AI for Science产业进展与投资机会20260825

发布时间：2026-08-25 一、AI总结内容 一、核心产业进展 1. 核心技术突破：包括AlphaFold3推动蛋白质结构预测从人力耗时几年到快速产出百万级别预测成果，生成式AI实现从分子筛选到从头构建全新分子的跨越，多模态数据融合应用于靶点发现与临床阶段。 2. 标志性案例：Moderna个性化mRNA肿瘤疫苗获三期临床成功，借助AI优化抗原筛选、序列稳定性等环节，加速研发流程；英矽智能ITF-RPS管线进入临床三期，为全球首家推进该靶点三期的AI制药公司。 二、投资相关分析 1. 产业商业化：全球AI制药合作规模快速增长，2021-2025年合作金额与数量大幅提升，2026年上半年已有合作金额超150亿美元，商业化进度加速。 2. 产业结构与竞争格局：AI for Science分为算力、模型、应用、终端客户四层，国内港股上市的头部公司有金泰、英矽智能、基泰，具备全球竞争力，第二梯队为深耕细分领域的公司，还有华大等布局基础设施。 3. 公司特征：头部公司有大客户背书，需关注算力投入规模（单公司年投入通常上亿级别），合作模式含技术服务、资产授权、联合研发三类。三、未来趋势与关注点 1. 行业趋势：AI for Science将开启科研新范式，多模态数据融合、因果推断提升可解释性、agent应用、算力支持是核心发展方向。 2. 关注标的：港股AI for Science板块将随更多公司上市持续扩容，需跟踪已上市的金泰、英矽智能、基泰，以及提交招股书的头部生科、深度原理等公司进展。 四、风险提示 现阶段尚无AI发现药物获批上市，产业仍处早期，需关注技术落地不及预期、商业化推进速度慢等风险。 二、音频原文（转写） 与整个这个AI for science的一个产业技术也是非常关注啊。那我们上周的话呢，也看到了这个modern的它的一个。新的一个个性化疫苗治疗的一个方案，获得了三期临床的一个成功。那么呃也再次让整个市场对于嗯IFSI CH药这个领域呃又这个重新关注起来啊。 那我们过去的呃两三年当中的话呢，呃也在持续的呃这个研究整个行业的一个进展啊，我们也看到像港。股市场也陆续的有很多家呃相关的公司呃都登陆了这个资本市场，包括呃最早的金泰，再到今呃去年幺二三零的英西，呃再到今年五幺三的基泰啊，以及未来。呃。已经在申报过程当中。 うん。呃，像这个外头生科。神社 呃，美嘉等等一系列的这种。光是 那我们也看到整个行呃产业的一个这个完备。 程度也在这个。急剧的提升 啊，那今天的话呢，我们也重点给大家介绍一下全球的AI。はい、すいません 。的一个进展，以及产业的一个发展的一个趋势。 啊，那实际上我们 哦。呃，过去的几年当中的话呢。呃，也能够看到就是这个。行业的 呃。 核心的这个。技术趋势是。今日。非常大的一个突破的。 那这个呃。呃，首先的一个就是结构双学这一块的一个。非常大的一个革命。代表的一个工具就是AlphaFold3啊。 那因为 实际上我们之前看到，就是说。小蛋白质的这种。单位的结构预测。是非常难的。 那么，呃，生成以前依托于人的这种方式去生成一个比较完整的一个蛋白质结构的这种序列的话呢，可能需要一两年的时间啊。很多的可能博士学位它最后的一个论文就是去做一个蛋白质的一个结构。那在过去的可能几十年当中啊，整个蛋白质结构也就累积出来了几万个啊。但是像阿尔法霍格三这样的工具出来之后的话呢，那很快的就能把这个蛋白质结构。 完整的呃给这个测出来啊，以及还可以做预测。那它的这个能够去预测的时候，蛋白质结构的数量就是可能就达到百万级别了。所以它跟以前这种完全靠于人的这种方式去做这个。呃，结构预测这一块是有非常大的一个变化。 那我们也看到24年的诺奖就是颁给了在整个结构生物学有突出贡献的阿克否的两位创始人，还有一个呃。生物学家。那第二个的话呢，就是我们 能看到。生成式的人。 大家的话呢，也重复了。呃。alright. 这个所在的一个研发。那呃，这个。 它的这种模式，从以前的这种单纯的筛选已有的分子到 就是从头去创打造这种。呃，全新分子的这样的一个跨越。啊，那么现在的这种我们看到的。药物发现当中的心理筛选，这些环节都是从 可能。 办过这种。新的分子当中去做筛选啊。而不是从已知的这种化合物的这种库当中去做筛选。啊，那实际上这个亮点。 非常大。呃，就就大的一个跨越。那那就更不用说。让这个 蛋白质结构啊，然后以及啊。 R N A的一些疗法。嗯。I do. 实际上就是跟过去几十年接触，一个很人类化学家学。傷は出てくるかも。 分子设计，蛋白设计。啊，都有的，非常大。的一个突破。就无论是从成药性还是亲女性，以及特异性来看的话呢，呃，都比传统的通过人的这种方式，呃，有了非常大的这种创新。 而第三块的话呢，就是呃，能够去做多模态的数据融合。那这一块的话呢。一个是在前期的就是靶点发现这一块的呃很重要，呃，因为呃目现阶段呢很，有其实有很多的这种疾病，它存在的一个研发的一个难点是在于他 没有找到他的致病靶点。啊，那这一块其实是需要大量的这种数据的临床研究，能够去把呃像基因组学，然后影像啊，电子病历这些结合起来。 嗯，帮助这个科学家去找到这个致病靶点，才能才有可能针对性的去做这种药物的研发。嗯。另一块就是在临床阶段，啊，那么临床的一二三期当中的话呢，实际上呃依托于AI的这种工具，多模态的这种。数据融合才能够更好的。 去这个。嗯。呃，做这种患者分层、患者入组啊，个性化的治疗。啊。 去提高这个。临床实验阶段的一个。啊。成功率 啊，以及未来的我们看。 讲的真美妙。那这个呃 动态数据这一块的话呢，实际上。呃，未来 他的这个养护面积非常大。啊，因为它涉及到更多的是金融医疗。 啊，因为前期的咱们讲的时候要要发现。呃，还有这个上市之后的话，它其实都还是通用的治疗中枢。当时。但是特别是像一些肿瘤的一些药物的话呢，它 影响他的个性化治疗。 这是非常关键的啊。那就是。就是不同的这种患者，他对于同一个药物的不同的剂量啊，受试程度啊。呃，看其实都不一样的啊。 就是真正的，如果要是。未来的精准医疗的话。他一定是离不开这种动漫。这种数据的融合。 啊，那从就是这个呃哎制药的一个全流程的一个工业的角度上来看的话呢，呃，一个就是刚才我也提到的一个靶点发现这一块，现在是非常新的一个市场。那么在北美来看的话呢，呃，已经开始从高校团队的研究开始去往商业化去转型了。啊，这两年我们也能看到一些非常早期的一些商业化的合作啊，就是药企跟。那天是我八点发现的公司的。 呃，商业化的合作啊，那这一块其实呃，如果未来草通的话，嗯，它能够极大的去拓展啊，药物制药行业的一个空间啊。因为应该说可能有百分之九十的疾病，它还没有找到这个致命靶点。那呃，如果靶点能够逐一的突破的话呢，那这一块儿呃。未来这种。 治疗的可能性就会大幅提升。第二块就是分子设计。啊，分子设计这一块儿的话呢。只是呀。 相对会比较成熟的人。这有一句多少个？呃，大概已经发展了。啊，就是从特别是小分子。 小分子的这种。设计的时候。模型来说的话。他能够去快速的去。 筛选优化 具有这种高活性、高选择性的这种候选药物分子。啊，那。来提高它的这个成药性和疗效。那临床这一块的话呢？ 就是。对这个临床试验的结果进行预测和风险评估，然后找到 呃，受。适合的这种。患者是入组。 然后提高这个临床阶段的一个成功率。那从这一次的就是大家比较关注的这个。哦，猫奶奶的她。他的这种个性化。 M N A的一个疫苗的一个。呃，成功。当中的话呢，我们看到 嗯。他也是这个。 起到了非常重要的一个作用。啊，那 他对于就是这个他的这个 患者入组。在一个这个。呃 抗原的。 ああ、最高。识别。啊，方面是。这个二。 做了非常大的一个优化啊。他是借助AI去预测这个。M R A的一个序列稳定性和免疫原性。然后这个呃，加速去。 候选疫苗研发迭代 啊，那嗯 他呃，对。呃，跟以前这种传统的这种疫苗。就比较的话，他们。这种就是个性化的这种治疗。 呃，那就能够大幅提升这个。呃，肿瘤治疗的一个效果。嗯，那。嗯。 这个呃 从这个嗯 对于行业的影响来说的话呢，呃，一个就是呃，对于moda它自身来说的话呢，它其实。这个单一的这种产品的疫苗的这种生产商，然后去呃变成了一个多元化的这种生物科技的平台。那未来的话呢，它呃这个在管线呃在肿瘤的管线还有罕见病疗法这一块，呃它呃就拥有了更多的可能性。然后第二块，呃第二点的话呢，就是这个呃未来AI在这个个性化医疗、精准医疗这一块，它的这种潜在的这种价值呃是非常可观的，或者说。 是充满想象力的啊，那在这一块的话，在一些这个肿瘤、罕见病的未来的这种治疗当中的话呢，AI能够更好的辅助呃这些药物的使用啊，以及一些联，就是联合，就是联合治疗。二。定语。未来的我们讲的这种反馈机制上面的话，它其实都会有。 这个更好的一个这种效果。啊，然后这个呃。像这个。一些。 どうす？有的一些肿瘤的这种突变的话呢，可以去做一些定制疫苗。针对于这个患者的，他的这个 机体的一些特征。来去这个呃，激活他的这个。 呃，特异性这种免疫反应，然后降低这个术后复发的一个风险。提高这个患者生存率，还有这个生活质量。啊，那。呃，在这个嗯 嗯，我回来了。 它是个性化的这个MRA。癌症疫苗的一个。迭代过程当中的话呢，看。核心内容。 功能就是在这个新抗原的这个智能筛。啊，因为以前都是靠人的这种方式去做这个新考研的筛选，那工作量非常大。时间也很长，不可能这么快就把它。这个作战。 然后那个。他就相当于复制了很多个人的这种能力，呃，非常有经验的这种医疗专家的能力。然后基于这种机器学习的这种自动化联压算法，然后去通过多维度的这种评估模型，对于这个候选的新抗原进行量化打分，然后就能够大幅提升筛选的一个精准度和效率，呃，加速整个研发的一个这个呃流程。呃，那当然他也是基于像呃表达水平，然后加工与成递。 然后免疫原性还有脱发效应这几个方面，来去对于他的这个候选的新杠元进行一个这种评评分。嗯，它的整个的这个流程我们也能看到一个，就是这个呃前端的这个测序的数据的采集，然后去做这个特异性的这个锁定，然后呃多维的预测啊，就是它的评分模型。然后。精准的排序。 然后再加上这个自动选择最优靶点的这个输出。然后最后是持续的进行这个。模型的迭代 啊，因为他呃 就是把这个选择出来之后，然后再看它的疗效，然后再形成一个闭环。把这一部分的临床数据随访结果和免疫应答的反馈。 积累起来之后，它就能形成一个非常好。搞那个数据飞轮。来去优化他的这样的一个。评分的一个模型。 那跟这种传统的这种人。公的方式去比较来说的话呢。嗯。无论是在白点发现、抗原选。 主要还是。设计优化临床。Yeah. 来讲的话呢。他 そう、まあ、九倍。 呃，有比较强的这种。技术优势 特别是在抗原选的这一块。呃，以前是高度依赖于这种专家经验的，并且申请的范围。很有限。 好的，AI。去做这个抗原的筛选之后的话呢，他是去靠算法去预测新的抗原，然后在几呃几天之内就能完成一个精准的这个筛选啊。那在奖助制备这一块，嗯，就是他也有这个自动化合成的这种能力，能够去做疫苗的快速筛选，然后最后再做这个联合治疗。呃，因为这一次MODERN的它的这个呃MRN疫苗也是明确药物去进行一个连用的。 那在连用的过程当中的话呢，就是能够去呃个性化的去结合它的临床数据，呃，治疗效果来去调整它的一个这个治疗方案。啊，然后除了这个moderna的这个呃mra的疫苗来来看的话呢，我觉得咱们还需要去关注的就是呃全球大家比较聚焦的这个三期临床的一个产品，就是英信智能的这个ITF的这个run pencil tip这款药。好，那么他的这个。R P S的这个呃 管线的话呢？ 呃，他。也是今年六月份。啊，正式的进入。今日はほら。 但是你可能又觉得。那它的这个核心的。机制的话呢，是 打下了这个。学爱去了。 啊，就是这个T I C这个。八点啊。啊，这个也是一个。あ違う 这个。 大家现在都还在做的。嗯，目前的话还没有一家能够做到临床三期