2025AI制藥市場規(guī)模產業(yè)鏈構成應用現狀及AI制藥公司分析報告

2025年深度行業(yè)分析研究報告 4 4 5 6 6 7 4 5 6 1AI制藥行業(yè)介紹藥物發(fā)現眾所周知是一項昂貴、耗時且成功率低的過程。平均而言，開發(fā)能夠大幅提升藥物研發(fā)的效率，降低研發(fā)成本，并有年的歷史?？v觀AI制藥的發(fā)展，可以分為3個時期：新藥設計的速度，節(jié)省了創(chuàng)制新藥工作的人力和物力，使藥物學家能夠以理論為數據來源：deeppharmaintelligence，財通證券研2022年AI在藥物研發(fā)領域的投資未能延續(xù)之前幾年的增長勢頭，2022年的投資總額為102億美元，相比2021年的10數據來源：deeppharmaintelligence，財通證券研這一優(yōu)勢得益于美國強大的科研基礎、豐富的風險資本支持以及先進的生物技術亞洲雖然當前占比相對較低，但中國等國家憑借政策引導和資本投入，正在快速險投資活躍度和市場規(guī)模為初創(chuàng)公司提供了堅實的支持。歐洲和英國盡管公司數量較少，但融資金額集中，表明資本主要流向少數具備技術突破或明確商業(yè)模式的企業(yè)。相比之下，亞洲地區(qū)增長速度較快。亞洲市場的快速崛起預示著這一地約330個藥物發(fā)現和臨床前研究以及約430個處于一期臨床研究的項目。盡管藥公司的快速增長趨勢和專注于早期研發(fā)的特點凸顯了其技術在制藥領域的潛力2AI制藥的產業(yè)鏈構成與政策備包括服務器和芯片等。軟件包括各類機器學習、深度學習以及其他人工智能算法，還有數據收集和處理平臺、開源軟件包以及云計算平臺等輔助類軟件。提供生物技術的企業(yè)包括提供CRO服務的企業(yè)和提供先進設備的企業(yè)。提供CRO服務的企業(yè)為提供制藥流程中不同階段輔助服務的傳統(tǒng)CRO企業(yè)。提供先AI制藥產業(yè)鏈中游是主體部分，主要分為四大類：AI+biotech、AI+CRO、質或治療手段分類，從細分領域看，又可以分為三大類，即小分子藥物、大分子先導化合物或者PCC，再由藥企進行后續(xù)的開發(fā)，或者合作推進藥物管線。AI+SaaS：為客戶提供AI輔助藥物開發(fā)平提供算力及計算框架服務。投資、建立內部算法團隊、采用外部AI技術、與AI制藥公司進行合作等方式切盡管AI制藥行業(yè)發(fā)展迅速，但相關的配套政策相對較少。由于AI技術的復雜性和涉及的倫理、法律等問題，政府和監(jiān)管機構需要時間來理解和評估其潛在影響，以制定相應的政策和法規(guī)。美國、歐洲等國家及地區(qū)，行業(yè)起步表1.國外AI制藥相關政策《UsingArtificialIntelligence涵蓋AI和ML的當前和潛在DevelopmentofDrugProducts》-討論文件Biological床研究、上市后安全性監(jiān)測和高《Reflectionpaperontheuseof概述在整個藥品生命周期和基于ArtificialIntelligence(AI)inthe風險的背景下使用AI/ML開發(fā)與何時可以安全有效地開發(fā)、監(jiān)管藥物以及藥物上市后使用等方面近年來，為了促進AI制藥行業(yè)的發(fā)展，探索人工智能在新藥研發(fā)方面的應表2.國內AI制藥相關宏觀政策《“十四五”醫(yī)藥工業(yè)發(fā)展規(guī)劃》探索人工智能技術在研發(fā)領域的應用，通過對生物學數據挖掘分析、模擬計算，提升新靶點和新藥《“十四五”生物經濟發(fā)展規(guī)劃》利用云計算、大數據、人工智能等料、生物和空間科學等領域的重大科學問題的新范研究、生物育種研發(fā)、新材料研發(fā)、深空深海等領人工智能模型算法和領域數據知識，實現重大科學問《關于進一步加強中藥科學監(jiān)管促進中藥傳推動醫(yī)療機構采用大數據、人工智能、真實承創(chuàng)新發(fā)展的若干措施》等技術手段，圍繞臨床定位、適用人群、用法用量、確切、特色優(yōu)勢明顯，不良反應少的醫(yī)療機構中藥制隨著國家政策的出臺，各省市都緊跟國家政策的方向，因地制宜出臺了各地月月月月月月加快人工智能制藥布局，引導生物醫(yī)藥龍頭企業(yè)和人工智能企業(yè)加強《上海市數字經濟發(fā)聯合創(chuàng)新，圍繞蛋白質結構預測、藥物靶點尋找、藥物分子設計，重《上海市加快打造全瞄準合成生物學、基因編輯、干細胞與再生醫(yī)學、細胞球生物醫(yī)藥研發(fā)經濟療、人工智能輔助藥物設計等重點領域，和產業(yè)化高地的若干和戰(zhàn)略性新興產業(yè)重大項目。支持以龍頭企業(yè)聯合高校、《上海市生物醫(yī)藥產《關于支持生物醫(yī)藥《上海市發(fā)展醫(yī)學人解讀的共性算法，開發(fā)面向跨尺度、多模態(tài)組學數據和真實人群多維組學數據的算法與模型，建立生物分子網絡逆向工程模型和生物系統(tǒng)的大分子結構預測與設計的算法和軟件，構建大分子結構解析及其互作的分析計算流程和預測模型，構建大分子工程AI設計平臺，指導大模型和生成算法，建立人工智能增強的抗體藥物和肽與設計平臺，發(fā)展中藥復方藥理藥效預測模型，研發(fā)具計與優(yōu)化、化合物虛擬篩選、晶型預測等場景，不斷推術深入賦能醫(yī)藥研發(fā)。支持干濕結合的多模態(tài)大模型等用，推進機器深度學習和生成式人工智能平臺軟件迭代藥靶點、罕見病等復雜領域探索更大成藥空間。在臨床者招募、臨床數據采集與分析等臨床階段加強數據分析證、藥物發(fā)現與設計、新型藥物篩選、用藥安全分析等環(huán)節(jié)，加型、算法、專業(yè)軟件等攻關突破和共性平臺建設，開展智能化場建設小分子創(chuàng)新藥物篩選和優(yōu)化平臺，實現基于靶點動化合物發(fā)現、藥效評估和老藥新用等。建設大分子生物醫(yī)藥大模型干濕迭代設計平臺，發(fā)展大模型與低通量濕實驗一體自動化技術，實現蛋白質粒構建、表達、純化、性能檢測等低通量濕實驗的全過程自動推進人工智能技術在難成藥靶點、罕見病、復雜疾病檢驗檢測等復雜領域的應用。支持蛋白結構預測與從頭設計、藥靶預測、藥物設計與智能優(yōu)化、虛擬篩選、晶型劑量、器官芯片等關鍵技術研究。大量政策的集中出臺，充分反映了人工智能制藥領域的快速發(fā)展和些政策的發(fā)布體現了對AI制藥技術的高度關注和支持，為行業(yè)發(fā)展奠定了堅實3AI制藥技術原理發(fā)數據、企業(yè)自身研發(fā)積累的數據集、挖掘數據集、實驗數據庫、物理模擬生成模擬和數據分析的速度與準確性。人工智能中常用的算力有:分布式計算:在一些需要處理大規(guī)模數據和復雜任務的場景中,人工智能系統(tǒng)云計算:云計算平臺提供了彈性和可擴展的計算資源,使用戶可以按需獲取所在當前的大數據時代，龐大的生物和臨床數據為AI在醫(yī)藥研究領域的應用但醫(yī)藥數據的數量和質量已成為制約AI在藥學中發(fā)展的主要阻礙之一。迄今為止，由全球的藥物研究人員構建的包含詳細和結構化大數據的藥物數據庫在促進AI在醫(yī)藥研究中的應用方面起著關鍵作用。謝和功效研究獲得的生物學數據的數據庫，如HMDB、TTD、WOMBAT和非公開數據主要是各制藥公司內部項目積累所得，此類數據的精度高，更適合用來做模型的訓練和計算，但由于數據屬于醫(yī)藥公司的核心資產，保密性強，與傳統(tǒng)的計算機編程計算不同，機器學習和深度學習可以從輸入數據中學習潛在的模式，而無需顯式編程。它們不受輸入數據格根據應用場景，模型可以分為回歸模型和分類模型。分類和回歸任務的區(qū)別根據解決問題所需的學習算法類型，模型可以概念化為三類：監(jiān)督學習、無監(jiān)督學習和強化學習。監(jiān)督學習是一個基于標記數據的過程，通過訓練模型來學習輸入與預先確定的輸出之間的關系，以預測未來輸入的類別或連續(xù)變量。相比之下，無監(jiān)督方法用于識別無標簽數據集中的模式，并探索數據集的潛在結構，以便對數據進行進一步的聚類分析等。強化學習通過持續(xù)的交互式學習進行模型需要先驗的化學知識。這些模型可以在更廣闊的未知化學空間中進行搜索，超越成的分子在結構上呈現千變萬化，質量也參差不齊。強化學習可以通過微調模型參數進行有針對性的優(yōu)化，使生成的分子具備特定的藥物分子特性。這種結合生成模型和強化學習的方法為全新藥物設計提供了新的途徑和可能性。圖8.主要AI生成模型框架示意4AI在制藥行業(yè)中的應用其中，藥物發(fā)現階段主要涉及靶點發(fā)現及驗證、先導化合物發(fā)現、藥物從頭藥物靶點是指藥物在生物體內的作用結合位點，包括基因位點、受體識別出疾病相關的靶點，進而通過干預靶點調控疾病的進程。能否找到創(chuàng)新性的藥物靶點，將在很大程度上決定藥物的創(chuàng)新性與可治愈疾病的范圍。出潛在的信號通路、蛋白質相互作用等與疾病的相關性，輸出機體細胞上藥物能有效地發(fā)掘具有潛力成為藥物靶點的分子。多組學分析方法整合生物學數據，揭速藥物靶點發(fā)現。這些方法在藥物研究和開發(fā)中具有重要作用，并在未來發(fā)展中將變得更加關鍵。藥物設計的目標是開發(fā)出具有特定性質、符合特定標準的藥物，包括安全性、合理的化學和生物特性以及結構的新穎性。近年來，利用深度生成模型和強化學習算法進行新藥設計被認為是一種有效的藥物發(fā)現方法。這種方法能夠繞過傳統(tǒng)基于經驗的藥物設計模式的限制，讓計算機通過自主學習藥物靶點和分子特征，以更快的速度和更低的成本生成符合特定要求的化合物。這種新方法為基于RNN的生成模型藥物在先導化合物的優(yōu)化方面發(fā)揮著作用?！禛enerativeAImodelsfordrugdiscovery》中，研究者提出了一種名為“Scaffold-constrainedmolecula然后使用精細采樣程序實現支架約束并生成分子。此外，還應用了一種基于策略的強化學習算法來探索相關的化學空間，并生成與預期相匹配的新分種類型。SMILES-VAE是應用最等技術相結合，在蛋白質功能預測、小分子生成等方面發(fā)揮了重要作用?；诳沟乃枷胗柧毶赡Ｐ秃团袆e模型，擴展了分子的生成空間，一定程度上彌補了基于配體的虛擬篩選（Ligand-BasedVirtu知活性配體的化學結構和物理化學屬性篩選潛在活性化合物的方法。該方法以化學相似性原則為基礎，通過提取已知活性配體的分子描述符（例如分子指紋、分別出可能具有高活性的候選化合物。LBVS利用已知活性化合物的實驗數據和經驗，結合建模技術生成預測模型，從而無需依賴目標蛋白的結構信息即可進行篩選。這種方法廣泛用于發(fā)現具有特定生物活性的化合物，并加速藥物開發(fā)數據來源：《Artificialintelligencetodeeplearning:machineintelligencea標蛋白三維結構信息篩選潛在活性化合物的方法。SBVS通過對目標蛋白的結合合能力。篩選過程中，利用目標蛋白的三維結構數據和化合物庫中的分子進行對接模擬，從而計算化合物與靶點之間的結合能及結合模式，評估其作為先導化合物的潛力。SBVS的核心步驟包括蛋白結合位點的識別、對接評分函數的優(yōu)化以及結合結合的關鍵氨基酸殘基，指導先導化合物的進一數據來源：《Artificialintelligencetodeeplearning:machineintelligencea4.2.1ADMET性的重要指標之一。涵蓋了藥物能否被人體有效吸收、到達目標組織等藥代動力而耗時，限制了人們對早期活性化合物的理解，也影響了進一深度學習為代表的ADMET預測模型可以提取化合物相關結構特征，評估多個這些模型利用藥物分子的結構、電荷、溶解度、親水性、脂溶性、代謝途徑等特征作為輸入數據，同時也考慮藥物與蛋白質的相互作用、藥物的代謝途徑等因素晶型預測是對目標分子及其他可選組分在指定晶體空間進行全局搜該空間內熱力學穩(wěn)定的晶體結構（包括實驗結構）及其穩(wěn)定性應用場景包括：晶體結構比對，確定實驗晶體能量排序；轉晶風險評估；指導實數據來源：晶泰科技官網，財通證券研究所5AI制藥公司介紹結合人工智能（AI）和機器學習，為制藥、生物技術和材料科學領域的客戶提供薛定諤目前的主要項目涵蓋多個領域，包括腫瘤學、免疫學和抑制劑）主要針對實體瘤，正處于臨床前研究階段，展現了對難治性癌癥治療的數據來源：Schr?dinger公司官網，財通證券研究所薛定諤的研發(fā)不僅限于自研管線，還通過與大型制藥公司的合合作，推進多個候選藥物進入諾華的投資組合，并簽署了一項為期三年的軟件協(xié)禮來公司（EliLilly）的合作也備受矚0制藥開發(fā)相結合，加速新藥的發(fā)現和開發(fā)。公司總部位于英國倫敦，在劍橋設有旨在揭示新的生物學機制，預測新的藥物靶點，并開發(fā)首創(chuàng)或最佳療法，特別針公司研發(fā)管線覆蓋多個治療領域。自主研發(fā)的BEN-8744是一種用于抑制劑BEN-34712和CHK1抑制慢性腎病、心力衰竭及系統(tǒng)性紅斑狼瘡等疾病的新型靶點藥物。公司與默克（Merck）簽署合作協(xié)議，利用其端到識別到臨床前階段的藥物發(fā)現工作。此外，與阿斯利康（AstraZeneca）的合作集數據來源：BenevolentAI公司官網，財通證券研英矽智能（InsilicoMedicine）是英矽智能的核心技術平臺PHARMA.AI由PandaOmics、Chemistry42