药物研发一般需要历经十几年的时间，并且需要投入 10 亿至 15 亿美元的资金。然而，其成功率仅仅只有十分之一，这便是新药研发过程中必须要面对的残酷现实。
今年以来，无论是 CXO（医药外包）企业，还是制药企业，随着 Deepseek 的出现，拥抱 AI 的进程在不断加快。在资本市场里，AI 制药概念股曾引发过一波股价的狂欢。
一款创新药物的研发分为三个阶段，一是提出靶点假说并确定药物靶点，二是进行潜力分子优化以及临床前候选化合物评估，三是进行最后的临床试验验证。传统医药的研发具有耗时长和成本高的特点，并且由于常见的蛋白质或通路几乎已被完全开发，导致药物发现的难度越来越大。而到了临床试验阶段，需要投入大量资金，其资金成本远远高于临床前阶段。
对于药物的研发，AI赋能之下，到底能够改变多少？
拥抱AI
2 月 19 日，CXO 企业康龙化成（300759.SZ、03759.HK）宣布。其旗下子公司康龙化成临床研究服务有限公司已完成一项交易，即对浙江海心智惠科技有限公司实现了控股。
康龙化成方面表示，该交易具有重要意义。它标志着康龙将临床与海心智惠进行整合，整合了高质量合规的患者数据与 AI 技术平台。通过这一整合，康龙能够拓展并提供优质的个性化患者管理服务。同时，这也有助于助推公司创新药研发服务的能力和体系实现数智化升级。
次日，生物科技企业宣布与英矽智能达成战略合作。同时，02142.HK 的铂医药也宣布与英矽智能达成战略合作。他们将利用各自在抗体发现领域以及人工智能领域的技术优势，来加速新型治疗性抗体的研发进程。
一些由AI赋能的新药已走到人体试验阶段。
3 月 6 日，云顶新耀（01952.HK）宣告了一件事。这件事是该公司自主研发的第一款新型 mRNA 个性化肿瘤治疗性疫苗 EVM16，在北京大学肿瘤医院已经顺利地完成了首例患者的给药。
AI赋能药物研发也并非今天才出现的新事物。
前 FDA 高级评审官员杜涛博士是埃格林医药董事长，他对第一财经记者表示，从各家大型跨国制药企业（MNC）真正组建起自己的 AI 药物研发团队这一情况来看，以及从最近美国 FDA 和欧盟 EMA 等药品监管机构出台的指导文件的角度来考量的话，AI 进入制药工业的应用还不足十年时间。在此之前，AI 技术在药物开发方面的赋能存在诸多争议。近期，FDA 和 EMA 的指导文件陆续出台。这些指导文件在监管科学层面确立了新型研发范式。这意味着人工智能正式成为药物创新的战略级生产要素。
头豹科技数据表明，在 2023 年 11 月这个时间节点上，全球范围内处在临床阶段并且一直保持活跃态势的 AI 参与研发的管线数量总共为 97 项。其中，超过一半的管线处于临床一期这个阶段，同时，超过三分之一的管线处于临床二期这个阶段。
临床二期通往临床三期的这条路，被看作是 AI 药物研发的“死亡之谷”。以往，有很多已进入临床阶段的 AI 药物在关键性临床二期遭遇失败。这些失败使得 AI 药物的概念无法得到验证。
2024 年 9 月，英矽智能的 AI 候选药物为 ISM001 - 055（现通用名已获批为“Rentosertib”）。该药物在临床 IIa 期取得了积极结果，打破了行业僵局。这款药物所针对的适应证是特发性肺纤维化（IPF），特发性肺纤维化是一种慢性、瘢痕性肺病，其特征是肺功能会进行性且不可逆地下降。
这款药物的数据表明其具有良好的安全性，并且呈现出剂量依赖性的药效趋势。它成为了全球首个 AI 药物的概念验证案例。这款候选药物的靶点以及分子结构，都是由生成式人工智能赋予力量从而被发现的。
英矽智能的联合首席执行官任峰表示，他也是首席科学官和药物研发负责人。他对第一财经记者说，由多元化人工智能驱动的研发工作流程，极大地加速了药物开发的进程。通过这个流程，这个项目从靶点发现到临床前候选化合物提名，仅仅耗时 18 个月。
临床阶段的赋能或更难
2021 年 11 月，英矽智能的 Rentosertib 开始了首次人体微剂量试验。该试验在澳大利亚完成了对首批健康受试者的给药。2022 年 4 月，Rentosertib 启动了二期临床研究。到目前为止，临床 IIa 期已经结束。这款药物仍在推进临床研发的进程中。
任峰向第一财经记者表明，这款 AI 候选药物得以被发现，与中国的 AI 生态环境有着紧密联系。最早是上海的团队发现了它，从临床前候选化合物的确定开始，一直到后续的各项工作，都离不开中国 CRO（研发外包）企业所做出的贡献。在这些企业的助力之下，这款药物迅速启动了毒理研究、药代动力学研究以及 CMC（化学成分、生产与控制）放大生产制剂等工作。从提名临床候选化合物到进入人体临床试验，仅仅花费了一年的时间。
我们在中国和美国同时开展了两个 IIa 期临床试验。中国的进展速度比美国明显要快。在中国，仅用一年时间就完成了 71 个患者入组，同时还拿到了有效数据。然而在美国，到目前为止，仅仅完成了 8 例患者入组。任峰表示，这得益于中国丰富的患者资源。
在中国，AI 平台主要在临床前阶段发挥作用。在临床前阶段，包含疾病机理研究、靶点发现、化合物筛选、ADMET 预测等多个环节。
根据 Deep Pharma Intelligence 的数据，到 2022 年底时。亚洲地区各国统计出约 700 家 AI 制药公司。这些公司主要布局了六大环节。包括早期药物开发，有 392 家。数据处理，有 235 家。临床开发，有 149 家。端到端药物开发，有 83 家。临床前发展，有 57 家。以及药物再利用，有 26 家。使用AI进行药物开发的主要领域是早期药物开发和数据处理。
华盖资本创始合伙人许小林向第一财经记者表示，AI 在临床前研究中的作用主要有以下三个方面：其一，能够加速靶点发现以及化合物设计；其二，能够降低实验失败率；其三，能够优化资源分配。尽管临床前研究的成本占比并不高，然而 AI 在这一阶段提升效率，有助于后续的临床研究，最终可以使整体研发成本和时间得以降低。
杜涛称，从目前的阶段来看，当下的 AI 技术已经对医药研发的价值链条进行了深度重构，构建起了一个贯穿靶点识别、分子生成、动物实验、临床方案优化以及临床试验结果预测的全流程赋能体系。在美国，因为 AI 行业起步更早，AI 技术在药物研发方面已经涵盖了药物研发的整个产业链。这种技术渗透的范围很广，这标志着 AI 已经突破了工具的属性，并且成为了重塑药物研发底层逻辑的一种架构性变量。
从医药研发的成本链角度来看，理论上来说，一个靶点和分子的发现在医药研发总成本中所占比例不超过 5%。然而，占据研发总成本 80%的临床试验阶段，虽然成功率较低，但却是打通药物研发链条的关键环节。在他看来，AI 技术用于临床阶段试验所面临的挑战，或许要比用于药物发现阶段面临的挑战更大。
药物临床阶段包含了患者分层以及对患者的招募，还包含了药物的重定向，同时也包含了数据的整合与分析等。
杜涛称，在临床前的靶点或分子发现阶段，主要是由计算机科学家和化学家来主导的，此阶段对医学人员的依赖程度不高。而到了药物临床试验阶段，复合型人才的需求呈现出指数级的增长，这时就需要医学人员深度介入其中。在这方面，人员不仅要涉及不同的医学领域，并且开发者不但要具备 AI 知识，还得拥有临床经验以及医学知识和法规背景。如果 AI 技术在临床试验阶段取得突破，那么就蕴含着巨大的商业机遇。
杜涛所在的埃格林医药是国内为数不多的公司，且坚持将 AI 技术应用于临床试验开发。从 2020 年开始，该公司一直都在尝试把 AI 技术深度应用于临床开发。
数据仍然是核心
Deepseek 出现了，这使得 AI 制药行业的算力成本降低了很多。很多药企因此拥有了可以平等使用大模型的机会。
任峰称，在药物研发期间，Deepseek 能够为药物临床阶段的研发提供助力，像提升撰写临床试验报告的效率等。然而，它目前还不能用于早期的药物研发，不能帮助发现新的靶点以及生成新的分子等。因为通用的大模型主要是以文本、图像、视频等进行训练，缺少用生物医药专用数据来训练，而靶点发现、分子生成、蛋白质结构预测等这些都依赖专业领域的知识。通用模型能够理解生物文献，然而，它还无法依据组学数据（包括基因表达、蛋白质互作等）来进行逻辑推理，也无法生成结构化的分子设计。在药物发现阶段，当下所使用的是专有模型。
AI赋能药物研发，对药物研发的成功率，到底能够提高多少？
任峰觉得，AI 制药能给药物研发带来赋能。他期望通过 AI 制药可以提升药物研发的成功率。然而，即便有了 AI 的助力，成功率也无法达到 100%。能够将成功率从 5%提升到 25%，这已经是相当大的进步了。大家对于 AI 制药应该抱有一定的期望，并且这种期望应该处于合理的范围之内。
在药物临床前研究阶段，只有利用足够量的数据去训练大模型，才能够更高效地运用 AI 来进行分子生成或者分子预测。
任峰表示，AI 制药能够取得成功，是得益于多方面的因素。目前在 AI 制药的算法方面，尚未有实质性的突破。与此同时，数据的积累是一个瓶颈，生物医药产业数据的积累，不是一下子就能完成的。
我们的大部分数据来源于公开渠道。然而，这类数据需要经过清洗和筛选，并且要统一格式，之后才能最终用于大模型的训练。从 2014 年起，我们就拥有一个约 50 人的数据团队，他们专门从事数据清洗工作。正因如此，在数据方面我们积累了很长时间。我们凭借对数据独到的理解，搜集并清洗整理成所需格式的数据，从而构筑了英矽智能在数据方面的优势；其次是算法。我们做了许多项目，其中有成功的，也有失败的，还有项目进入了临床阶段。与很多初创公司相比，我们的算法经受了时间的验证。目前来看，我们的技术能够提高一些内部项目的成功率，这是我们的优势。
任峰称，当下数据的获取变得愈发困难。许多之前属于开源的数据，如今逐渐转为闭源状态，获取的成本在不断上升。“AI 制药行业正从算法的竞争逐步过渡到数据的竞争这一阶段。”
在 AI 技术为药物临床赋能的实践过程里，数据要素的流通存在着壁垒，而这一壁垒正在成为制约技术取得突破的关键瓶颈。
在医疗这个行业里，有很多数据是从医院得来的。医院汇聚了大量的病人临床数据。
杜涛称，从国外角度来看，医院端的数据能够通过市场化的行为得以获取。然而在国内，当下尚未存在一种行之有效的获取途径。尽管医院拥有海量的数据，但是数据机制尚未实现标准化。并且各单位之间的数据共享也存在着极大的阻碍。要让 AI 技术在临床阶段实现突破，相关的制度仍需进一步完善。
我认为，现阶段 AI 在制药行业发展方面存在真正的难点。这个难点主要还是在于数据来源。杜涛说道。
商业模式闭环
今年，Deepseek 出现了，这让资本对 AI 制药的热情再次被点燃。在过去的几年里，AI 制药行业经历了从资本过度追捧到降温的过程。
近期有部分 AI 制药企业开始进行融资。在 2 月 19 日这一天，晶泰控股（02228.HK）计划通过配股的方式筹集大约 20.88 亿港元。
3 月 13 日，英矽智能宣布已完成一轮融资。这轮融资由亚洲最大的独立资产管理公司之一惠理集团旗下的私募股权基金领投，浦东创投和浦发集团也参与了领投，锡创投和宜兴国控也一同参与。本轮融资的金额为 1.1 亿美元，是 E 轮融资。所募得的资金将用于推动英矽智能在人工智能平台升级方面的突破，以及在药物研发管线创新方面的突破。
任峰称，在近阶段，AI 制药的融资情况相对而言会容易一些。不过，这还是要取决于企业的基本面。
杜涛不觉得 AI 制药行业的融资真的在回暖。在 AI 药物真正实现商业化上市之前，AI 制药企业或许仍会处于一个较为艰难的阶段。
在药物研发过程中，AI 具备赋能作用，它既能提高效率，又能起到降本增效的效果。然而，AI 制药企业的商业模式究竟该往何处去寻找呢？
AI 制药企业能否实现商业闭环很重要。它关系到自身能否产生持续的现金流，还关系到资本后续是否能够持续投入。
整个 AI 制药行业的盈利模式主要有以下三种。其一，通过软件授权来获得收入。其二，与外部开展战略合作从而获得收入。其三，通过管线对外产生收入。
许小林向第一财经记者表明，这些模式各有其优缺点。从卖软件模式这一方面来看，此种模式的现金流较为稳定，然而其增长速度较为缓慢，并且容易被竞争对手所效仿，市场的上限相对较低。从对外授权这一角度来看，这是当前最为普遍的模式，但其矛盾之处在于，授权收入的达成依赖于合作方的研发进程，其中存在着不确定性。倘若药物在临床阶段遭遇失败，后续的收入可能会大幅减少。自主研发药物这种模式，倘若能够成功，那么收益将会非常巨大，然而风险也是最高的。药物的研发周期比较长，失败的概率也比较高，并且还需要持续投入资金，这对于初创公司而言，所面临的压力是比较大的。
AI 制药的几种盈利模式各自有着独特的风险和挑战。其中，对外授权模式在风险与回报的平衡方面表现较好。自主研发药物模式虽然长期潜力最大，然而却需要承担更高的失败风险。许小林持有这样的观点。
任峰表示，从全球范围来看，最早一批 AI 制药企业得以建立，时间大概在 2013 年到 2015 年这个期间。行业已经走过了十年的时间，现在差不多到了行业交考卷的时刻。目前主要关注两个方面，一是收入的情况如何；二是管线的情况如何，因为管线也有可能代表着企业未来的收入。
英矽智能的商业模式包含卖软件、对外授权以及自主研发药物这三种模式，目前这三种模式都在开展。其中，他们目前更注重后两者模式，在现阶段，对于他们而言，这是相对较好的模式。每家企业都在探寻适合自身的商业模式，我认为这需要长时间去摸索。
2023 年，英矽智能通过销售软件以及获得对外授权收入等方式，其收入达到了 5100 万美元，在所有企业中，仅排在全球 AI 制药头部企业薛定谔之后。
任峰觉得，未来 AI 制药公司与传统制药公司的界限会愈发模糊，AI 制药行业的发展速度会越来越快。目前尚未有 AI 药物获得批准，然而在未来几年，他相信这一情况将会改变。倘若实现了这一点，届时将会对行业的发展起到更大的推动作用。
杜涛称，AI 制药行业当下仍处在较为初级的发展阶段。然而，它已在医药研发的整个链条中展现出了重塑的潜力。AI 技术在医药研发的各个领域的应用，其前景必定是十分广阔的。
