中国医药_AI有望改变创新药研发范式_45页_2mb

中国医药与AI制药行业总结

核心内容

AI制药正在重塑创新药物研发范式，其核心价值在于提升研发效率和临床成功率。当前，AI在药物研发的多个环节展现出显著优势，包括靶点发现、分子设计、ADMET预测、临床试验设计等。随着AI技术的不断进步和监管框架的逐步完善，AI制药行业正从平台叙事转向临床与商业价值的兑现。

主要观点

1. AI提升研发效率

   • AI可将药物发现时间压缩30%-40%，如英矽智能通过Pharma.AI平台将靶点发现到PCC提名周期从4.5年缩短至18个月。
   • AI在药物发现阶段可显著降低研发成本，如Absci的AI平台在早期发现至临床前阶段可节约约60%的研发成本。

2. AI提升临床成功率

   • AI驱动的候选药物在I期临床成功率可达80%-90%，远高于传统方法的40%-65%。
   • 尽管AI在药物发现阶段表现突出，但其在临床成功率方面仍需进一步验证。目前尚无AI生成药物完成关键III期临床验证并获得监管批准。

3. 数据资产成为核心壁垒

   • 在公域数据可及性增强的情况下，AI制药的核心竞争力转向私域数据质量和闭环迭代能力。
   • 药企与CXO积累的SAR、ADMET、临床数据，以及AI原生公司通过自动化实验室生成的高质量数据，成为AI模型训练的重要资源。

4. AI推动药物研发范式转变

   • 从“筛选”向“设计-预测-验证”范式转变，AI在药物发现中发挥更核心作用。
   • 在临床试验阶段，AI可通过数字孪生、患者分层和成功率预测等手段优化试验设计，提高成功率。

5. 监管框架逐步完善

   • 美国FDA与EMA联合发布AI实践十项原则，为AI技术落地提供制度支撑。
   • FDA正在推进AI监管体系建设，包括设立AI委员会、发布可信度评估框架等，以确保AI在药物全生命周期中的合规性。

关键信息

AI在药物研发中的应用

• 靶点发现：通过知识图谱和多组学数据整合，AI可快速识别与疾病相关的靶点，如英矽智能通过PandaOmics平台在18个月内发现TNIK靶点。
• 分子设计：生成式AI在小分子药物研发中实现从“已知化合物筛选”向“全新分子生成”的转变，如Chemistry42平台和AlphaFold3等技术。
• ADMET预测：AI模型可预测药物的吸收、分布、代谢、排泄和毒性等属性，提升药物成药性评估的效率和准确性。
• 抗体设计：AI在抗体从头设计、亲和力成熟、免疫原性优化等方面展现出潜力，如Absci的Origin-1平台和Generate Biomedicines的表面重构蛋白技术。
• 临床试验优化：AI可通过自然语言处理、数据挖掘等技术优化试验方案，提升招募成功率和试验可行性。

FDA的AI监管进展

• AI治理框架：FDA设立首席AI官、AI政策委员会、AI委员会等，构建跨部门AI监管协同机制。
• 可信度评估框架：2025年发布七步风险可信度评估框架，用于评估AI在药物全生命周期中的可信度和监管价值。
• AI辅助工具：如Elsa和agentic AI能力，用于加速临床方案审查和监管事务处理。

行业发展趋势

• 从效率提升到临床成功验证：AI制药的真正价值在于能否在临床阶段证明其优势。
• 数据驱动竞争：AI制药的竞争核心在于高质量数据资产和闭环迭代能力。
• 监管支持与行业合作：传统药企与AI原生公司加速合作，推动AI技术在药物研发中的落地。
• 全球AI制药公司表现：多家公司管线进入临床阶段，如Recursion、Schrödinger、Absci等。

未来展望

• AI制药在小分子药物研发中已展现显著优势，但在大分子药物领域仍处于起步阶段。
• 临床数据的读出和AI在临床试验中的应用将决定AI制药行业是否能实现真正的范式变革。
• 随着更多AI药物进入临床中后期，其临床表现将决定行业未来的发展方向。
• 数字孪生和合成对照臂等AI技术有望在临床试验中提供新的解决方案，提升试验效率和成功率。