物到先导化合物；然后是先导化合物的优化(LeadsOptimization);之后是临床前开发，包括大分子的CMC开发或小分子的PK/PD、ADMET开发等；最后是三期临床试验及申报上市。根据2014年的统计数据，各阶段的成功率大致如下：从靶点到苗头化合物约为80%,从苗头化合物到先导化合物约为75%,先导化合物优化约为85%,临床前开发约为70%。进入临床阶段后，一期临床的成功率约为54%,二期临床降至约34%,三期临床回升至约70%。最终申报环节仍有约10%的失败率。综合来看，一款新药从早期 探索到最终上市的整体成功率大约在11%至14%之间。目前，AI技术在药物研发中的应用主要集中在早期阶段，包括虚拟筛选、分子生成、亲和力预测、结构优化、ADMET性质预测以及多目标优化等方面。相较之下，AI在CMC开发、临床试验设计以及疾病与靶点假说等环节的应用则相对较少，其中靶点假说阶段因其纯研究性质，挑战尤为巨大。 目前由A!辅助研发并进入临床试验的药物管线进展如何?这些药物在创新性方面呈现出哪些特点? 截至目前，全球大约有24款声称由AI技术辅助研发的药物进入了临床试验阶段。其中，21款已完成一期临床试验，10款进入二期临床，并有4款成功完成了二期。从创新性角度分析，这些进入临床的AI药物管线呈现以下特点：绝大多数属于“Best-in-class”或“Fast-follow”类型，即针对已知靶点进行优化，而非全新靶点药物。其中，有三款属于工程创新，即在已知靶点的基础上进行分子形态或剂型等方面的改造，例如构建双特异性抗体。此外，也有部分项目属于旧靶点新适应症的开发。在严格意义上的创新药(即创新靶点、新机制)方面，目前仅有Recursion公司针对脑海绵状血管瘤的一款药物进入了临床阶段。总体来看，当前AI技术在真实世界的药物开发中，其主要挑战仍在于从零开始设计和开发全新机制的创新药，而在已有数据基础上进行优化和改进，则是其相对擅长的领域。 在AI制药领域，算法、算力和数据这三个核心要素的相对重要性是怎样的? 在AI制药领域，算法、算力和数据是三大核心要素，但它们的重要性并非均等。目前行业内的共识是，数据是最为关键的差异化因素。具体来看，算法的创新难度极大，根本性的突破非常少。例如，自AlphaFold2开源以来，绝大多数蛋白质结构预测工作都是基于其框架进行的工程优化或微调，并未产生本质性的算法差异。一个行业实例是，晶泰科技早期在与辉瑞的合作中，其基于物理化学方法的模型在力场上做了微调，表现优于Schrödinger,从而获得了大额订单，但这仍属于在现有方法论基础上的优化，而非颠覆性算法创新。其次，由于尚未出现像训练通用大语言模型那样依赖海量数据和庞大算力的突破性算法，生物医药行业当前对算力的依赖程度相对不高。因此，数据的重要性凸显出来。拥有高质量、标注清晰的专有数据成为构建竞争壁垒的关键。许多公司正致力于通过建立干湿实验闭环、构建内部数据管线(datapipeline)、整合外部数据源以及与CRO公司合作进行数据验证等方式，来积累和优化自身的数据资产。 Ai模型在药物研发全价值链的不同环节和不同分子类型上的应用可靠性有何差异? AI模型在药物研发全价值链中的可靠性存在显著差异。总体而言，AI在化合物优化、可开发性预测与改造以及质控数据分析等环节表现相对擅长。具体到不同环节和分子类型，情况如下：在药物研发早期，靶点发现的AI工具有一定的 可靠性，适用于小分子和大分子。然而，在苗头化合物发现(hitfinding)阶段，小分子的AI工具可靠性不高，大分子稍好但同样不是特别可靠。进入先导化合物优化和可开发性(如溶解度、稳定性)预测阶段，AI的应用则较为擅长，但可靠性也仅为中等水平。对于临床前的毒理药理，包括分布、代谢和免疫原性等方面的预测，AI的应用也处于中等可靠水平。在工艺开发环节，小分子药物的生产因其化学合成性质更接近纯粹的化工模拟，AI模型的可靠性相对较高。但对于大分子、多肽、核酸及CGT等依赖细胞生产的复杂生物过程，AI模型的可靠性普遍不高。在临床注册环节，AI在临床数据分析方面应用较多，但在病人筛选、基于基因组学的临床试验设计等方面仍有很大的探索空间，目前可靠性较低。在商业化生产的质控环节，由于主要涉及数据分析工作，AI模型能够较好地应用于确保批次间的一致性和产品稳定性，因此可靠性相对较高。 在靶点发现这一环节，除了新兴的AI工具外，行业内主要使用哪些传统的分析工具和数据库? 在靶点发现领域，除了新兴的AI公司开发的工具外，行业内长期以来依赖一系列成熟的传统工具和数据库。其中，应用最广泛、市场渗透率最高的商业化工具之一是QIAGEN公司的IPA(IngenuityPathwayAnalysis),它是一个基于知识图谱的通路网络分析工具。此外，还有许多开源或半开源的工具也备受青睐。例如，GeneCards和MalaCards这类数据库对企业用户收费，但费用不高，提供了丰富的基因和疾病信息。完全开源的平台如OpenTargets、STRING(蛋白质相互作用网络数据库)以及KEGG(京都基因与基因组百科全书)等，也是进行通路分析和靶点研究常用的重要资源。这些传统工具构成了当前靶点发现工作的基础。 在药物发现的早期阶段，例如知识图谱和分子生成方面，当前AI技术的应用现状、主要挑战及成功率如何? 在知识图谱(KnowledgeGraph)领域，尽管存在一些基于GNN或其他AI技术的应用案例，但其渗透率普遍不高，远未达到像IPA或GeneCards等工具的水平。这主要是因为该领域多数应用仍处于研究阶段，面临的挑战主要源于科学问题本身。在分子生成方面，以大分子为例，尽管前几年有通过生成方式设计分子的尝试，但实践证明挑战巨大。例如，David Baker团队在2025年发表的文章中指出，直接通过生成方式设计一个抗体几乎是不可能完成的任务。2026年3月也有研究表明，AI生成分子的成功率远低于传统的对接、重对接和交叉对接(crossdocking)方法，其根本原因在于AI模型缺乏对物理机制的深刻理解，纯粹依赖数据驱动难以成功。具体数据显示，在缺乏任何筛选数据的情况下，针对新靶点生成能结合的抗体的成功率极低，一项研究中243个生成分子仅有3个表现出弱结合。然而，当引入一轮噬菌体展示筛选，获得十几个阳性抗体数据后，再基于这些数据进行小规模训练，生成抗体的结合率可提升至15%到20%。同样，David Baker团队在2025年的研究也得出相似结论：在完全无数据的情况下，生成50个分子能有一个结合已属不易；而一旦有初始数据，成功率便能 大幅提升。分子之心在2026年发表的数据也印证了这一观点。在设计VHH(纳米抗体)时，针对公开数据库中已有大量数据的PD-L1靶点，其设计的30个分子中有26个能成功结合。但对于公开数据较少的PD-1靶点，尽管有大量传统单抗数据可供参考，生成的44个纳米抗体中仅有1个能结合。而对于像CD7这样数据极为稀缺的靶点，则几乎无法获得能结合的纳米抗体。这些案例共同指向一个结论：应用AI进行分子设计，必须依赖高质量的起始数据来构建基础模型。除了主流的基于序列模型(如语言模型)的生成方法外，业界也在探索其他路径，例如通过结构图像或物理模型、量子力学模型、图模型等方式生成抗体。一个加拿大的公司即是采用此类方法的案例，并已有管线推向临床。尽管如此，这些方向目前并非主流，在中国上百家AI制药公司中，绝大多数仍是基于序列模型开展工作的。 在药物的可开发性评估、临床前研究及CMC阶段，AI技术的应用现状、局限性以及面临的主要挑战是什么? 在可开发性评估方面，AI的应用效果参差不齐。对于小分子，ADMET预测因发展时间较长，准确性相对较高；但对于毒性预测，现有AI工具几乎完全不可用，许多案例甚至显示其判断结果与事实相反。对于大分子，AI在预测单克隆抗体的聚集性或溶解度方面表现尚可，但一旦涉及结构更复杂的抗体，效果便会急剧下降。大分子领域最大的挑战在于免疫原性的预测，目前几乎完全不准确，主要障碍是缺乏高质量的、与人体临床相关的真实世界数据。因此，在进行分子设计与优化时，必须明确AI能够提供帮助的方向和其能力边界。在临床前和CMC阶段，AI在特定环节展现出应用潜力。例如，小分子的逆合成路线预测在过去三四年间取得了显著进步，基于海量的合成数据，目前已接近实际可用水平。在分析方法开发方面，由于其核心在于数据解析，这也是AI较为擅长的领域。然而，在工艺优化部分，特别是涉及细胞培养的生物制剂生产，AI的应用难度较大。由于细胞机理的复杂性和未知性，当前的模型多为混合模型(hybrid model),AI在这一领域的表现并不突出。不过，传统实验方法本身在该环节的成功率并不低，通过实验筛选仍能找到合适的生产方式。 结合AI制药领域近年来的发展，当前行业内普遍认为哪些方面被高估，而哪些因素又被认为是成功的关键? 经过近年来的发展，行业对AI制药的认知趋于理性。目前被认为有所高估的方面包括：首先是算力和GPU规模，因为当前在真实世界中应用效果显著的大模型或极度依赖大量算力的算法尚未出现，因此算力本身并非核心瓶颈。其次是单点算法的SOTA(State-of-the-Art)成就，制药是一个系统工程，追求的是多种性质的平衡，而非单一指标的最优化。药物开发需要在不同性质间进行权衡取舍，例如，2025年亚马逊与XtalPi对超过9,000个蛋白的表达研究证实，提高亲和力的同时也会增加非特异性结合的风险，这说明单纯提升某一性能对成药并非关键。最后，AI模型的“黑箱”特性是一大挑战，尤其是在GMP或FDA等监管要求下，纯粹由数据驱动且无法解释的黑箱平台不被允许用于药物开发，尤其是在 后期阶段。申报材料必须清晰说明决策过程，这对AI的可解释性提出了明确要求。与之相对，当前被认为是成功的关键因素包括：第一，高质量且经过良好标注的数据，这是驱动模型性能的根本，许多科技巨头进入生命科学领域时，会首先委托CRO生产专属的高质量数据。第二，跨学科的深度合作，AlphaFold从1到2的巨大飞跃，关键就在于引入了具备生物学和蛋白质进化知识的专家，他们提出的“序列相似则结构相似”的假说，极大提升了模型预测的准确性。这表明，在数据不足以完全驱动模型时，引入科学假说至关重要。第三，强大的湿实验(wet lab)与干实验(drylab)结合能力以及临床转化能力，从早期发现到IND申报，整个过程需要大量的实验验证来支撑，确保药物能够持续推进。 当前AI制药公司的主要商业模式有哪些，各自面临怎样的挑战和发展趋势? 目前AI制药公司的商业模式主要