历史溯源:从算力辅助筛选到第一代生成式浪潮的祛魅传统医药研发的效率悖论与早期计算化学的局限
现代医药工业长期受困于严峻的研发效率反摩尔定律。一款新药从靶点发现到获批上市,平均耗时10至15年,单药研发成本高达26亿美元,而进入临床开发阶段的候选化合物最终获批上市的整体成功率不足10%至12%1。在不同疾病领域,临床折损率呈现显著差异:全适应症从I期临床到获批的综合成功率约为7.9%至14.3%,而肿瘤学领域的临床转化成功率更是低至3.5%至5%3。高昂的沉没成本与极低的临床转化率,迫使制药工业持续寻求计算技术对传统试错法(Trial-and-Error)的替代方案1。
在深度学习介入之前,计算机辅助药物设计(CADD)主要依赖定量构效关系(QSAR)模型与基于物理力场的传统分子对接虚拟筛选5。这类早期工具在特定蛋白家族(如数据积累深厚的激酶和胺能G蛋白偶联受体GPCR)中具备一定预测效力,但面对广阔的未知化学空间时暴露出难以逾越的算力与算法瓶颈5。按需合成化合物库(如Enamine REAL Space、WuXi GalaXi等)的规模已膨胀至数十亿乃至百亿()量级,而传统高通量虚拟筛选在进入体外实验验证前的处理上限通常不足1000万个分子;若仅靠单核CPU按传统方法遍历1010量级的化合物库,理论计算时间将超过3000年5。更关键的是,单纯成倍扩大虚拟筛选的分子库规模,不仅无法线性提升命中率,反而会急剧放大假阳性信号5。
2010年代中后期,深度神经网络被引入分子属性预测与早期药物筛选,拉开了人工智能制药(AIDD)的序幕5。然而,早期深度学习模型很快遭遇了“活性悬崖”(Activity Cliffs)难题,即化学结构高度相似的分子对同一靶点表现出截然不同的生物活性5。2022年van Tilborg等人的系统评估证实,常规深度学习模型在捕捉构效关系突变时的表现甚至劣于部分传统算法5。同时,由于公开数据库存在严重的“阳性标签偏倚”(大量发表高活性分子而鲜少披露失败或无活性分子数据)以及单浓度点测定缺陷,早期AI模型极易产生过度乐观的亲和力预测,且在跨蛋白家族(如将激酶训练模型迁移至GPCR)时频繁出现分布外泛化失效7。第一波AI制药浪潮的管线扩张与早期折戟
2018年至2022年间,随着深度生成模型、图神经网络(GNN)与强化学习在化学空间探索中的应用,全球AI原生生物技术公司(AI-Native Biotech)迎来了首轮爆发式扩张8。行业统计显示,这一时期AI制药企业的研发管线年复合增长率高达36%,至2022年,全球头部20家AI制药公司公开披露的早期发现及临床前项目已达约160项,其临床前管线总规模一度相当于大型跨国药企内部早期研发产出的50%9。
在这一阶段,计算工具对早期化学发现流程的压缩效应得到了初步验证。人工智能通过替代部分物理筛选与优化合成路线,显著降低了候选化合物确定(PCC)前的资源消耗7:
研发阶段
传统研发耗时/规模
AI赋能后耗时/规模
核心效率增益指标
靶点发现 (Target Discovery)
2–3年
3–6个月
耗时缩短70%–80%7
苗头至先导化合物 (Hit-to-Lead)
3–5年
1–2年
耗时缩短50%,成功率提升至2倍7
ADMET性质预测
依赖昂贵且滞后的实验室测定
计算机模拟准确率逾95%
临床前折损率降低30%–50%7
先导化合物优化 (Lead Optimization)
需合成500–1000个分子
仅需合成100–200个分子
化学合成成本降低80%7
然而,第一代AI制药浪潮在步入临床验证期后迅速经历了残酷的行业祛魅。首先,早期进入临床的管线中,“老药新用”(Drug Repurposing)占据了极大比重,直至2023年仍占全行业AI临床管线的约15%13。此类项目仅利用AI挖掘新适应症或优化剂型,分子本身并非由AI从头设计10。其次,多款备受瞩目的初代AI设计小分子在临床阶段相继受挫。作为2020年全球首个进入人体临床试验的AI设计小分子药物,Exscientia与住友制药合作开发的DSP-1181靶向5-HT2A受体以治疗强迫症(OCD),其临床前设计周期虽从传统的4至6年被压缩至约12个月,且I期临床安全性数据良好,但该项目在2022年即宣告终止开发,未能迈入II期临床14。BenevolentAI研发的泛Trk抑制剂BEN-2293在针对特应性皮炎的IIa期临床试验中,虽达到了安全性和耐受性的主要终点,却因缺乏具有统计学意义的临床疗效而被迫搁置15。此外,麻省理工学院团队于2020年利用深度学习模型对老药重定位库进行虚拟筛选,发现了对耐药鲍曼不动杆菌和结核分枝杆菌具有全新抑菌机制的抗生素Halicin,但在向人体临床推进的过程中同样受阻于抗感染药物严苛的毒理转化与商业化壁垒14。
初代管线的受挫揭示了一个核心产业规律:将研发周期从数年缩短至数月、将合成化合物数量从数千个缩减至数百个,固然能节约数百万美元的早期化学成本;但一旦分子在耗资数千万乃至数亿美元的II/III期临床试验中因疗效不足而失败,前端节省的时间与资金将被彻底吞没12。早期AI制药将重心过度集中于数据最完备、工具最成熟的“分子生成与工程优化”环节,却未能触及决定药物成败的核心症结,即人类疾病生物学机制的精准解析12。产业现状:临床概念验证突围、大模型底座重构与商业洗牌临床转化真相:I期高通过率与II期生物学高墙的分化
步入2024年至2026年,AI制药行业告别了单纯依赖计算基准测试(Benchmarks)或动物实验讲述商业故事的阶段,数十款AI驱动的候选药物已进入人体临床试验,形成了可供统计学检验的真实世界样本12。波士顿咨询公司(BCG)与Wellcome Trust团队(Jayatunga等人)发表于《Drug Discovery Today》的实证研究,首次对AI原生生物技术公司的临床管线进行了系统性量化评估13。
将该研究与IQVIA全球临床开发数据库对比可见,AI制药在取得突破的同时,其整体渗透率仍处于早期阶段:在全球处于临床开发阶段的6147款药物中,由AI发现的分子共计67款,占比约为1%;由AI发现靶点的临床药物为24款,占比约0.4%;而由AI发现全新靶点(Novel Targets)并推进至临床的药物仅有3至9款,仅占全球临床管线的0.05%至0.1%19。在适应症分布上,管线高度集中于数据基础较好的领域,仅肿瘤学就占据了I期和II期AI候选分子总数的约50%,肿瘤与神经系统疾病合计吸纳了约70%的AI研发投入13。
更为深刻的结构性洞见来自于临床I期与II期成功率的剧烈分化。在I期临床阶段,截至统计节点已完成试验的24款AI发现分子中有21款成功晋级,综合成功率高达80%至90%,远超传统制药工业40%至65%的历史平均水平,其中既包括针对成熟靶点的改良分子,也包含至少3款针对全新靶点的候选药物3。由于I期临床的核心任务是评估药物在人体内的安全性、耐受性及药代动力学(PK)特征,这一高通过率证明现代AI算法在多参数协同优化方面已具备极高成熟度,能够高效设计出成药性优良、ADME(吸收、分布、代谢、排泄)性质理想且脱靶毒性较低的分子结构,显著减少了因药代动力学缺陷导致的早期淘汰13。然而,当候选药物进入首次在患者群体中检验真实疗效的II期临床时,AI发现分子的成功率骤降至约40%,与传统医药工业30%至40%的历史均值完全持平10。
这一“I期跃升、II期回归”的剪刀差现象,精准勾勒出当前AI制药的能力边界:算法已经出色地解决了“如何更快速、更精准地工程化构建一个好分子”的化学与药代动力学问题,但尚未系统性解决“该分子干预特定靶点后能否在复杂人体微环境中逆转疾病进程”的人体生物学与转化医学问题12。高达四分之一的II期与III期临床失败源于临床前模型未能预测的安全性问题,另有大量失败源于靶点本身在人体疾病网络中的有效性不足12。标杆管线复盘:从早期发现走向III期临床的实证突破
尽管行业整体仍面临II期临床高墙的考验,2024年至2026年间,以英矽智能(Insilico Medicine)的Rentosertib(原代号ISM001-055)和Relay Therapeutics的RLY-2608为代表的先驱管线,相继在II期临床或大型扩展队列中取得扎实的疗效概念验证(PoC),并正式迈入关键性III期临床试验12。这标志着AI制药已跨越“仅能展示虚拟分子或小鼠数据”的阶段,开始在极难攻克的临床适应症中交付真实患者获益12。
核心评估维度
Rentosertib (原代号 ISM001-055)
RLY-2608 (联合氟维司群 Fulvestrant)
研发机构与适应症
英矽智能;特发性肺纤维化 (IPF)8
Relay Therapeutics;突变、HR+/HER2-局部晚期或转移性乳腺癌24
靶点与作用机制
靶向TNIK(TRAF2和NCK相互作用激酶)的首创小分子抑制剂,兼具抗纤维化与抗炎机制8
全球首个泛突变选择性PI3K变构抑制剂,结合全新变构口袋以规避野生型抑制毒性26
AI贡献与临床前效率
生成式AI识别全新靶点并完成从头分子设计;耗时约18个月、耗资低于260万美元锁定PCC,PCC至IND成功率100%14
结合分子动力学模拟与计算生物物理学解析动态构象,发掘全新变构结合位点27
临床试验设计与样本
IIa期多中心、随机、双盲、安慰剂对照试验(NCT05938920),入组71名患者治疗12周,设安慰剂()、30 mg QD()、30 mg BID()、60 mg QD()四组8
ReDiscover首次人体研究(截至2025年3月数据截点),剂量递增与扩展共入组118名经治患者,其中64人接受RP3D剂量,52人为无PTEN/AKT共突变的可评估人群25
核心临床疗效数据
60 mg QD组:12周用力肺活量(FVC)较基线平均改善**+98.4 mL**(95% CI: 10.9至185.9 mL),ppFVC提升**+3.05%,LCQ咳嗽评分改善2分;安慰剂组:FVC平均下降-20.3 mL**,ppFVC下降**-1.84%**14
生存期:总体可评估人群mPFS达10.3个月,二线患者mPFS为11.0个月,二线激酶突变亚组mPFS达18.4个月(非激酶突变为8.5个月);缓解率:临床获益率(CBR)67%,总体确认ORR为39%(二线42%、既往接受过氟维司群者40%),激酶突变亚组确认ORR达67%24
安全性与耐受性表现
总体TEAE发生率各组相近(给药组72.2%–83.3% vs 安慰剂组70.6%);治疗相关AE(TRAE)随剂量递增(安慰剂组29.4%、30 mg QD 50.0%、30 mg BID 61.1%、60 mg QD 77.8%);治疗相关严重不良事件(SAE)在安慰剂、30 mg QD、30 mg BID、60 mg QD组分别为0%、5.6%、11.1%、11.1%;共16人(22.5%)提前停药(其中7例涉肝损伤或肝功能异常)18
中位剂量强度高达92%,仅2名患者因TRAE停药;野生型PI3K相关高血糖绝大多数为1级,仅2例(3%)发生3级高血糖,无4–5级高血糖或4–5级TRAE25
最新注册临床进展
IIa期结果于2025年发表于《Nature Medicine》,2026年9月完成III期临床试验首例患者给药18
2025年ASCO公布更新数据,2025年第二季度正式启动ReDiscover-2关键性III期临床试验241. 英矽智能Rentosertib(ISM001-055):从全新靶点发现到肺功能逆转的端到端验证
特发性肺纤维化(IPF)是一种慢性、进行性且不可逆的致死性肺部瘢痕疾病,全球患者约500万人,确诊后中位生存期仅3至4年,现有抗纤维化标准疗法仅能延缓肺功能衰退而无法停止或逆转病程8。英矽智能利用其生成式生物学与化学平台,首先通过AI识别出全新的抗纤维化与抗炎靶点——TRAF2和NCK相互作用激酶(TNIK),继而利用生成式化学算法从头设计出首创(First-in-Class)小分子抑制剂Rentosertib8。该项目从靶点确立到锁定临床前候选化合物(PCC)仅耗时约18个月,研发支出控制在260万美元以内,且从PCC向IND申报推进的成功率达到100%,其早期发现与I期临床成果于2024年3月发表于《Nature Biotechnology》14。
2025年发表于《Nature Medicine》的IIa期临床试验(NCT05938920)数据提供了关键的人体概念验证29。该项多中心、双盲、随机、安慰剂对照试验在21个临床中心筛选了128名患者,最终入组71名IPF患者,随机分配至安慰剂组()、30 mg每日一次(QD,)、30 mg每日两次(BID,)及60 mg每日一次(QD,)四个平行队列,接受为期12周的口服给药8。在次要疗效终点上,Rentosertib展现出显著的剂量依赖性肺功能改善:接受最高剂量(60 mg QD)治疗的患者,12周后用力肺活量(FVC)较基线平均提升+98.4 mL(95%置信区间:10.9至185.9 mL),占预计值百分比(ppFVC)平均提升+3.05%;而安慰剂组患者FVC平均下降-20.3 mL,ppFVC平均衰退-1.84%8。同时,60 mg QD组患者在莱斯特咳嗽问卷(LCQ)评分上实现了2分的临床生活质量改善,探索性生物标志物分析亦验证了TNIK靶点在人体的抗纤维化与抗炎生物学机制22。
在主要安全性终点方面,药代动力学数据显示60 mg QD组血药暴露量高于其余剂量组,达峰时间约为给药后1小时;各治疗组总体不良事件(TEAE)发生率与安慰剂组相近(30 mg QD组72.2%、30 mg BID组83.3%、60 mg QD组83.3%,对比安慰剂组70.6%)29。但深入审视安全性细分数据可见,与治疗相关的不良事件(TRAE)随剂量递增而上升,安慰剂组为29.4%(5/17),而30 mg QD、30 mg BID与60 mg QD组分别达到50.0%(9/18)、61.1%(11/18)和77.8%(14/18);治疗相关严重不良事件(SAE)在安慰剂组为0例,在三个给药组分别为5.6%(1/18)、11.1%(2/18)和11.1%(2/18)29。全试验71名意向性治疗患者中有55人(77%)完成12周疗程,共16人(22.5%)提前终止治疗(其中7例涉及肝损伤或肝功能异常)18。这表明即便经过AI优化,全新靶点药物在长周期、大样本下的肝脏等器官安全性仍需严格监控18。2026年9月9日,Rentosertib正式完成III期临床试验首例患者给药,成为全球首个由生成式AI完成靶点发现与分子设计并进入III期注册性临床的药物管线12。2. Relay Therapeutics的RLY-2608:动态结构计算破解变构选择性难题
在精准肿瘤学领域,HR+/HER2-晚期乳腺癌患者普遍存在PI3K(PIK3CA)突变,但传统的正构(Orthosteric)抑制剂在抑制突变蛋白的同时会无差别抑制野生型PI3K,引发严重的高血糖、皮疹和腹泻等剂量限制性毒性,导致患者频繁减量或停药25。Relay Therapeutics结合分子动力学模拟与计算生物物理学平台,深入分析蛋白质动态构象变化,成功发掘出一个全新的变构口袋(Allosteric Pocket),并据此设计出全球首个泛突变选择性PI3K变构抑制剂RLY-260826。
在2025年美国临床肿瘤学会(ASCO)年会上公布的ReDiscover研究更新数据(截至2025年3月26日,入组118名经治HR+/HER2-、突变晚期乳腺癌患者)中,RLY-2608联合氟维司群(Fulvestrant)展现了突出的临床差异化优势24。在接受推荐III期剂量(RP3D)且无PTEN/AKT共突变的52名可评估患者中(中位随访12.5个月),整体中位无进展生存期(mPFS)达到10.3个月,二线(2L)治疗患者mPFS达11.0个月;尤为关键的是,携带PI3K激酶结构域突变的二线患者,其mPFS高达18.4个月,显著优于非激酶突变患者的8.5个月24。在肿瘤缓解方面,全部可评估患者的临床获益率(CBR,即达到完全缓解、部分缓解或疾病稳定至少24周的比例)达67%(35/52);在31名具有可测量病灶的患者中,81%(25/31)出现肿瘤缩小,确认客观缓解率(ORR)达39%(二线患者为42%,15名既往接受过氟维司群治疗的患者确认ORR亦达40%),而在激酶突变可测量病灶亚组()中确认ORR更是高达67%(10/15)24。
得益于计算设计的突变体高选择性,野生型PI3K介导的代谢毒性被大幅削减。在64名接受RP3D剂量的患者中,极低的剂量调整率使中位剂量强度高达92%,仅2名患者因治疗相关不良事件(1级瘙痒、1级恶心及食欲减退)停药;高血糖不良事件绝大多数为1级,仅2例(3%)出现3级高血糖,无4至5级高血糖发生,总体3级TRAE发生率为36%且无4至5级TRAE25。基于这一临床实证,Relay已于2025年第二季度正式启动关键性III期临床试验ReDiscover-2(头对头对比Capivasertib联合氟维司群),并同步推进与瑞波西利(Ribociclib)或辉瑞选择性CDK4抑制剂Atirmociclib联用的一线三联疗法以及血管畸形I期临床研究24。算法底座跃迁:多模态生物基础模型与复杂药物模态拓展
2024年至2026年,AI制药的底层算法逻辑发生了根本性跃迁:从服务于单一任务、单一蛋白家族的狭义判别式模型,全面演进为跨序列、跨结构、跨功能的多模态生物基础模型(Biological Foundation Models),并将工程设计能力从传统小分子拓展至大分子蛋白、mRNA疫苗及靶向蛋白降解剂等复杂治疗模态33。
1. 蛋白质与基因组多模态基础模型谱系
以AlphaFold 2(2021年)在静态单链蛋白结构预测上逼近实验精度为起点,生物计算模型在2024至2026年间完成了三大维度的跨越:从单一蛋白向全生物分子复合物演进、从结构预测向从头生成(De Novo Design)演进、从单一序列模态向“序列-结构-功能-自然语言”多模态对齐演进33。
模型名称
研发机构与发布节点
参数量/模型架构
核心技术突破与多模态能力边界
AlphaFold 3 / OpenFold3
Google DeepMind (2024) / OpenFold联盟 (2025.10)
基于扩散模型(Diffusion)的生成式架构
实现蛋白质、DNA、RNA、金属离子及小分子配体复合物的原子级分辨率联合结构预测;但在抗体CDR环及抗原-抗体界面仍存局限33
RFdiffusion / Chroma
华盛顿大学Baker实验室 (2023) / Generate (2023)
几何扩散骨架生成模型
摆脱天然蛋白同源序列依赖,按指定对称性、几何形状或靶点结合界面从头生成全新三维蛋白骨架34
ProteinMPNN / LigandMPNN
华盛顿大学Baker实验室
约170万参数(轻量级图神经网络)
根据生成的3D蛋白骨架或配体结合微环境,逆向推导并设计可稳定折叠的氨基酸序列34
ESM-3
EvolutionaryScale (Science, 2025)
980亿参数,多模态蛋白质语言模型
在单一架构中将序列、三维结构和功能标记(Tokens)统一建模;实验验证从头生成了与天然序列差异巨大的荧光蛋白esmGFP34
Pinal
学术团队 (Nature, 2026)
160亿参数,基于17亿合成蛋白-文本对训练
无需天然模板或几何约束,直接根据自然语言功能描述生成候选序列;在PET水解酶、醇脱氢酶等4项任务中一次性获得催化活性34
Evo / Evo 2
Arc Institute等 (2025)
400亿参数,长上下文基因组基础模型
跨越DNA、RNA和蛋白质模态,实现从分子级到全基因组尺度的序列解码、预测与从头设计35
Geneformer
学术团队 (Nature, 2023)
单细胞转录组迁移学习模型
基于海量单细胞数据预训练,解析基因调控网络动态,赋能疾病机制还原与差异化靶点发现16
在工业界实际研发流中,“单一模型统管一切”已被证实并不现实,取而代之的是模块化模型组合栈(Compositional Model Stack)的广泛普及33。当前从头蛋白质工程的标准范式为:首先调用RFdiffusion生成满足特定靶点结合几何约束的全新蛋白三维主链骨架;随后将骨架输入ProteinMPNN(纯蛋白场景)或LigandMPNN(含小分子配体或金属辅因子场景)进行高亲和力序列填充;最后利用AlphaFold 3、Chai-1或Boltz等全原子结构预测模型进行计算机虚拟折叠与结构分选(In Silico Triage),仅将高置信度候选物送入湿实验室表达验证34。在抗体工程领域,则形成了以RFantibody进行从头设计、结合AbLang(抗体序列补全语言模型)与IgFold或AlphaFold 3进行结构评估的专用工作流34。此外,蛋白质设计也深刻说明在生物学领域“能力并非随参数量简单线性扩展”——仅170万参数的ProteinMPNN在序列逆向设计上展现的工程实用性,并不逊于百亿参数级巨型模型35。2. 跨模态疗法攻坚:mRNA序列优化与靶向蛋白降解(TPD)
除常规小分子与单抗外,AI在解决新型药物模态的底层物理化学困境上展现了不可替代的工程价值。在mRNA疫苗与疗法领域,药物分子长期受困于化学结构不稳定、易降解及冷链运输成本高昂等痛点38。要提升mRNA疗效,必须同步提升其二级结构稳定性(延长半衰期)与密码子使用偏好性(提升蛋白翻译效率);但由于同义密码子的存在,编码同一蛋白的mRNA序列搜索空间呈指数级爆炸,仅新冠病毒刺突蛋白(Spike Protein)的候选mRNA序列就高达约2.410632种,传统枚举计算完全无能为力39。百度研究院开发的LinearDesign算法创造性地引入计算语言学中的“词格解析”(Lattice Parsing)概念,将寻找最优mRNA序列转化为在同音异义词格中寻找最合理句子的动态规划问题,仅耗时11分钟即可在天文数字级空间中锁定全局最优序列,同步优化最小自由能(MFE)与密码子适应指数(CAI)38。发表于《Nature》的实验证实,经LinearDesign优化的mRNA不仅化学降解率降低50%、室温稳定期延长至7天,更在小鼠新冠及水痘-带状疱疹病毒疫苗实验中将中和抗体滴度大幅提升了最高128倍38。其升级版LinearDesign2进一步将5'非翻译区(5' UTR)与编码区(CDS)进行协同建模,新增翻译起始效率(TIE)优化模块,应用场景已从传染病疫苗延伸至环形RNA(circRNA)疗法及CAR-T/NK细胞疗法的转导表达增强,并早在2021年即获得跨国药企赛诺菲(Sanofi)的商业授权许可38。
在靶向蛋白降解技术(TPD)领域,传统抑制剂依赖“占位驱动”(Occupancy-Driven)模式,面对缺乏活性口袋的“不可成药”靶点束手无策;而PROTAC与分子胶利用泛素-蛋白酶体系统(招募CRBN、VHL等E3泛素连接酶)实现“事件驱动”(Event-Driven)的靶蛋白彻底清除41。然而,异双功能分子PROTAC因分子量过大,普遍违反类药五原则(Beyond-Rule-of-Five),面临细胞透膜性差与口服生物利用度低的瓶颈;分子量更小、成药性更佳的“分子胶”(Molecular Glues)则长期依赖偶然发现,缺乏理性设计路径41。当前,计算平台通过整合蛋白质-蛋白质对接(如MEGADOCK)、界面隐藏口袋识别(如CAVIAR)、分子动力学模拟(如GROMACS与热滴定分子动力学TTMD)、自由能计算(MMPBSA)与量子化学计算(ORCA),结合基于PDB三元复合物晶体结构训练的机器学习模型,已能够精准模拟“靶蛋白-降解剂/连接子(Linker)-E3连接酶”三元复合物(Ternary Complex)的空间几何构象与正协同效应(Cooperativity),成功在DDB1-CDK12等系统中复现并从头设计新型分子胶结构,推动蛋白降解剂从盲目筛选走向理性计算设计41。
与此同时,针对CAR-T细胞疗法在血液瘤中反应不可预测及在实体瘤中易耗竭的难题,结合基因组学与机器学习的转化分析已锁定关键遗传标志物。对ZUMA-1临床试验患者数据的深度挖掘发现,携带STXBP2(参与免疫细胞脱颗粒过程的基因)损伤性突变的6名患者在回输CAR-T后全部发生严重治疗相关毒性;此类机制解析正直接指导更安全、抗耗竭的新一代通用型及实体瘤CAR-T细胞工程改造45。资本周期分化、干湿闭环并购与商业模式裂变
在经历了2022年至2023年的全球生物科技资本寒冬后,具备明确平台壁垒与临床概念验证的AI制药行业迎来了强劲的资金回流与结构性洗牌16。据行业统计,全球AI赋能药物发现(AIDD)领域的风险投资与私募股权融资总额从2023年的41.0亿美元大幅攀升至2025年的84.0亿美元,年复合增长率(CAGR)高达43%16。
1. 投融资强力反弹与“巨型初创”崛起
在资金总量重回高增长通道的同时,资本分配呈现出显著的马太效应,资金高度向具备底层基础模型研发能力与自有高通量数据生成能力的头部企业集聚16。2024年4月,Xaira Therapeutics携超过10亿美元的种子轮及A轮融资走出隐身模式,由ARCH Venture Partners与Foresite Labs领投,红杉资本、Lux Capital、NEA等顶级机构参投,致力于整合RFdiffusion等蛋白质设计底座与全流程临床开发能力46。作为Alphabet旗下与DeepMind同源的AI制药旗舰,Isomorphic Labs在共同开发AlphaFold 3后,于2025年4月完成了6亿美元的独立融资46。与此同时,跨国药企(MNC)对AI平台的选择标准从早期的“探索性技术试用”全面转向“绑定核心资产与平台权益”:Iambic Therapeutics在2023年10月完成1亿美元B轮融资后,于2024年与武田制药(Takeda)达成潜在总额高达17亿美元的AI药物发现合作,并于2025年11月再获超1亿美元追加融资以推进其HER2靶向候选药IAM-H1的肿瘤学临床评估46;Genesis Therapeutics凭借其生成式小分子平台GEMS,继2022年5月与礼来达成战略合作后,于2024年与Incyte达成高达8.85亿美元的研发合作46;Generate Biomedicines亦于2024年9月与诺华(Novartis)签署多靶点战略合作协议,而专注于蛋白质工程的Cradle Bio则在2024年11月完成了由IVP领投的7300万美元B轮融资46。2. 行业横向整合标杆:Recursion并购Exscientia的“干湿合一”逻辑
2024年8月8日,美国AI制药龙头Recursion Pharmaceuticals宣布以全股票交易方式并购英国AI药物设计先驱Exscientia,换股比例为每1股Exscientia股票置换0.7729股Recursion A类普通股,交易估值约6.88亿美元;该交易于2024年11月20日正式完成交割,合并后原Recursion与Exscientia股东分别持有新公司约74%与26%的股权,账面现金储备达约8.5亿美元,Exscientia独立品牌随之退出历史舞台46。
这起改写行业格局的跨国并购,本质上是AI制药“湿实验规模化数据生成”与“干实验高精度分子设计”的战略合流46。Recursion的核心长板在于高通量湿实验数据生产(Wet-Lab Scale),其依托高度自动化的生物实验室与Recursion OS操作系统,每周可执行数百万次细胞图像分析与表型筛选实验,在内部积累了海量标准化生物与化学关联数据集,擅长在靶点发现阶段探索未知生物学表型,但在下游小分子化学结构的精细设计上相对薄弱46。相反,Exscientia的核心长板在于干实验精准分子工程(Dry-Lab Precision),深耕基于结构的精准小分子生成式设计、多参数化学优化以及利用患者源性样本进行个体化疗效评估,但在前端大规模底层生物数据的自主生产上存在短板46。两家企业的合并,旨在单一企业内部彻底打通“高通量数据生成、机器学习训练、精准分子设计、自动化实验验证”的完整闭环,并在并购完成后迅速对重叠及低优先级管线进行了裁撤整合,集中资金保驾高影响力临床项目46。3. 亚洲资本市场破局与跨界溢价:晶泰控股与英矽智能会师港股
与欧美市场偏向依赖私募巨额融资或纳斯达克上市不同,以中国研发力量为核心的AI制药企业在港交所开辟了独特的商业化与资本化路径,并演化出截然不同的双轨商业模式46。
2024年6月13日,晶泰控股(XtalPi / QuantumPharm,2228.HK)在港交所主板挂牌上市,成为港交所《上市规则》第18C章特专科技公司制度下的“第一股”49。晶泰控股不以重资产推进自有中后期临床管线为主业,而是构建了“量子物理+AI+机器人”的底层赋能与跨界扩张模式,服务全球逾300家药企与科研机构(包括与礼来签署2.5亿美元药物发现合作)49。财务数据显示,晶泰控股2023年全年营收为1.7442亿元人民币,2024年上半年公司总营收同比增长28.3%至1.0263亿元人民币,其中药物发现解决方案收入同比激增68.6%至6085万元,智能自动化解决方案收入因固态研发服务减少但自动化化学合成服务增长而录得4178万元49。同时,得益于技术平台效率提升带来的研发人员与样品耗材缩减,2024年上半年其研发开支同比下降10.2%至2.1039亿元,履约成本下降4.8%至5550万元,非国际财务报告准则(Non-IFRS)经调整净亏损同比大幅收窄29.7%至2.514亿元(期内账面净亏损12.3755亿元主要受上市时可转换可赎回优先股CRPS转股影响,转股后107.803亿元相关负债已清零)49。尤为关键的是,晶泰控股验证了微观分子模拟与机器人湿实验室向医药以外高价值工业领域溢出的可行性:2024年公司不仅斩获首笔价值4490万元人民币的中药现代化研发订单,更于2024年8月与新能源龙头协鑫集团(GCL Group)签署为期5年、总额高达10亿元人民币(逾1.35亿美元)的战略研发协议,利用AI与自动化平台共同开发难以量产的钙钛矿太阳能材料及锂电池新材料,有效对冲了生物医药单一赛道的长周期风险51。
与之形成对照,英矽智能(Insilico Medicine)则坚定走“端到端平台授权+自研高价值管线”的Biotech模式,通过内部临床管线验证平台成色、通过BD交易与软件授权获取现金流。随着核心管线Rentosertib在IPF领域取得IIa期临床突破并推进至III期临床,英矽智能于2025年12月30日成功在港交所挂牌上市,完成了从算法平台向临床阶段生物制药企业的商业闭环22。未来图景:攻克转化医学黑箱、工程化闭环与全球监管合规
展望未来五至十年,AI制药产业的竞争焦点正从“谁能更快生成高亲和力分子”全面转向“谁能攻克临床前向人体转化的生物学黑箱”12。要将II期和III期临床成功率从历史均值线上显著拉升,行业必须在数据底座、转化医学模型、湿实验吞吐量及全球监管合规四个维度实现深水区破局7。数据生态与模型泛化:跨越活性悬崖与实验复现危机
尽管生物医学领域表面上拥有海量的序列、影像、文献和测定数据,但真正能够揭示“特定化学或生物干预在真实人体疾病中产生何种系统性反应”的高质量、标准化数据却极度匮乏7。当前制约底层算法持续进化的核心瓶颈首先体现于小样本困境与测定异质性:绝大多数药物靶点已公开的测量分子数量不足1万个,远未达到常规深度学习大模型所需的训练规模,且各药企的核心实验数据处于严密的商业孤岛之中;而公共数据库则充斥着不同实验室、不同实验方案(Protocols)与不同读出标准拼接而成的异质数据,且普遍仅记录单一浓度点的抑制率而缺失完整的剂量-反应曲线7。其次是阴性数据缺失引发的标签偏倚,学术界与专利文献长期仅发表高活性、高潜力的阳性分子,极少系统性披露研发过程中失败或无活性的分子结构(Negative Data),导致AI模型缺乏对“失效边界”的学习,在真实筛选中频频给出盲目乐观的预测7。
数据缺陷与评估失范直接诱发了严重的学术复现危机。一项针对AI药物发现学术论文的系统性评估显示,仅有约40%的研究结果能够被独立复现,其根源在于训练集与测试集划分不当引发的“时间泄漏”(Temporal Leakage)、随机种子(Random Seeds)与超参数敏感性未予披露,以及大量研究依赖无法公开验证的私有数据集7。此外,生成式模型在合成可及性(Synthetic Accessibility)与黑箱可解释性上仍存短板,算法常设计出理论结合亲和力极佳、但在现实化学中完全无法合成或需依赖非天然极端反应的怪异骨架;同时,深度神经网络难以向药物化学家和监管审评员解释“为何判定某一分子具有毒性或活性”,这种机制洞察的缺失严重阻碍了其在关键研发决策中的采纳7。未来的技术演进方向,必然是将纯数据驱动的深度学习与基于第一性原理的物理化学机制模型(如自由能微扰FEP、量子力学计算、生理药代动力学PBPK模型)深度耦合,构建兼具物理约束与可解释性的混合AI系统(Hybrid AI Models),并通过自动化实验室标准化生产包含完整剂量曲线与阴性对照的原生数据集7。转化医学破局:新替代方法学与人体相关性数据引擎
当前AI制药面临的最尖锐矛盾在于:生成式算法可以在几分钟内提出数千个分子假说,但传统的湿实验室合成与生物学验证产能却无法匹配这一速度,使物理实验通量反而成为AI制药的新瓶颈12;更致命的是,即便候选药物顺利通过细胞系和小鼠模型验证,进入人体后仍大概率因物种差异和疾病模型失真而折戟——细胞系仅是高度简化的二维生物系统,而小鼠的免疫与代谢网络与人类存在本质鸿沟12。
为弥合这一“临床前-临床转化鸿沟”,产业界与监管机构正全力推动新替代方法学(New Approach Methodologies, NAMs)与人体相关性数据(Human-Relevant Data)的深度融合16。在临床前转化端,利用患者源性样本或干细胞培养的人类类器官(Human Organoids)结合高内涵成像与单细胞基础模型(如Geneformer)及全基因组关联分析平台(如Open Targets),能够在体外高度还原人类器官的三维微环境与病理特征16。约翰斯·霍普金斯大学毒理学政策研究团队于2026年5月对美国FDA药物评价与研究中心(CDER)申报数据的分析显示,目前已有约85%的FDA监管申报材料纳入了某种形式的NAMs(如计算毒理学工具或次级体外测定)16。虽然现阶段人类类器官仍较少直接作为替代关键动物实验的唯一主要决策依据,但将其与AI毒性预测模型整合,正成为提前拦截25%因未预测安全性问题导致II/III期临床失败的核心手段16。
在临床开发端,AI正通过深度扫描电子健康记录(EHR)、基因组数据及真实世界数据(RWD),将患者招募与分层匹配的时间从数月压缩至数分钟(如Deep 6 AI等平台的实践),并精准识别高脱落风险受试者与最优临床中心2。在BenevolentAI针对肌萎缩侧索硬化症(ALS)的II期临床研究中,正是依靠AI驱动的患者亚群分层,挖掘出了传统统计方法完全忽略的获益人群7。此外,利用历史临床试验数据生成“合成对照组”(Synthetic Control Arms),以及运用AI在上市后药物警戒中捕捉发生率仅为万分之一的罕见不良反应,正在显著缩减临床试验所需的受试者规模与周期,重塑从临床试验设计到真实世界监测的全流程效率7。全球监管框架成型:风险分级治理与全生命周期合规
曾长期处于空白状态的AI制药监管体系,在2024年至2026年间迎来了全球三大核心监管机构(FDA、EMA、中国NMPA/CDE)的密集立规,确立了“基于风险分级(Risk-Based Approach)、强调可解释性与全生命周期动态监控”的全球监管共识16。
监管机构与辖区
核心指导文件与发布时间节点
监管核心原则与产业合规要求
美国食品药品监督管理局 (FDA)
《在药物与生物制品开发中使用AI/ML》讨论文件与2025年指南草案;《在临床前安全性评价中整合人工智能与新替代方法学(NAMs)路线图》(2025年4月)
明确提出逐步增加对AI毒性预测模型与人类类器官的审评依赖,有序降低对传统动物实验的强制依赖;要求针对具体使用场景(Context of Use, CoU)验证模型可靠性16
欧洲药品管理局 (EMA)
《人工智能在药品全生命周期中的应用反思文件》正式终稿 (EMA/CHMP/CVMP/83833/2023,2024年9月30日采纳)
采用OECD人工智能定义;以“高患者风险(High Patient Risk)”与“高监管影响(High Regulatory Impact)”替代笼统的“高风险”表述以衔接《欧盟AI法案》;强制要求早期开展AI工具影响分析、确保模型可解释性、遵循ICH E6 GCP规范并持续监测部署后模型漂移54
中国国家药监局药审中心 (NMPA / CDE)
《模型引导的药物研发(MIDD)技术指导原则》(2020.12);罕见病模型引导与临床药理学指南;《化学药品创新药晶型研究技术指导原则(征求意见稿)》《药物上市/临床试验申请临床评价技术指导原则(征求意见稿)》《创新药研发期间风险管理计划撰写技术指导原则(试行)》(2025年9月密集发布)
将定量药理学与计算建模纳入临床剂量选择、人群代表性优化及暴露-效应关系评价体系;明确创新药晶型预测与控制规范;强化从IND到NDA全生命周期的获益-风险动态量化评估56
世界卫生组织 (WHO) 与欧盟生物安全框架
WHO《大型多模态模型指南》(2024);欧盟《人工智能法案》(AI Act) 通用生物基础模型规制与国际基因合成联盟 (IGSC) 筛查协议 (2025–2026)
针对医疗AI全球应用鸿沟(高收入国家常规使用率42% vs 中低收入国家19%)强调公平性与透明度;将ESM-3、Evo 2等大型生物基础模型纳入通用AI能力分级监管,并通过序列同源性(BLAST)与AI功能预测双重机制拦截潜在病原体或毒素的基因合成订单20
全球监管框架的演进传递出清晰的制度信号:在早期靶点探索与苗头化合物筛选阶段,由于后续仍有严格的体外体内实验把关,监管机构赋予AI工具极高的自由度;但一旦AI模型被用于支持IND申报的临床前毒理替代评价、临床试验患者入组分层、剂量确定或上市后安全监测等“高监管影响”与“高患者风险”环节,申请人必须在研发早期即开展系统的影响分析并与监管机构提前沟通,锁定模型版本(Frozen Models),严格遵循数据保护法规与良好临床规范(GCP),提供完备的训练数据溯源、外部验证集表现及可解释性证明,彻底告别“黑箱模型直接递交结论”的粗放模式54。
与此同时,随着ESM-3(980亿参数)和Evo 2(400亿参数)等具备跨物种序列从头生成能力的生物基础模型普及,生物安全(Biosecurity)已成为不可回避的监管红线35。近期研究表明,当前AI模型虽能为非专业人员执行生物学任务提供一定辅助,但部分前沿算法框架已显现出绕过生物基础模型安全护栏(Guardrails)的潜在风险35。对此,美欧监管机构与国际基因合成联盟(IGSC)正推行严密的“双轨筛查机制”:第一道防线利用BLAST等传统规则工具筛查与已知病原体或毒素具有高序列相似性的DNA合成订单;第二道防线则引入基于AI的功能预测筛查(Function-Based Screening),精准识别序列虽经生成式模型大幅改写、但仍保留致命毒理或致病功能的全新人工设计蛋白,确保合成生物学与AI制药在安全轨道内运行35。核心研判与产业演进定论
综合审视人工智能制药产业的演进脉络、临床实证与技术底座变革,可以明确工程提效已成定局,而全行业临床生产力的真正拐点取决于II/III期临床的统计学实证。人工智能在早期药物发现阶段压缩70%至80%靶点探索时间、削减80%化学合成成本并实现80%至90%的I期临床通过率,已充分证明其在分子工程学层面的颠覆性价值7。然而,“AI设计”仅代表药物的诞生方式,并不天然构成临床疗效的保证18。全行业真正的经济学拐点,取决于未来数年内以Rentosertib、RLY-2608为代表的首批进入III期临床的原生AI管线能否最终获批上市,以及后续独立管线群能否将II期与III期临床成功率系统性地推高至历史均值(40%)以上,从而实质性逆转每十亿美元研发投入产出新药数量持续下滑的行业趋势12。
在技术与竞争壁垒层面,行业重心已从“化学空间生成”全面转向“人体疾病生物学解码”。单纯依靠公开数据集训练分子生成模型的同质化竞争已彻底终结7。未来极具统治力的医药创新主体,必然是那些能够将多模态生物基础模型(如AlphaFold 3、ESM-3、Geneformer)、物理机制计算模型与自有高通量自动化湿实验室(如人类类器官、单细胞组学表型筛选)深度咬合,构建起“人体相关性原生数据飞轮”的研发组织16。
在商业演化路径上,行业已告别单一叙事,形成“干湿闭环Biotech”与“跨界工业底座”双轨并行的格局。以Recursion并购Exscientia、Xaira携十亿美元入局、英矽智能推进III期临床并登陆港股为代表,第一类路径通过整合干湿闭环能力打造高溢价临床资产并与跨国药企达成重磅战略合作18;以晶泰控股(2228.HK)为代表的第二类路径,则将底层量子物理计算、AI算法与自动化机器人实验能力标准化,在实现药物发现收入高速增长与大幅减亏的同时,向新能源材料(如钙钛矿与锂电池材料)、中药现代化等广阔工业场景实现跨界商业变现49。
归根结底,独立的“AI制药”标签将逐步消亡,内化为现代医药工业的底层基础设施。正如二十年前的组合化学与高通量筛选最终融入所有药企的标准流程,人工智能正从一种差异化的商业概念演变为整个生物医药工业的研发操作系统1。未来的产业分野不再是“传统药企”与“AI药企”的对立,而是全面完成“原生数据生产、多模态算法建模、自动化湿实验验证、全生命周期合规模型申报”端到端重构的新一代医药工业体系,对固守传统手工作坊式试错研发模式的全面替代1。引用的著作
How AI drug discovery is reshaping biopharma, https://www.ddw-online.com/how-ai-drug-discovery-is-reshaping-biopharma-36402-202509/
AI in Drug Development Helping Transform Clinical Trials - WIPO, https://www.wipo.int/en/web/global-health/w/blogs/ai-in-drug-development-helping-transform-clinical-trials
AI for drug discovery: current uses and future prospects - tracer cro, https://www.tracercro.com/resources/blogs/ai-drug-discovery/
Next Decade's AI-Based Drug Development Features Tight ... - PMC, https://pmc.ncbi.nlm.nih.gov/articles/PMC10880149/
AI in small-molecule drug discovery: Black box or crystal ball?, https://www.alacrita.com/hubfs/AI%20in%20Drug%20Discovery%20-%20Alacrita%20Consulting-1.pdf
Deep learning for small-molecule drug discovery - PMC - NIH, https://pmc.ncbi.nlm.nih.gov/articles/PMC13375945/
Artificial Intelligence in Modern Drug Discovery and Pharmacology, https://www.ijpsjournal.com/article/artificial-intelligence-in-modern-drug-discovery-and-pharmacology-revolutionizing-the-pipeline-from-target-identification-to-personalized-medicine
Insilico Medicine reports positive Phase IIa results for ISM001-055, a, https://www.eurekalert.org/news-releases/1058384
AI-driven drug discovery improves pipeline performance - Euretos, https://www.euretos.com/blog/ai-driven-drug-discovery-improves-drug-pipeline-performance
AI-Developed Drugs: Demystified - Future Medicine AI, https://www.fmai-hub.com/ai-developed-drugs-demystified/
Drug design with AI : How Artificial Intelligence is revolutionising, https://medium.com/kode-solutions/drug-design-with-ai-how-artificial-intelligence-is-revolutionising-drug-discovery-89d4b6e71ee1
AI Drug Discovery: what are the biggest unsolved problems?, https://newmarketpitch.com/blogs/news/ai-drug-discovery-unsolved-problems
How successful are AI-discovered drugs in clinical trials? A first, https://www.researchgate.net/publication/380223979_How_successful_are_AI-discovered_drugs_in_clinical_trials_A_first_analysis_and_emerging_lessons
Artificial Intelligence in Small-Molecule Drug Discovery - PMC - NIH, https://pmc.ncbi.nlm.nih.gov/articles/PMC12472608/
Inconclusive efficacy of BenevolentAI's AD drug leaves the company, https://www.clinicaltrialsarena.com/news/benevolentai-atopic-dermatitis-ad/
AI drug discovery: Focusing on what matters most | McKinsey, https://www.mckinsey.com/industries/life-sciences/our-insights/ai-drug-discovery-focusing-on-what-matters-most
Topology — Sean Khozin, MD, MPH, https://seankhozin.com/topology/
An AI-Designed Drug Just Reached Phase 3 - Juicebox Podcast, https://www.juiceboxpodcast.com/blog/2026/9/10/ai-designed-drug-phase-3
How successful are AI-discovered drugs in clinical trials, https://www.quantumbiospace.ai/news/how-successful-are-ai-discovered-drugs-in-clinical-trials/
Artificial Intelligence in Drug Discovery and Development - PMC - NIH, https://pmc.ncbi.nlm.nih.gov/articles/PMC13288427/
The Next Era of Healthcare AI Adoption: Unlocking a Sustainable, https://www.radai.com/blogs/the-next-era-of-healthcare-ai-adoption-unlocking-a-sustainable-future
Insilico Medicine Announces Nature Medicine Publication of Phase, https://www.prnewswire.com/news-releases/insilico-medicine-announces-nature-medicine-publication-of-phase-iia-results-evaluating-rentosertib-the-novel-tnik-inhibitor-for-idiopathic-pulmonary-fibrosis-ipf-discovered-and-designed-with-a-pioneering-ai-approach-302472070.html
Rentosertib - Pulmonary Fibrosis Foundation, https://www.pulmonaryfibrosis.org/patients-caregivers/medical-and-support-resources/clinical-trials-education-center/pipeline/drug/idiopathic-pulmonary-fibrosis/ism001-055-(ins018_055)
Relay Therapeutics Reports Second Quarter 2025 Financial Results, https://ir.relaytx.com/node/10371/pdf
Relay Therapeutics Announces Updated Data for RLY-2608 +, https://ir.relaytx.com/news-releases/news-release-details/relay-therapeutics-announces-updated-data-rly-2608-fulvestrant/
0000950170-24-104557 | 8-K | iXBRL Viewer - Relay Therapeutics, https://ir.relaytx.com/node/9646/ixbrl-viewer
Efficacy of RLY-2608, a mutant-selective PI3Kα inhibitor in patients, https://relaytx.com/wp-content/uploads/2024/12/RLY2608_SABCS2024_Poster_final.pdf
Relay Therapeutics Announces Positive Interim Data for RLY-2608, https://ir.relaytx.com/news-releases/news-release-details/relay-therapeutics-announces-positive-interim-data-rly-2608/
(PDF) A generative AI-discovered TNIK inhibitor for idiopathic, https://www.researchgate.net/publication/392366960_A_generative_AI-discovered_TNIK_inhibitor_for_idiopathic_pulmonary_fibrosis_a_randomized_phase_2a_trial
First AI-Designed Drug Improves IPF Lung Function - Cure., https://wewillcure.com/insights/ai-and-machine-learning/rare-diseases/first-ai-designed-drug-improves-ipf-lung-function
A generative AI-discovered TNIK inhibitor for idiopathic pulmonary, https://pubmed.ncbi.nlm.nih.gov/40461817/
Relay Therapeutics Advances RLY-2608 to Phase 3 Trial with, https://trial.medpath.com/news/relay-therapeutics-advances-rly-2608-to-phase-3-trial-with-promising-breast-cancer-data
The Virtual AI Lab for Pharma - Gradient Ventures, https://www.gradient.com/blog/posts/helical-ai-virtual-lab-pharma-drug-discovery/
Protein Design and Engineering - The Life Sciences AI Handbook, https://lifesciencesaihandbook.com/molecular/protein-design.html
AI-enabled biological design - European Parliament, https://www.europarl.europa.eu/RegData/etudes/BRIE/2026/795715/ECTI_BRI(2026)795715_EN.pdf
AI-Powered Synthetic Biology - Arrow@TU Dublin, https://arrow.tudublin.ie/cgi/viewcontent.cgi?article=1001&context=gcbioro
From machine learning to multimodal models: The AI revolution in, https://pmc.ncbi.nlm.nih.gov/articles/PMC13109336/
PaddleHelix - 螺旋桨生物计算平台, https://paddlehelix.baidu.com/solution/mRNA
Algorithm for optimized mRNA design improves stability and ... - PMC, https://pmc.ncbi.nlm.nih.gov/articles/PMC10499610/
New AI algorithm boosts COVID-19 mRNA vaccine antibody, https://www.eurekalert.org/news-releases/987999
AI-Guided Targeted Protein Degradation | NanoSchool Workshop, https://nanoschool.in/biotechnology/btws/ai-guided-targeted-protein-degradation-protacs-molecular-glues-degrader-design/
PROTACs vs. Molecular Glue Degraders — PatSnap Insights, https://eureka.patsnap.com/resources/blog/articles/protacs-vs-molecular-glue-for-undruggable-targets/
An Advanced Method for In-Silico Molecular Glue Design - bioRxiv, https://www.biorxiv.org/content/10.1101/2024.08.06.606937v1.full-text
AI‐Based Prediction of PROTAC‐ and Molecular Glue‐Mediated, https://pmc.ncbi.nlm.nih.gov/articles/PMC12988791/
Qureight analyses of Insilico Medicine's Phase IIa rentosertib data, https://www.drugdiscoverynews.com/qureight-analyses-of-insilico-medicine-s-phase-iia-rentosertib-data-support-preliminary-efficacy-results-and-future-trial-expansion-16500
Large-scale M&A and Consolidation: The Industry Map of AI Drug, https://note.com/pharma_insight/n/n011e749509d0?hl=en
Recursion and Exscientia: The Groundbreaking Merger Shaping AI, https://www.tradingcalendar.com/post/recursion-and-exscientia-the-groundbreaking-merger-shaping-ai-driven-drug-discovery-exai-rxrx
Recursion axes drug programmes to streamline pipeline, https://www.pharmaceutical-technology.com/news/recursion-axes-drug-programmes-to-streamline-pipeline/
QuantumPharm Inc. - XtalPi, https://ir.xtalpi.com/media/i2nh2zlq/2024-interim-report-en.pdf
QuantumPharm (XtalPi) Begins Trading on Hong Kong Stock, https://www.biopharmatrend.com/news/quantumpharm-xtalpi-begins-trading-on-hong-kong-stock-exchange-827/
XtalPi - Wikipedia, https://en.wikipedia.org/wiki/XtalPi
QuantumPharm Inc. - XtalPi, https://ir.xtalpi.com/media/plqfoxj2/xtalpi-1h24-investor-presentation-en-ir-website.pdf
A Review of Clinical Trials in Drug Discovery and Development - arXiv, https://arxiv.org/html/2412.09378v3
EMA Reflection Paper on AI in the Medicinal Product Lifecycle - NSF, https://www.nsf.org/life-science-regulatory-news/ema-reflection-paper-on-ai-in-the-medicinal-product-lifecycle
EMA adopts reflection paper on the use of Artificial Intelligence (AI), https://www.biosliceblog.com/2024/10/ema-adopts-reflection-paper-on-the-use-of-artificial-intelligence-ai/
gempex速递| 2025年9月国内外GMP法规指南汇总, https://www.gempexchina.com/gmp-knowledge-info/123
FDA's Action Plan for AI in Drug Development | Drug Discovery News, https://www.drugdiscoverynews.com/fda-s-action-plan-for-ai-in-drug-development-what-scientists-need-to-know-17367
Use of Artificial Intelligence (AI) in the medicinal product lifecycle, https://www.ema.europa.eu/en/scientific-guidelines/use-artificial-intelligence-ai-medicinal-product-lifecycle
Contribution to the REFLECTION PAPER ON THE ... - Faus Moliner, https://faus-moliner.com/wp-content/uploads/2024/01/2024-01-12-Aportaciones-Reflection-Paper-EMA.pdf
人工智能在药物研发中的应用(下):AI药物研发的探索和未来, https://m.cnpharm.com/c/2021-05-26/790625.shtml
国内药政每周导读:CDE 药物暴露-效应关系,罕见病模型引导和临床, https://lib.shilinx.com/wiki/index.php?title=%E5%9B%BD%E5%86%85%E8%8D%AF%E6%94%BF%E6%AF%8F%E5%91%A8%E5%AF%BC%E8%AF%BB%EF%BC%9ACDE_%E8%8D%AF%E7%89%A9%E6%9A%B4%E9%9C%B2-%E6%95%88%E5%BA%94%E5%85%B3%E7%B3%BB%EF%BC%8C%E7%BD%95%E8%A7%81%E7%97%85%E6%A8%A1%E5%9E%8B%E5%BC%95%E5%AF%BC%E5%92%8C%E4%B8%B4%E5%BA%8A%E8%8D%AF%E7%90%86%E5%AD%A6%EF%BC%8C%E5%8F%91%E9%85%B5%E5%92%8C%E5%8D%8A%E5%90%88%E6%88%90%E6%8A%97%E7%94%9F%E7%B4%A0%E6%9D%82%E8%B4%A8%E7%AD%89%E5%A4%9A%E4%B8%AA%E6%8A%80%E6%9C%AF%E6%8C%87%E5%8D%97
Generative AI for Biosciences: Emerging Threats and Roadmap to, https://arxiv.org/html/2510.15975v1