> **来源：[研报客](https://pc.yanbaoke.cn)** # AI制药行业深度报告总结 ## 核心内容 AI制药（AIDD）是人工智能与药物研发深度融合的技术领域，其目标是通过机器学习、深度学习、大语言模型和多智能体等技术，辅助或自主完成药物研发的全流程，包括发现、设计、预测和决策，从而缩短研发周期、降低成本并提升临床成功率。 ## 主要观点 1. **范式更迭**：AI制药经历了四次关键阶段，从计算化学到通量自动化，再到机器学习，最后进入智能体时代，实现全流程任务编排和自主实验设计，形成干湿试验闭环。 2. **技术迭代**：AI制药技术不断演进，从特定任务预测到多模态统一模型，再到生成式AI和智能体驱动的全自动化平台，逐步实现从“工具”到“研究者”的角色转变。 3. **平台价值提升**：AI制药平台正在从辅助工具发展为自动化系统，提升研发效率，实现从靶点发现到临床前候选药物的高效转化。 4. **产业落地**：AI制药进入实际验证阶段，多个平台已实现商业化落地，如晶泰控股的XtalPi Science平台和英矽智能的Prompt-to-Drug体系。 5. **临床管线进展**：AI原创药物管线已进入临床阶段，部分项目进入III期临床，标志着AI制药从实验室走向市场。 ## 关键信息 ### 技术发展 - **计算化学时代**（1964-1985）：基于QSAR和结构对接，典型公司包括Arris、Schrödinger、Accelrys。 - **通量自动化时代**（1986-2009）：引入高通量筛选（HTS）和多组学数据，典型公司包括Hamilton、Certara。 - **机器学习时代**（2010-2022）：深度学习与生成式模型的广泛应用，如BenevolentAI、Exscientia、深度智药。 - **智能体时代**（2023-至今）：AI从工具升级为研发主体，形成多智能体协同和干湿闭环，典型公司包括英矽智能、晶泰控股、Discovery Loop。 ### 基础模型 - **AlphaFold系列**：从AlphaFold1到AlphaFold3，逐步实现高精度结构预测，支持多种生物分子，如蛋白质、核酸、小分子等。 - **ESM系列**：蛋白质语言模型，实现从序列到结构的预测，支持单序列预测。 - **AlphaProteo**：实现从结构预测到功能分子设计的跨越，支持靶点发现与分子设计。 - **TargetPro**：在靶点发现方面优于通用大模型，临床靶点检索率高达71.6%。 ### 平台模型 - **晶泰控股XtalPi Science平台**：整合AI模型、机器人实验室和多智能体系统，形成全栈式研发流程，实现高效数据积累和分子合成。 - **英矽智能Prompt-to-Drug体系**：通过自然语言提示生成药物候选物，支持从靶点发现到临床试验的全流程。 - **Robin系统**：多智能体协作，实现文献挖掘、科学假设生成、数据分析和实验验证的完整闭环，显著提升效率和准确率。 ### 临床管线 - **早期AI管线**：截至2026年中，全球有173个AI原创药物项目进入临床阶段，其中15-20个预计在2026年进入关键性临床试验。 - **失败案例**：部分AI管线因临床试验结果不佳或安全性问题终止，如DSP-1181、REC-994、BEN-2293等。 - **成功案例**：部分AI药物进入NDA或III期临床，如Rentosertib（ISM001-055）、Zasocitinib（TAK-279/NDI-034858）、MTS-004等。 ### 投资建议 - **短期关注**：基因合成（金斯瑞生物科技、义翘神州等）、蛋白表达与纯化（奥浦迈、纳微科技等）、小分子合成（毕得医药、昊帆生物等）。 - **长期关注**：持续迭代的研发平台（晶泰控股、英矽智能、剂泰科技等），具有更高的技术壁垒和商业化潜力。 ## 风险提示 1. **技术进展不及预期**：AI制药技术仍处于发展初期，实际应用效果可能不如预期。 2. **行业竞争加剧**：随着AI制药的快速发展，行业竞争可能加剧。 3. **临床试验结果不佳**：AI设计的药物在临床试验中可能面临失败风险。 4. **国际关系影响**：跨国合作可能因国际关系紧张而受阻。 ## 产业展望 AI制药正处于从验证阶段向商业化阶段过渡的关键期。随着技术的不断迭代，AI制药平台的能力将持续提升，实现更广泛的泛化和更高的效率。未来，AI将不仅作为辅助工具，更可能成为药物研发的核心驱动力。 ## 技术挑战 1. **干湿实验脱节**：AI预测与生物实验结果存在差距，需要更多实际验证。 2. **数据缺陷**：阴性实验数据缺失，影响模型训练效果。 3. **流程碎片化**：各单点模型之间缺乏统一工作流，需整合平台。 4. **生物学黑箱**：AI模型多为静态预测，难以模拟动态生物过程。 5. **监管约束**：AI预测结果不能完全替代实验数据，需符合监管要求。 ## 平台范式 - **多Agent + 干湿试验闭环**：形成完整的研发流程，提升效率和准确率。 - **数据积累**：晶泰控股的平台实现每周上万次合成实验，数据积累速度是传统实验室的40倍。 - **成本与效率**：AI药物研发成本大幅下降，研发周期显著缩短，成功率提升。 ## 总结 AI制药行业正处于快速发展阶段，技术从单一预测向全自动化平台演进，临床管线逐步验证，投资机会增多。然而，仍面临干湿实验脱节、数据缺陷、流程碎片化、生物学黑箱和监管约束等挑战。未来，随着技术的持续迭代和平台的完善，AI制药有望成为药物研发的核心驱动力。