> **来源：[研报客](https://pc.yanbaoke.cn)** # AI 重构制药工业核心变量：行业深度报告总结 ## 核心内容概述 AI 制药已从单点工具试用阶段，进入资产验证与监管框架落地的产业阶段。行业投资逻辑正从算法转向候选药物质量、临床数据与商业兑现能力。AI 在研发周期与成本上的结构性压缩，不仅关乎效率，更是大型药企商业竞争力的核心变量。 ## 主要观点 - **传统新药研发效率低下**：Eroom's Law 显示研发投入产出效率持续下降，单个新分子实体研发成本已从2016年的约25亿美元升至约40亿美元，而每年获批的新药数量仅约40-50个，形成显著的投入产出剪刀差。 - **临床开发是主要价值损耗环节**：II期向III期的转化率仅为28.9%-33%，是研发链条中最关键的价值损耗点。AI在提升靶点筛选质量方面已显现价值，但在临床疗效验证阶段仍需进一步验证。 - **AI技术路径多样且各有侧重**：包括生成式分子设计、结构预测与分子模拟、多模态基础模型、知识图谱推理和自动化实验闭环五大路径。其中，自动化实验闭环是唯一同时整合虚拟计算与湿实验的全栈体系。 - **AI推动药物研发进入新阶段**：从“工具试用”转向“体系化嵌入”，从“模型表现”转向“候选药物质量”。行业战略重心应聚焦可保护、可开发、可审评、可上市的药物资产。 - **监管框架持续演进**：FDA 与 EMA 已就 AI 制药的监管框架达成初步共识，包括风险分级可信度评估、数据治理、模型验证等关键要素，AI 在药物开发中的角色逐步被监管体系认可。 ## 关键信息 ### 技术路径 1. **生成式AI分子&蛋白质设计** - 突破传统筛选局限，支持多参数优化。 - 代表企业：Insilico、Genesis Therapeutics、Nabla Bio、Generate: Biomedicines。 - 优势：拓展分子空间；短板：需实验验证。 2. **结构生物学+分子模拟 AI 融合** - 基于蛋白质结构预测和 AI 加速分子对接、动力学模拟。 - 代表企业：Schrödinger、Relay Therapeutics、Atomwise。 - 优势：支持结构导向药物设计；短板：需实验数据校正。 3. **生物基础（多模态）大模型** - 融合多类生物数据，支持靶点预测、ADMET性质预测、蛋白功能注释等任务。 - 代表企业：NVIDIA BioNeMo、Chai Discovery、Meta ESM 系列、Valo Health。 - 优势：降低建模门槛；短板：模型算力成本高、可解释性不足。 4. **知识图谱与图神经网络推理** - 用于全新靶点挖掘和药物重定位。 - 代表企业：Valo Health、Enveda Biosciences、Insilico PandaOmics。 - 优势：适配复杂疾病；短板：依赖高质量数据，需实验验证。 5. **自动化实验与闭环平台** - 实现“设计-合成-测试-分析”（DMTA）的全链条闭环。 - 代表企业：Recursion、BigHat Biosciences、Terray Therapeutics。 - 优势：整合真实实验数据；短板：前期投入高，需大量实验数据支撑。 ### 市场与经济效益 - **市场测算**：AI制药平台与算力基础设施市场预计从2024年的20亿美元增长至2030年的100-200亿美元，CAGR约30%-40%。 - **经济价值**：生成式AI每年可为制药行业创造600亿-1100亿美元的经济价值，覆盖研发全链条。 - **临床转化**：AI辅助药物在I期临床试验成功率约82%（传统约70%），II期约44%（传统约33%），全流程获批率有望从6.4%提升至10.1%。 ### 临床资产案例 - **REC-994**：由Recursion开发，用于治疗脑海绵状血管瘤，II期临床试验数据显示安全性良好，但需进一步验证疗效。 - **临床验证**：AI参与开发的药物进入临床是里程碑，但最终需通过II期和III期关键研究验证其价值。 ### 监管演进 - **FDA政策发展**：从2016年初步接触AI制药，到2025年发布风险分级可信度评估框架，再到2026年与EMA联合发布GAIP十项原则，逐步构建AI制药的监管体系。 - **风险分级评估框架**：基于使用情境和风险等级，评估AI模型的可信度，强调数据治理、模型验证和质量体系。 - **GAIP十项原则**：涵盖AI技术全生命周期，强调以人为本、风险分级、数据治理、使用情境明确、多学科整合等。 ## 行业发展阶段 - **从单点工具到体系化**：AI制药已进入资产验证阶段，头部企业开始探索研发体系化应用。 - **验证标准转变**：从模型表现转向候选药物质量，包括靶点依据、分子质量、实验模型相关性、临床转化路径、开发推进能力及经验复用能力。 - **合作生态升级**：大型药企与AI制药公司合作从单项目试验扩展至多项目、多靶点和平台型合作，AI被视为外部药物发现能力的一部分。 ## 风险提示 - **监管与模型可信度风险**：AI制药需满足日益严格的监管要求，模型需通过可信度评估。 - **数据质量与隐私风险**：多组学数据、真实世界数据需高质量且合规使用，数据隐私和安全问题日益突出。 ## 市场前景 - **全球AI制药市场规模**：预计2024年美国AI药物研发市场规模约261亿美元，2024-2033年复合增速约10.26%。 - **AI对研发效率的提升**：AI可将研发周期压缩20%-25%，研发成本降低25%-30%。 - **资本投入**：2021-2024年美国AI生物技术初创累计融资超390亿美元，2024年单年融资达67亿美元。 ## 总结 AI制药正在重塑行业研发逻辑，从“效率工具”向“核心竞争力”转变。技术路径多样，监管框架逐步完善，行业进入资产验证与体系化阶段。AI在靶点挖掘、分子设计、临床试验优化等方面展现出显著价值，但其能否系统性提升临床成功率仍需进一步验证。未来，AI制药的核心价值将体现在候选药物质量、临床转化能力与监管合规水平上。