熱門資訊> 正文
2026-10-16 22:46
10月20-22日上海黃浦江畔,2026可持續全球領導者大會再度來襲。諾獎、圖靈獎得主現場講述科技未來與趨勢,更有「解救」焦慮、內卷時代的網紅教授——麥克法蘭與項飆現場對話! 名額有限,手慢無。讓我們共赴可持續之約! 【點擊報名】
炒股就看金麒麟分析師研報,權威,專業,及時,全面,助您挖掘潛力主題機會!
本輪AI技術加速滲透製藥行業的底層邏輯是提效和降本,突破反摩爾定律,嘗試探索發現新的生物學機制。我們認為,製藥行業當前呈現「反摩爾定律」的困境,即新葯研發投入與回報不成正比,ROI持續下降。AI技術正加速滲透臨牀前環節,有望大幅提升候選分子發現效率,長期有望改善製藥行業的回報率。AlphaFold是AI垂類工具幫助提升研發效率的典例,科學家得以通過計算機模擬的方式低成本、快速地預測蛋白質結構,解析蛋白質結構與分子間的相互作用,縮短藥物設計所需時間。例如,英矽智能依託其自研AI 平臺Pharma.AI,從項目立項至候選化合物提名平均僅需12至18個月,相較於傳統制藥方式約2.5—4年顯著縮短。
我們判斷,AI模型設計藥物已成趨勢,單個分子的生成成本下降,生成分子總量有望增長。由於AI生成分子需要通過濕實驗驗證,因此濕實驗平臺有望率先受益。AI已顯著提升前端分子設計與篩選效率,但預測其在真實生物系統中的表現仍需進行濕實驗。同時,濕實驗所得數據是模型迭代優化的基礎。我們認為,AI製藥的瓶頸正由前端分子設計轉向后端實驗驗證。分子生成效率提升有望帶來定製化濕實驗服務需求擴容。
我們認為,分子工廠、模型訓練部署、批量靶點發現等新興業務或商業模式有望進一步打開AI製藥市場空間。隨着模型進步與科研工作流的打通,AI製藥時代背景下有望誕生具有高平臺價值的商業模式,能夠產生高質量數據的平臺亦具有數據基建屬性。因此,我們判斷以下三種新商業模式值得關注:1)分子工廠:利用AI模型設計、自動化實驗驗證的方式,高效生成分子,滿足定製化的需求;2)模型訓練和部署:藥企在數十年研發過程中積累了大量優質的私有數據。AI製藥平臺可提供定製化模型訓練服務,或部署其專有模型,以嵌入藥企工作流,加速藥企AI化轉型;3)批量靶點發現:藉助組學、測序等技術,AI模型正探索提出科學假設和發現新靶點。
風險提示: AI技術發展不及預期;AI賦能藥物臨牀進展或結果不及預期;商業模式及訂單兑現不及預期;行業競爭加劇;數據、知識產權及藥品監管政策變化風險。
1. 製藥行業投入大、研發周期長、風險高,AI有望優化產研效率,降低實驗成本並縮短研發周期
1.1 製藥行業投入大、研發周期長、面對監管約束和高失敗風險
新葯研發是一條需要持續通過實驗和臨牀數據降低不確定性的長周期產業鏈。一款創新葯通常需要經歷靶點發現與驗證、臨牀前研究、I/II/III期臨牀開發及監管審批等流程:研發前首先需要驗證疾病機制與治療靶點,並圍繞靶點完成分子設計、篩選及先導化合物優化;進入臨牀前階段后需要完成藥效、藥代動力學(PK)、安全性/毒理及CMC(化學、生產和質量控制)等研究;進入人體臨牀后,則進一步驗證安全性、劑量、療效及獲益風險,最終經監管審批實現上市。
圖:新葯的研發生命周期
創新葯研發具有「長周期、高投入、高失敗率」的特徵,提升研發效率一直是產業努力的方向。一款創新葯的研發周期通常需要10年以上,與此同時,研發成本仍在持續上升。Deloitte對全球20家大型生物製藥企業的統計顯示,單個藥物從發現到上市的平均研發成本由2024年的22.3億美元進一步升至2025年的26.7億美元(包含研發失敗項目形成的成本)。但製藥行業的高研發投入與投資回報不成正比。根據BIO(生物技術創新)組織對2011–2020年臨牀項目的統計,進入I期臨牀的候選藥物最終獲批概率僅7.9%,且近年來未有改善。這一現象體現出製藥行業的「反摩爾定律」,即研發技術與投入持續增加,但單位投入對應的新葯產出反而下降。
圖:全球頭部藥企單個藥物平均研發成本持續提升,2025年達到26.7億美元
資料來源:Deloitte, Measuring the Return from Pharmaceutical Innovation 2026,HTI
我們認為,AI技術有望扭轉製藥行業反摩爾定律的現狀,在高效篩選、分子設計、生物學機制發現等領域起到重要作用。現階段,AI已應用於靶點識別、虛擬篩選、分子性質預測和候選分子生成等研發前端環節。AI可以通過擴大搜索規模,提升預測和排序效率,減少無效合成與實驗。我們認為,隨着模型、數據及實驗驗證能力持續提升,AI有望進一步用於新機制與新靶點發現,並提升小分子、大分子等藥物的設計能力,擴大製藥市場規模。
1.2 算力和算法提升推動AI製藥能力邊界由篩選向生成進步
計算方法在製藥研發中的應用經歷了三個階段,能力邊界正由「計算與篩選」向「預測與生成」,進一步向「科研任務執行」擴展。
早期(1980s—2010)計算機輔助藥物設計(CADD)主要通過分子對接、QSAR(定量構效關係)、虛擬篩選、分子動力學等方法,在既定靶點和化學空間內進行計算、打分和篩選;
2010年代以來,隨着生物醫藥數據積累、GPU算力提升及深度學習發展,CNN(卷積神經網絡,多用於識別細胞和組織形態)、GNN(圖神經網絡,多用於學習原子之間的關係,預測溶解度、毒性、活性等)、Transformer(利用注意力機制生成基因和蛋白序列,進行分子生成或構建生物醫藥基礎模型)及生成模型逐步應用於分子性質預測、分子設計和蛋白結構預測,AI開始從輔助篩選走向預測與生成;
2022年以來,大規模預訓練推動生物醫藥基礎模型快速發展,生成式AI(GAI)進一步將模型能力從預測拓展至分子與蛋白設計。在此基礎上,Agent開始連接文獻數據庫、專業計算軟件及實驗平臺,探索「提出假設—調用工具—設計分子/實驗—獲得結果—迭代優化」的多步驟科研任務。
圖:計算/AI技術加速製藥研發經歷了三個階段
資料來源:Pandey et al., Nature Machine Intelligence (2022);Bender et al., Nature Reviews Drug Discovery (2026),HTI
我們認為,通用模型長期難以替代現有垂類任務工具,而是形成物理、化學、生物學領域模型與通用模型的共同協作關係。其中,
物理領域:現階段,分子動力學(MD)、量子化學及自由能計算(FEP)等方法主要基於物理規律和參數化模型求解分子體系,在蛋白構象、分子相互作用及先導化合物優化等場景具有重要價值。如薛定諤公司開發的物理模型在親和力預測中已相對成熟,此類物理模型具有可遵循的物理規律或方程式,在更多AI製藥分子生成中易於成為解決製藥相關物理問題的關鍵工具。
化學領域:與化學相關的問題環節更為繁雜,但AI可以從已有數據中學習規律,以較低邊際計算成本在巨大化學及蛋白空間中進行預測、篩選和生成。因此,對數據較多的領域相對容易訓練垂類任務模型。我們認為,單一細分任務的垂類模型較難構成商業模式壁壘,且其中部分任務容易被通用模型蒸餾學習。因此,大多通過垂類模型切入AI製藥賽道的平臺型公司未來方向應當是「貫穿分子生成的完整工作流併成為能夠高效提供定製化分子的平臺」,以及成為開發自研管線的製藥公司。
生物領域:我們認為,目前以Transformer架構為主的大模型在理解生物學機制方面仍處於極早期,尚不能判斷大模型能否理解生物學機制。其核心原因是,人體從細胞、組織,到器官經過數十億年的演化,生物學系統適應環境而變化,但還存在大量未知的領域,模型可能難以總結直觀規律或發現有效靶點,需要科學家進行主觀性的指導探索。其中,最為值得關注的變化是虛擬細胞和類器官芯片等技術的發展,未來在提高生物學機制的研究效率方面可能有所突破。該技術仍處於極早期,我們暫不在此篇報告討論。
圖:物理模型對比AI技術模型
資料來源:Nature Machine Intelligence,Nature Reviews Drug Discovery,HTI
因此,未來3-5年可形成的成熟科研範式可能接近於,基礎模型提供通用推理能力,垂類模型和物理模型提供專業能力,Agent負責規劃和調用,實驗平臺進行真實世界驗證。對AI製藥公司而言,搭建「基礎模型+專業模型/工具+實驗平臺」的閉環系統,產生私有數據並迭代模型,並通過更多平臺合作形成護城河。
圖:基礎模型、專業工具與實驗平臺由Agent聯動,推動科研系統升級
資料來源:Pandey et al., Nature Machine Intelligence (2022);Bender et al., Nature Reviews Drug Discovery (2026);Delile et al., Drug Discovery Today (2025);Ghanwatkar et al., Drug Discovery Today (2026),HTI
1.3 蛋白結構預測等垂類工具促進部分耗時耗力的實驗問題轉化為快速、低成本的計算問題
AI將過去高耗時、高人力成本及高實驗投入的研發環節,轉化為可由模型進行的預測、搜索與篩選的計算問題。傳統藥物研發中,蛋白結構解析、結合位點發現、分子結合構象和親和力判斷等問題往往需要依賴X射線晶體學、冷凍電鏡、高通量篩選及自由能計算等實驗或高成本方式。隨着AI模型能力提升,部分環節能夠通過AI模型在計算端快速獲得預測結果,並選擇濕實驗通過率較高的分子進行驗證。
AlphaFold是結構生物學領域的垂類AI模型,也是實驗問題向計算預測遷移的標誌性案例之一,其將大量蛋白結構問題逐步轉變為可以通過計算預測的問題。
2018年:AlphaFold 1在CASP13(蛋白質結構預測評估第13輪)中取得領先,初步驗證了深度學習用於蛋白質三維結構預測的可行性。
2020年:AlphaFold 2在CASP14實現突破,將蛋白結構預測精度大幅推向接近實驗結構的水平,使研究人員能夠僅從氨基酸序列出發快速獲得高質量蛋白三維結構預測。
2024年:AlphaFold 3將預測對象由蛋白擴展至蛋白、DNA、RNA、小分子、離子及修飾殘基組成的複合物,並顯著提高蛋白—配體、蛋白—核酸及抗體—抗原等相互作用結構預測能力,能夠解決分子間相互作用與結合的相關問題。
IsoDDE(與AlphaFold同爲DeepMind團隊研發)進一步提升藥物設計能力。2026年2月,Isomorphic Labs發佈新一代Drug Design Engine(IsoDDE),在AlphaFold 3基礎上進一步覆蓋配體結合構象、結合親和力及蛋白結合口袋預測等與藥物設計直接相關的問題。根據公司披露,在一項評估未見蛋白口袋的靶點與新型配體結合能力的測試中,IsoDDE蛋白—小分子複合物結構預測準確率超過AlphaFold 3的兩倍,模型還能夠在僅輸入蛋白氨基酸序列的條件下尋找潛在結合口袋,以小腦蛋白(CRBN)為例,IsoDDE在數秒內預測出隱蔽變構口袋。Isomorphic Labs將其定義為超越AlphaFold的統一計算藥物設計系統,並明確其目標是在更低時間和成本下解決結構、親和力及新結合口袋等問題。
圖:DeepMind團隊將親和力預測、結構預測等藥物設計問題轉化為計算問題
資料來源:Isomorphic labs,Accurate structure prediction of biomolecular interactions with AlphaFold 3. Nature 630, 493–500 (2024). ,Google DeepMind,HTI
生成式蛋白設計工作流已能夠直接生成待驗證的候選分子。2026年9月,Anthropic最新蛋白設計實驗中,Claude Mythos 5.1在12個靶點中,從頭設計的蛋白分子的整體實驗命中率接近50%(當前典型蛋白設計項目命中率約為10%–15%),此前Mythos Preview在15個靶點的實驗中,單靶點設計模式整體命中率達到35.1%。整體來看,結合界面相對易於設計的靶點(如TREM2、VEGF-A)命中率較高,而結構新穎或結合界面複雜的靶點(如BBF-14、MBP)表現較弱,表明當前模型對複雜靶點的設計與生成能力仍有提升空間。我們認為,通過低成本的計算方法,定向設計候選蛋白分子技術正在快速進步,實驗資源可以更多集中於模型篩選出的潛在候選分子,以提高資源配置效率。
圖:Claude定向設計蛋白的實驗命中率已提升至20%–35%
資料來源:Anthropic, Claude accelerates protein design and analytical chemistry, 2026年8月18日;Adaptyv Bio;Twist Bioscience,HTI;Hit rate(實驗命中率)指經實驗檢測能夠特異性結合目標蛋白的設計數量佔全部進入實驗測試候選分子數量的比例,僅反映是否結合,不代表具有生物學功能或治療效果。
我們認為,AI對製藥行業的重要賦能正在於持續擴大「計算可以替代實驗搜索」的邊界,但不同研發環節可計算化的難度不同。結構預測及分子結合等前端問題具有相對明確的物理約束,計算能夠顯著縮小候選分子空間。隨着研發過程向功能驗證和體內評價推進,影響實驗結果的生物變量快速增加,且標準化實驗數據相對稀缺,模型預測的穩定性隨之下降,真實實驗仍難以替代。因此,高質量數據及實驗驗證能力將成為更加稀缺的研發資源。
圖:AI正在推動部分藥物研發問題由「實驗搜索」向「計算預測+實驗驗證」轉變
資料來源:Jumper et al., Nature (2021);Abramson et al., Nature (2024);Isomorphic Labs (2026);Anthropic (2026);Callaway, Nature (2025),HTI;注:計算化程度為HTI根據當前AI工具在各研發環節的預測能力、實驗驗證情況及對傳統實驗的替代程度進行的定性判斷。
2.分子生成效率提升推動驗證端需求加速增長,關注高質量數據生成、高通量濕實驗驗證等基建環節
2.1 高質量數據是AI模型迭代和基礎科學研究中的稀缺資源
我們認為,AI製藥的長期能力邊界取決於有效數據、算法、算力的共同進步。結構預測、分子設計和部分結合問題具有較強的可計算屬性,因此隨着模型規模擴大、算法優化及算力提升,蛋白結構預測、結合預測等環節有望持續受益於規模效應而進一步提升效率與準確性,但當研發進一步進入功能驗證、疾病表型、動物—人體轉化及臨牀療效等環節后,問題開始涉及高度複雜、動態且依賴具體生理背景的生物系統。因此,單純提升算力與優化算法難以彌補數據缺口,實驗閉環仍是AI製藥能力提升的關鍵。
圖:AI距離理解生物學仍存在較大的數據缺口
資料來源:Toward a foundation model of causal cell and tissue biology with a Perturbation Cell and Tissue Atlas,HTI
AI製藥下一階段的核心能力在於更快理解並驗證生物學機制。生成模型、基礎模型及物理計算的進步,使AI能夠以更低成本設計藥物,並持續提升蛋白結構設計與結合預測等前端環節的效率,從而產生高更多候選分子;但決定藥物最終成功與否的關鍵問題仍包括:靶點與疾病是否具有因果關係、結合能否產生預期功能變化、功能變化能否形成有效疾病表型、動物結果能否外推至人體,以及最終能否獲得具有臨牀意義的療效和安全性等問題。
圖:AI製藥的核心約束來自於對生物學機制的理解
PDB、UniProt、ChEMBL、PubChem、GEO等公共數據庫已經積累大量蛋白結構、序列、化合物及組學數據。但仍缺乏樣本背景、實驗條件、干預方式和后續結果,導致模型能夠學習的信息仍然有限。Tempus AI將DNA/RNA、病理、影像等分子和表型數據,與疾病分期、治療線次、用藥歷史、療效、不良事件及PFS/OS等真實臨牀結局在患者層面進行匹配,使藥企能夠進一步用於靶點及適應症選擇、生物標誌物發現、患者分層和臨牀試驗設計。
公司披露其Insights業務已覆蓋全球收入前20大上市藥企中的19家。其數據壁壘在於將原本割裂的信息,形成可供模型學習的縱向數據資產。以KRAS突變為例,僅記錄患者是否攜帶該突變,難以反映不同治療方案的實際效果;若進一步關聯其既往治療、用藥方案、療效及后續調整等信息,模型便能從更完整的病程數據中學習分子特徵與臨牀結局的關係。
圖:Tempus 在同一個多模態數據體系中把不同層級的數據連接
我們認為,蛋白、多肽和RNA天然可以通過序列進行數字化,小分子亦具有較成熟的結構表達,因此相對容易建立由序列/結構到分子性質/結合能力的映射。同時,小分子和蛋白/抗體歷史研發數據豐富、實驗體系成熟及實驗標籤相對明確。相比之下,脂質納米顆粒(LNP)、基因治療和細胞治療等新興領域受到配方、工藝、物種及細胞狀態等背景因素共同影響,不僅輸入—輸出關係更加複雜,高質量實驗數據的標準化生成難度亦更高。因此,AI短期可能在同時滿足「研發問題可計算化程度較高」和「高質量數據能夠規模化產生」兩個條件的領域產生突破。從這一框架看,小分子和蛋白/抗體目前相對更接近這一位置。
圖:AI 在小分子,蛋白/抗體領域進步速度較快,數據相對標準化
2.2 模型能力提升,濕實驗驗證將成為篩選分子的核心瓶頸,實驗驗證需求有望加速增長
AI顯著降低候選分子設計的邊際成本,研發瓶頸向「驗證」端遷移。傳統藥物研發中,候選分子的設計、篩選和優化需要耗費大量時間,因此進入實驗驗證的候選數量相對有限。隨着生成模型、基礎模型及Agent(智能體)開始參與分子和蛋白設計,計算端可以在更短時間內產生並篩選數百乃至數千個候選,但這些分子設計最終仍需要轉化為真實分子並進行實驗驗證。候選數量的快速擴張將驗證需求同步放大,使高通量合成、檢測及功能評價能力成為決定研發閉環效率的關鍵。
我們認為,計算速度快於實驗驗證速度將是未來製藥行業的常態。以Anthropic披露的蛋白試驗為例,Claude可以在24–48小時完成傳統流程通常需數周的蛋白設計任務。但即使計算設計已經明顯加速,真實濕實驗驗證仍然需要數周。在Anthropic近期開展的蛋白設計實驗中,Claude針對首輪15個靶點生成了1,320個候選蛋白設計,由Adaptyv Bio和Twist Bioscience負責獨立生產及實驗驗證,最終獲得354個有效結合分子、覆蓋14/15個靶點。我們認為,隨着設計端由「周/月級人工設計」逐漸向「小時/天級計算設計」演進,合成與檢測端的高通量能力將成為決定整個研發速度的重要約束。
因此,實驗端將逐漸轉向高通量驗證,並推動濕實驗進一步標準化、自動化和規模化。對蛋白/抗體而言,AI輸出氨基酸序列及結構、結合等預測,隨后仍需依次經過基因合成、蛋白/抗體表達、純化、結合親和力、穩定性及功能檢測,才能判斷候選能否真實表達、結合併產生預期功能。濕實驗正逐漸向高通量工業化演進。根據金斯瑞公司官網顯示,截至2026年10月其自動化驗證體系最高可實現每日驗證4,000余個設計方案,每年表達超過60萬個AI設計蛋白。
此外,根據Twist 2026年披露,其平臺已累計完成20萬+蛋白表達、13萬+抗體檢測,併產生700萬余條標準化實驗數據(即數據點,每個數據點對應某一樣本在特定實驗條件下的一項指標測量結果),平臺從序列輸入到數據交付最快僅需15天,且具備每周6,000+ IgG的處理能力。我們認為,前端分子設計周期被壓縮,蛋白表達、功能檢測、細胞實驗、動物實驗等無法完全通過計算替代的環節,其相對稀缺性反而提升。
圖:AI擴大候選分子設計規模,實驗驗證成為連接設計與藥物研發的關鍵環節
低成本、高效率的頭部廠商有更強的訂單獲取能力。根據金斯瑞官網披露,目前從客户提交序列到獲得可直接用於模型訓練和迭代的標準化實驗數據最快僅需4個自然日,單個數據點的生成成本低於10美元。Twist在2026年投資者日披露,完成上述流程最快則需15天。按公司披露口徑,金斯瑞目前的交付速度優勢明顯,有望持續承接全球訂單。
圖:Twist AI-Driven Discovery & Optimization流程
當前實驗驗證端主要對應基因合成和蛋白表達市場,合計約為數十億美元規模,其中基因合成標準化程度更高、集中度相對更高,蛋白表達則更加分散。Global Market Insights統計2025年DNA 合成市場約25億美元,Thermo Fisher(GeneArt)、金斯瑞、Twist、Eurofins等前五大廠商合計份額約48%。蛋白表達服務市場參與者包括金斯瑞、Thermo Fisher、Lonza、WuXi Biologics、Eurofins等。基因合成與蛋白表達市場的差異主要在於,DNA序列高度標準化,競爭核心主要是規模、成本、準確率和交付速度;而蛋白表達還受到表達體系、蛋白摺疊、翻譯后修飾、純化等因素影響,服務屬性和技術複雜度明顯更高。
AI製藥公司當前主要需要的數據包括候選分子的結合能力、穩定性和功能等標準化實驗數據,以更新迭代模型,因此實驗端競爭核心逐步轉向提升高通量自動化、單位數據成本、交付周期以及一體化能力。金斯瑞服務效率處於全球領先地位,根據公司2026年中期業績公告,其基因到蛋白一體化業務(Gene to Protein)已佔生命科學服務及產品(LSG)收入約66%,AI賦能藥物發現(AI-enabled drug discovery)業務收入同比翻倍;Twist則以芯片DNA合成為基礎,將服務延伸至蛋白表達及抗體表徵等環節,為客户交付從序列到實驗數據的一體化服務。根據公司業績披露,2025財年(2024年10月至2025年9月)公司訂單額較上財年增加約6,600萬美元,其中AI賦能藥物發現相關客户的訂單額增加約2,500萬美元,佔公司訂單額同比增量約38%。我們認為,AI帶來的分子設計效率提升有望推動原本數十億美元、相對分散的基因與蛋白服務市場向少數具備高通量、自動化和一體化能力的平臺集中。
圖:從基因合成到純化重組抗體的一站式流程
資料來源:GenScript,公司白皮書《6 Steps to Optimize Your Recombinant Antibody Expression》,HTI
2.3 動物模型等體內實驗驗證需求持續景氣,有望接棒體外驗證端需求
隨着候選分子的設計和體外驗證效率的提高,動物模型將成為下一層關鍵驗證環節。小鼠等動物模型主要用來驗證體內藥效、劑量—效應關係、PK/PD(藥效藥代)、組織分佈及初步安全性。隨着前端設計和體外檢測效率提升、更多高質量候選進入下一階段,驗證瓶頸有望繼續向動物實驗遷移,動物模型及體內藥效評價將成為AI進入真實世界后的下一層基礎設施。
圖:動物模型主要通過疾病表型、PK/PD等指標產生體內驗證數據,並進一步反饋藥物設計
資料來源:Genetically engineered mouse models for drug development and preclinical trials. Biomol Ther (Seoul). 2014 Jul;22(4):267-74.,HTI
3. 分子工廠、模型訓練、批量靶點發現等新商業模式有望打開AI製藥市場空間
3.1 快速、低成本、流程標準化的「分子工廠」有望成為新型研發基礎設施,提升平臺型公司估值彈性
隨着AI製藥從單點模型向「模型+實驗+數據」閉環演進,一批圍繞數據生成和模型迭代的新商業模式有望涌現。AI時代藥物研發以模型迭代為中心,需要持續、大規模地產生標準化實驗數據,並將結果反饋模型,由此可能催生三類新型基礎設施:
一是以自動化濕實驗為核心的 「分子工廠(Molecular Factory)」,批量完成AI設計分子的合成、表達、篩選和數據生成;
二是以高質量私有實驗數據和算力為基礎的「模型訓練平臺」,持續訓練蛋白、小分子、細胞等垂直基礎模型;
三是將人類遺傳學、多組學、擾動及臨牀數據連接起來的「靶點發現平臺」,利用模型系統性尋找新的疾病機制和可成藥靶點。
AI已開始顯著壓縮藥物發現前端的設計周期。以小分子領域為例,Insilico Medicine披露其2021–2024年內部項目從啟動至確定臨牀前候選(PCC)平均僅需12–18個月,相比傳統藥物發現約2.5–4年明顯縮短;每個項目僅需實際合成並測試約60–200個分子。代表性項目Rentosertib從全新靶點發現到PCC約18個月,僅合成測試78個分子,公司測算相較傳統開發流程時間縮短約70%。
圖:Insilico Medicine ISM001-055藥物研發效率顯著縮短
分子工廠有望降低分子生成成本,並提高研發效率,以標準化實驗產能滿足大批量分子研發需求。我們認為分子工廠的出現將帶來臨牀前CRO產業鏈的升級。未來AI負責藥物設計,分子工廠負責快速完成合成與檢測,實驗結果再反饋模型,由此形成更高頻的研發閉環。隨着AI研發項目增加,客户對大規模、並行化實驗的需求有望持續提升,樣本處理量、實驗通量及數據交付量將成為業務增長的重要驅動,自動化平臺能夠以較低邊際成本承接增量需求。長期來看,能夠同時掌握AI模型+自動化實驗平臺+私有實驗數據的公司,有望從單純收取實驗服務費進一步向平臺服務、模型授權乃至自有藥物資產價值延伸。
圖:改變線性分工,「分子工廠」有望成為新型研發基礎設施
3.2 模型訓練和部署正發展爲AI製藥公司的增量業務,貢獻現金流
藥企AI化已經成為行業趨勢,模型訓練有望形成新的外部服務需求。MNC正利用其數十年積累的藥物化學、蛋白研究、篩選及臨牀前實驗數據進行差異化的模型訓練。2026年以來藥企藉助外部AI公司建設專屬模型的合作趨勢明顯加速。早期Novartis與Microsoft、Sanofi/BMS與Owkin的合作,集中於共同開發疾病模型、臨牀預測模型及AI應用。隨着生物醫藥基礎模型逐步成熟,合作開始進入更深層次的私有數據訓練。2026年以來,Pfizer、Lilly、GSK進一步分別與Boltz、Chai Discovery等合作,利用歷史研發數據訓練專屬或定製模型,AstraZeneca、Sanofi與Owkin以及BMS與Schrödinger的合作則開始向AI智能體及研發流程延伸。
圖:藥企與第三方合作開發或訓練模型趨勢加速
國內AI製藥公司亦開始探索模型訓練與部署的商業模式。英矽智能的模型訓練業務覆蓋專用模型和科學基礎模型兩方面,一方面,公司可利用客户授權的私有實驗數據,通過Pharma.AI訓練針對藥物活性、成藥性或生物大分子性質的項目專用預測模型,另一方面,公司推出科學多模態人工智能訓練框架(MMAI Gym),面向藥企、AI公司及科研機構,提供科學基礎模型后訓練、能力評測和本地化部署服務。2026年3月,公司與Liquid AI合作,並交付了一款參數規模為26億的本地化科研模型,並與Human Longevity聯合開發長壽科學基礎模型。
晶泰科技同樣正將AI模型能力由項目研發服務進一步延伸至客户專用模型開發和本地化部署。公司結合客户授權的專有研發數據及自身算法,開發面向特定任務的預測模型。2026年1月,公司與東陽光藥籤署戰略合作框架協議,東陽光藥預計投入數億元人民幣,擬結合東陽光藥的大規模非臨牀數據與公司的算法能力,共同開發生理藥代動力學大模型。同時,公司與輝瑞於2018年5月簽署為期十年的戰略研發合作協議,並於2025年6月30日進一步擴大合作,面向輝瑞專有化學空間開發用於預測小分子構象和結合親和力的計算模型,併爲其本地化部署自由能微擾計算平臺(XFEP)。
劑泰科技製劑優化模型落地恆瑞醫藥,進一步驗證其專有製劑優化平臺商業化潛力。2026年8月3日,公司公告其AiTEM人工智能製劑平臺將在恆瑞醫藥本地化部署,用於加速藥物製劑配方開發。我們認為,本次與國內頭部製藥企業恆瑞醫藥開展合作,並採用本地化部署模式,意味着 AiTEM 進入大型藥企研發體系,有望驗證平臺本地化部署和複製能力。該平臺能夠顯著提效藥物製劑優化環節。據公司官網,在中國首個完成III期臨牀的AI賦能製劑新葯MTS-004項目中,AiTEM承擔了劑型開發的建模與預測分析,將臨牀前製劑優化周期從行業平均的1-2年縮短至3個月。
AI製藥平臺型公司通過為藥企提供模型訓練、部署及迭代服務,有望形成可重複收費的現金流,並進一步嵌入客户研發體系。AI製藥公司可以憑藉自身基礎模型為底座,接入客户私有數據完成訓練和驗證,再將模型部署至分子設計、虛擬篩選、性質預測及先導化合物優化等研發流程。藥企后續產生的新實驗數據繼續反饋模型。因此收入可以從最初的數據處理/模型訓練費,進一步延伸至模型部署費、年度使用費和持續訓練服務費,並有望在共同發現藥物時獲得里程碑及銷售分成。
3.3 靶點發現具有較高的數據與生物學壁壘,潛力較大但仍然處於早期階段
傳統靶點發現模式不成熟且集中於少量已知靶點。根據NIH Illuminating the Druggable Genome(IDG)相關綜述數據顯示,超過75%的生物醫學蛋白研究集中於約10%的人類蛋白組;2024年發表於 Communications Medicine 的研究統計顯示,在19,813個人類蛋白編碼基因中,約4,729個具有潛在可成藥性,其中僅755個已成為獲批藥物靶點、1,218個已有藥物進入臨牀開發,而3,495個潛在可成藥基因仍未進入臨牀開發,即75%的潛在可成藥基因尚未進行臨牀開發。
Recursion、insitro等公司正在驗證「規模化靶點發現」的平臺型商業模式。與圍繞已知靶點進行藥物設計不同,該類公司致力於尋找並驗證新的疾病機制和治療靶點。Recursion與Roche/Genentech於2021年達成最多覆蓋40個藥物發現項目的合作,獲得1.5億美元首付款,目前已有首個此前未被探索的神經科學靶點進入Genentech早期藥物發現階段;2020年,insitro與BMS圍繞CNS領域進行藥物發現合作,獲得5,000萬美元首付款,總潛在交易價值超過21億美元。我們認為,靶點發現的壁壘相對較高,有望成為產生具有差異化壁壘的平臺型公司。
圖:Roche/Genentech 與 Recursion 合作靶點發現
4. 風險提示
AI技術發展不及預期風險。AI製藥仍處於快速迭代階段,模型能力、算法效率及實際應用效果存在一定不確定性,若技術進步速度低於預期,可能影響行業發展及商業化進程。
藥物研發及臨牀進展不及預期風險。藥物研發具有周期長、投入高、成功率存在不確定性等特點,AI技術能夠提升部分研發環節效率,但相關候選藥物仍面臨臨牀開發失敗或進度不及預期的風險。
商業化落地不及預期風險。當前AI製藥商業模式仍在持續探索,技術能力向穩定收入和利潤轉化仍需時間,若客户需求、合作進展或商業模式成熟度不及預期,可能影響相關企業業績表現。
行業競爭加劇風險。隨着大型科技企業、傳統藥企及AI製藥企業持續加大投入,行業競爭可能進一步加劇,技術迭代速度加快,現有企業可能面臨人才、數據、算力及客户資源等方面的競爭壓力。
政策及監管變化風險。AI技術在藥物研發中的應用涉及數據使用、知識產權、藥品監管等多個環節,未來相關政策及監管體系仍可能發生變化,從而對行業研發及商業化進程產生影響。
本報告分析師:
孟科含
SFC HK執業證書編號:BQK878
孫旭東
SFC HK執業證書編號:BTL136
本公眾號涉及的內容僅供參考,並不構成對所述證券的推薦、邀約或邀約邀請。同時亦不構成任何合約的成立,不構成買賣任何證券或交易的建議, 亦不構成投資建議、財務、法律、税務或其他意見。本公眾號對於因此信息和內容或者據此進行投資而直接或間接引起的任何損失不承擔任何責任亦不作出任何保證。