即刻关注上方「导员不Easy」
与万千菁英共同成长
全文3245字,阅读大约需要8分钟
01
AI系统性破解“三高”困境
在生物医药行业,一个困扰全球数十年的“三高”困境——高投入、高风险、长周期——正迎来破局的曙光。传统模式下,一款新药的诞生平均需耗费26亿美元、超过10年时间,但最终能从实验室走向药房的分子成功率不足10%。人工智能的崛起,如同一把精密的手术刀,正在系统性地切入药物研发的每一个环节,将这一充满艺术性的探索过程,逐步转变为可计算、可预测、可加速的数据驱动型科学。
AI对制药的改造是全链条的,其最深刻的颠覆发生在早期的发现阶段,即寻找和设计候选药物分子。传统靶点发现依赖研究人员的深厚学养和一定运气。AI,特别是自然语言处理和知识图谱技术,能够以人类无法企及的速度与广度,同时挖掘数千万篇科学文献、专利、临床数据库和组学数据中的隐藏关联。它不仅能快速总结已知,更能提出全新的、具有因果关系的疾病机制假说,帮助科学家跳出思维定势,识别出全新的、具有“可成药性”的治疗靶点。这相当于为靶点发现装上了“智能雷达”,将这一过程的效率提升数倍。
分子的从头设计是AI显示其“创造力”的核心舞台。过去,药物化学家需要依赖经验,在已知的化学“库”中筛选或进行有限修饰。新一代生成式AI模型可以根据指定的靶点特性、理想的药物性质(如口服生物利用度、低毒性),从头开始“凭空想象”生成出全新的、自然界不存在的、且具有合理性的分子结构。这极大地扩展了可探索的化学空间。
对于海量的候选分子(无论是生成的还是数据库中的),基于深度学习的分子对接和性质预测模型,可以在几小时内完成对其活性、选择性及ADMET(吸收、分布、代谢、排泄、毒性)性质的初步评估,准确率已相当可观。这替代了原本需要耗费数月、花费巨大的初步化学合成与生物测试,将筛选“命中”率提升数个数量级,并能提前淘汰掉90%以上可能失败的分子。
同时不可忽视的一点是理解靶点蛋白的精确三维结构,是设计药物的关键。2020年DeepMind的AlphaFold2横空出世,解决了困扰生物学50年的蛋白质折叠难题。如今,其迭代版本及类似工具,能以实验级的精度在数分钟内预测出几乎所有人类蛋白质的结构,为基于结构的药物设计提供了前所未有的“蓝图”。去年发布的AlphaFold3,更是将预测范围扩展到蛋白质与核酸、小分子等配体的复合物结构,让药物作用的初始模拟变得更为精准。
图1 从头设计蛋白的高分辨晶体结构(天蓝色)与设计模型(绿色)比较
02
赋能全流程:从临床前到商业化
AI的价值链延伸远超早期发现,临床前研究可以提前规避风险。AI模型可更准确地预测候选药物的毒性和代谢途径,帮助在动物实验前就识别出潜在的安全问题。在制剂开发中,AI也能加速预测药物在不同配方下的稳定性,优化生产工艺。AI正从三方面优化:1.患者精准招募:通过分析电子健康记录和基因组数据,AI能快速匹配到最符合试验条件的患者,将招募时间缩短30%以上。2.试验方案优化:利用模拟技术,AI可以测试不同剂量、终点设计和患者分层策略,找到成功率最高的试验方案。3.临床终点预测:结合医学影像分析和可穿戴设备数据,AI可以识别更敏感、更早期的生物标志物,甚至替代部分临床终点,从而缩短试验周期、降低成本。
当前,AI制药已从早期的技术狂热,进入冷静务实、追求产出的新阶段。市场前景与投资热度:全球AI制药市场预计将从2023年的约120亿美元增长到2030年的近千亿美元,年复合增长率超过30%。尽管资本市场时有波动,但全球大型药企如辉瑞、罗氏、诺华等均已深度布局,通过合作、投资或自建团队押注AI。这表明行业对其长期价值形成了共识。
领先的AI制药公司正构建 “干湿闭环” :即计算(AI设计)→ 自动化实验(机器人合成测试)→ 数据反馈的迭代循环。自动化实验室能7x24小时验证AI的预测,并产生高质量数据反哺AI模型,形成自我强化的飞轮效应,这是构建竞争壁垒的关键。初步成果涌现:行业已从发表论文转向交付实物管线。目前,全球有超过200款由AI辅助发现的药物进入临床阶段,其中已有进展到临床II期、III期的案例。首个完全由AI发现和设计的药物(例如,英矽智能的INS018_055)已进入II期临床试验,这被视为重要的行业里程碑。
03
三维透视晶泰科技
在众多AI制药公司中,晶泰科技凭借其独特的技术路径与扎实的商业化进展,确立了国内领军者的地位。晶泰的核心优势在于其基于第一性原理(量子物理)的计算平台。与单纯依赖公共数据训练的AI模型相比,量子计算能更精确地模拟分子间的微观相互作用,产生高质量、高保真的专用训练数据。截至最新资料,其平台已积累超7000万小时的量子化学计算数据,构成了难以复制的数据资产。结合强大的云计算能力,公司构建了越用越精准的“数据-算法”飞轮。
晶泰的业务模式正从纯粹的技术服务(FFS),向共同研发(合作分成)和自研管线拓展。1.对外赋能:已与全球超过230家生物制药公司合作,执行了超过870个研发项目,客户包括辉瑞、礼来、正大天晴等巨头。这验证了其平台技术的通用性与可靠性。2.自研推进:已建立内部管线,聚焦于KRAS G12C、SOS1-KRAS等传统方法难以攻克的“不可成药”靶点。其中,针对KRAS G12C的口服抑制剂已进入临床前晚期阶段,展示了其平台设计高难度分子的潜力。
晶泰科技最新财报显示,2025年上半年营业收入约7997万元人民币,同比大幅增长86.3%,但公司仍处于战略投入期,经营亏损约4.35亿元;其增长主要源于智能机器人解决方案业务的快速发展,增速已超过传统药物发现业务,同时公司正通过向新能源材料等领域拓展实现平台化转型;为支持发展,公司近期已完成配股,净筹资约20.8亿港元以补充资金。
04
通往“AI赋能新药成功”的漫漫长路
尽管前景广阔,但晶泰科技及其代表的AI制药行业,仍面临必须直面的核心挑战——临床成功率。所有AI算法的优越性,最终必须通过 “临床试验成功” 这一铁律来证明。目前,全球尚无完全由AI从头设计并成功上市的药物。晶泰科技的自研管线大多处于临床前阶段,其平台技术的终极价值,需要首个自研或深度参与的候选药物在临床中(尤其是II/III期)取得积极数据来验证。这是其从“潜力股”转变为“价值股”的关键分水岭。持续的高研发投入导致公司短期内难以盈利。如何在 “承接技术服务获取现金流” 与 “投入自研管线博取更大远期收益” 之间取得平衡,是管理层的战略难题。市场将密切关注其营收增长能否逐步收窄亏损曲线。
全球AI制药赛场高手云集,既有Schrödinger、Relay等国际上市公司,也有国内一众创新企业。竞争不仅在于算法,更在于对生物学复杂性的理解、高质量数据的获取以及与传统药企的深度绑定能力。行业可能出现早期整合,技术领先且资金充足的企业将通过并购或合作进一步扩大优势。全球药品监管机构(如FDA、NMPA)正在逐步建立对AI/ML用于药物开发的审查框架。如何满足监管对算法可追溯性、可解释性及数据质量的要求,将是AI制药产品获批上市前必须跨越的合规门槛。
AI在制药领域的应用是不可逆转的潮流。晶泰科技凭借其深厚的技术积累和先发优势,已在国内处于第一梯队。它的未来发展,将是中国AI制药行业能否从 “技术跟随”走向“价值创造” 的试金石。其成功与否,不单取决于技术是否尖端,更取决于能否将技术转化为经得起临床和商业双重检验的实体产品。对于投资者和行业观察者而言,关注晶泰,不仅是关注一家公司,更是关注一个正在被技术重新定义的未来制药图景。它的每一步进展,都将为“AI能否真正发明好药”这一时代之问,增添一个重要的中国注脚。
参考文献
1https://www.xtalpi.com/approach_auto_lab/
2.https://www.grandviewresearch.com/industry-analysis/ai-drug-repurposing-market-report
3.https://www.grandviewresearch.com/industry-analysis/artificial-intelligence-drug-discovery-market
4.Huang, B., Xu, Y., Hu, X., Liu, Y., Liao, S., Zhang, J., Huang, C., Hong, J., Chen, Q., & Liu, H. (2022). A backbone-centred energy function of neural networks for protein design. Nature, 602(7897), 523–528.
声明:本文章重在分享科研方法、资讯、传播知识。如有错漏之处,还请同仁指正。文章不构成任何投资建议,也非临床预防、诊断、治疗建议,必要时请咨询医师。未经许可严禁商业性转载,非商业性转载请注明出处,如有侵权请联系作者删除。