人工智能行业数据驱动创新系列：有关AI制药的4问4答(202107).pdfVIP

有关AI制药的4问4答

数据驱动创新系列｜2021.7.23

▍

核心观点

全球产业资本近三年重金押注AI制药科技公司，助力解决新药研发成功率低、成

本高、研发周期长等问题。相对开放和全面的文献数据，有助于初期行业的蓬勃

发展和算法的快速迭代，商业化全面提速。同时核心的临床研发数据的稀缺特性，

也给行业中期的护城河确立了明确的门槛。但作为一个新兴行业，市场仍然存在

很多困惑，本篇报告聚焦几个热点问题，进行全面数据梳理并解答。

▍Q1：如何从高管背景、技术平台架构、商业化进展等维度评价国内的AI制药公司？

新药研发涉及环节多、周期长，不同场景的领域知识差异很大，所需要的技术架构

和专业知识也千差万别。所以大多数初创型AI制药企业更多从中选择一两个细分

环节或领域切入，构建自身的差异化壁垒，这种模式在发展初期较为明智。例如，

晶泰科技是典型的从一个环节入手的公司，主要聚焦于药物固态研发环节，包括晶

型预测、固态筛选、结构确定等；未知君是典型的从一个细分领域入手的公司，主

要聚焦于肠道微生物AI制药公司，产品包括全菌和配方菌胶囊等。

▍Q2：有哪些AI参与的管线，推进到临床试验环节？目前尚未有一个主要通过AI

方法筛出的药物，获得FDA批准实现上市。但目前有些AI制药公司通过AI的方

法已经获得多个可以做临床实验的PDC的化合物，或者是接近到临床实验的阶段。

2020年1月是AI制药临床元年，英国AI制药企业Exscientia与日本药企Sumitomo

Dainippon由AI人工智能研发的新药候补化合物进入第一阶段临床，这是世界首次

使用人工智能AI开发药物的临床试验。据我们对海外部分AI制药公司官网披露管

线的不完全统计，目前全球范围内，AI主导的管线进入临床阶段的已超过20余项。

▍Q3：如何评价两种不同的AI制药技术路径？物理计算和AI计算各有所长，相辅

相成。AI更适合存量数据多的环节以及高通量环节。比如虚拟分子产生、批量的性

质预测，包括可合成性评价、自动化合成等领域。物理计算精度非常高，同时对于

算力的要求也非常高。所以，物理计算更适合确定靶点之后，更精准地挖掘。而

AI的方法则是在数据条件允许的情况下，能够快速探索，找到更多用于后期精准计

算和实验测试的源头。

▍Q4：药学专家在AI制药中承担什么角色？药学专家在AI制药的多个环节参与重

要工作，包括但不限于以下场景：1）数据标注：数据库中已有的数据本身就可以

理解为经过专家标注的数据。在数据不足的情况下，也需要医药专家做培训，雇佣

一般人员进行标注。2）模型选择：在这一环节，医药专家也扮演了对将药学问题

抽象成计算机问题的“产品经理”的角色。3）模型训练：选择合适的训练trick需

要较强的专业经验。准确的设置训练目标阈值，既要提升效果又需要防止过拟合和

节约时间成本，也需要较强的专业经验。4）模型测试：在模型完成训练后，在推

理阶段，医药专家对模型推理的结果是否合理的判断。

▍风险提示：一级市场投资热情降温；AI算法应用效果不及预期。

▍投资建议：头部产业资本持续加码AI新药研发科技公司，行业蓬勃快速发展。在

新兴公司方面，我们建议关注在技术背景雄厚，大药企客户开拓方面领先的晶泰科

技，在新药研发流程实现全覆盖的深度智耀。对于二级市场生物医药领域方面，我

们重点推荐临床研发数据积累最为雄厚的平台型药企，如恒瑞医药、复星医药，和

引入AI新药研发技术较为领先的药明康德、关注美迪西、丽珠集团等。

请务必阅读正文之后的免责条款

数据驱动创新系列｜2021.7.23

目录

Q1：如何从高管背景、技术平台架构、商业化进展等维度评价国内的AI制药公司？1

国内AI制药公司核心业务梳理：外包服务为主，自研管线为辅1