深度报告-2026-01-22-中邮证券-发布时间_2026-01-22_41页_4mb

AI制药：从降本增效到分子创新，数据生产构筑长期壁垒

核心内容概述

AI制药通过将自然语言处理、深度神经网络和生成模型等技术与传统制药流程结合，显著提升了药物研发效率和创新潜力。AI主要应用于药物研发的临床前阶段，如靶点发现、化合物筛选、ADMET预测和分子生成等，通过减少实验成本和研发周期，推动药物研发流程的优化。同时，AI在分子创新方面展现出潜力，如通过生成对抗网络和强化学习等技术设计出新颖分子，为药物开发带来新的可能性。

主要观点

1. AI在制药中的作用

• 增效：AI通过虚拟筛选等手段，大幅减少化合物合成与测试的投入，降低研发成本，缩短研发周期。
• 创新：AI通过生成新分子，突破传统药物设计的规则限制，推动分子实体创新，具有成为FIC/BIC的潜力。

2. 市场规模与趋势

• 全球AI赋能药物研发费用市场规模从2023年的119亿美元增长至2032年的746亿美元，CAGR达22.6%。
• 国内AI制药市场规模预计在2028年达到380亿元，2033年超过1770亿元。
• 投资热度呈结构性分化趋势，美国仍为AI制药融资的主要地区，中国占比约8%。

3. 商业模式与趋势

• 行业商业模式主要为SaaS、AI+CRO、AI+Biotech三种，其中AI+CRO和AI+Biotech更受青睐。
• SaaS模式因市场规模小、技术服务收入低，被认为不适合长期发展。
• AI+CRO和AI+Biotech模式能够通过合作和管线推进实现商业化收益，形成良性循环。

4. 数据与算法的重要性

• 算法与数据绑定：高质量数据是算法迭代和模型优化的基础，是行业核心竞争力。
• 数据稀缺性：由于数据涉及核心利益，形成“数据孤岛”现象，高质量数据生产能力成为长期壁垒。
• 算力并非关键：算力影响计算处理时间，但对整体研发周期影响有限，且可由上游企业提供。

5. 行业竞争格局

• 行业尚未形成统一的技术范式，企业间在研发环节和应用领域存在差异。
• 马太效应显著，早期企业凭借先发优势在技术和项目经验上领先。
• 国内领先企业如晶泰科技、英矽智能等，已进入临床阶段，具备一定竞争优势。

关键信息

1. AI技术在药物研发中的具体应用

• 靶点发现与验证：利用NLP、知识图谱等技术进行靶点搜寻。
• 化合物筛选：通过深度学习模型预测化合物性质，减少湿实验投入。
• ADMET预测：基于深度学习模型预测药物在动物/人体中的药代动力学和毒性。
• 分子生成：AI生成新分子，突破传统设计规则，提高创新性。

2. 典型AI制药企业案例

• 英矽智能：利用Pharma.AI平台和自动化实验室，已推进10个分子进入临床试验，其中Rentosertib进入临床2期。
• 晶泰控股：融合量子物理、AI和机器人技术，实现高效药物研发，如在28天内预测4个关键药效团。
• 泓博医药：专注于药物发现和开发，具备AI技术与实验数据的整合能力。
• 成都先导：以AI驱动药物设计，具备较强的数据处理与分子生成能力。

3. 行业发展面临的挑战

• 研发失败风险：AI仍无法完全替代临床试验，存在药物研发失败的可能。
• 数据孤岛问题：实验数据不共享，限制AI模型的训练和优化。
• 行业竞争加剧：随着融资热度上升，行业竞争将更加激烈。
• 地缘政治与政策变动风险：跨国合作和政策变化可能对行业发展造成影响。

总结

AI制药行业正处于从增效向创新发展的关键阶段，其核心价值在于提升药物研发效率和拓展创新空间。随着市场规模的扩大和商业模式的演进，AI+药物研发的商业化前景广阔。然而，行业仍面临数据孤岛、研发失败和竞争加剧等挑战。高质量数据的生产能力是构建长期竞争力的关键，而算法突破和数据积累的协同作用将决定行业的发展速度。建议关注具备技术实力和数据能力的领先企业，如英矽智能、晶泰控股、泓博医药和成都先导等。