AI辅助药物研发分布在药物发现、临床前研究、临床试验和药品销售等阶段，布局最多的环节是先导化合物的设计优化合成，其次是化合物筛选、靶点发现和药物重定位，晶型预测、剂型设计环节布局的公司相对较少。

AI制药在研产分析

2022年国内AI制药领域，小分子化合物虚拟筛选，新靶点发现以及药物优化设计和药物重定向布局较多。部分中国企业已发展出自有专利的开发平台，并探索前沿领域如小分子晶体结构预测、原发药物设计等。国内外暂无利用AI技术上市的新药。

图表2022年中国AI制药各领域分布情况

全球AI制药领域主要聚焦在癌症和精神类疾病，占比超过50%，其次是心脑血管、肝肾肠胃和呼吸系统，占比大约30%，其余领域包括糖尿病、眼病、白血病、感染类疾病、免疫类疾病、药物副作用等，个别企业布局了遗传疾病及罕见病等小众赛道。

图表 全球AI制药集聚领域

美国的产品研发进程领先。截至2022年6月，全球共有26家AI制药企业的约51个AI辅助进入临床Ⅰ期的药物管线，80%以上为美国企业。2022年中国AI制药取得突破进展，截至2022年，已有14家企业成功将管线推进至临床阶段，大部分都处于临床Ⅰ期。英矽智能首个完全基于AI的管线ISM001-005进入临床Ⅰ期，并完成了首批健康受试者给药，这也是中国首个进入临床的AI研发药物。

2023年年初，在新西兰临床Ⅰ期试验中取得积极数据，在安全性、耐受性、药代动力学(PK)方面均表现良好，在中国的临床试验将进入临床Ⅱ期。2022年有四家AI制药企业获得临床试验批件，分别是劲风生物、宇耀生物、费米子和德睿智药。埃格林医药针对子宫内膜癌适应症的EG-007已经推进至临床Ⅲ期，是目前国内进展最快的管线。

图表2022年中国AI制药部分管线进展

AI制药应用场景分析

AI技术在医药研发应用的环节包括靶点发现和识别、化合物合成和筛选、晶型预测、药物从头设计、药理作用评估、ADMET预测、临床试验等，涵盖药物发现、开发和临床全流程。AI主要应用于药物研发阶段的药物发现、临床前开发阶段，随着ChatGPT的不断应用，AI将向临床开发阶段渗透。

图表 AI在新药研发中的应用场景

图表 AI技术在新药研发不同场景中的作用

图表AI技术在药物研发和用药安全的应用情况

药物发现和临床前研究是AI主要优化环节，通过AI虚拟筛选可以替代大规模筛选的湿实验方式。在药物发现环节，利用机器学习、深度学习、大数据、自然语言处理等核心技术提升靶点搜索发现效率，利用深度学习模型预测化合物性质进行筛选，减少成本和开发周期。在临床前开发环节，主要通过预测药物性质、制剂和晶型的设计进行修正优化。

药物发现阶段，AI新药研发的应用聚焦于靶点的发现/验证，以及候选药物分子的筛选优化。在药物靶点发现和药物设计环节的技术应用相对成熟，据Nature文献，现有AI解决方案在药物发现阶段更具先进性，专利发布数量尽管还较少但主要技术指向还是集中分布在药物靶向确定和化合物筛选。AI在传统化药研发领域赋能较大，因为产业发展成熟，积累了大量关于化药研发的数据，研发风险低，化药领域已经形成较为成熟的研发体系，产业生态配套。

在临床阶段应用处于探索期。原因在于两方面：一方面，临床阶段数据获取难，质量不足。数据在不同医院形成数据孤岛，涉及患者隐私，面临政策监管，主要依靠人工记录，数字化程度有待进一步提高，数据水平参差不齐，数据量较少。另一方面，AI在临床阶段应用难度更高，进行人体试验替代的可能性不大，更多是对数据进行统计学预测和分析，起辅助作用，比如进行临床患者分层招募，临床试验结果预测、临床试验设计优化以及代替临床对照组真实患者等。

AI新药研发在化药领域，虚拟筛选、分子生成、靶点发现及ADMET预测等场景应用更多。新形态药物递送、化合物合成、临床患者招募分层、临床结果预测、临床试验设计优化、虚拟临床试验、真实世界研究将成为AI新药企业的潜力场景。

图表 新药AI研发各类应用场景发展能力分布

(一)靶点发现和识别

靶点发现及验证是药物发现阶段最重要的环节之一，也是核心痛点之一。随着微流控、传感、成像等交叉技术在测量仪器中的应用，单细胞测序、高分辨成像、蛋白质谱等领域进展迅速，获取信息的精度提高、维度增加、通量增大，为靶点和疾病关联关系的挖掘和研究提供了海量数据，利用AI技术进行靶点发现及验证成为AI制药行业发展趋势之一。

靶点发现环节一般应用AI自然语言处理技术，通过文献、专利、组学数据、实验数据等医学大数据的挖掘分析来实现，通过深度学习发现隐藏的药物与疾病、疾病与基因之间的连接关系，对正常组织和疾病组织比较，分析基因组、转录组、蛋白组、代谢组的差异，结合通路分析、分子立体结构和强大的数据整合来发现靶点信息。难点在于发现新靶点需要极其专业的生物学知识，数据量较小AI更适合解决确定性场景问题。

已知生物活性的分子，需要鉴定其作用靶点阐明其作用机制，进入药物开发阶段，通过分析和学习目标分子的已知类似分子的靶点，为目标分子预测其靶点。难点在于两种场景应用较困难，一是目标分子是全新结构，无法匹配到合适的类似物分子，二是目标分子靶点为新靶点，该靶点尚未有已知的配体分子。

进行靶点预测的AI底层算法主要包括机器学习、深度学习、大型语言模型、知识图谱等。从方法上来讲，AI目前主要通过基于多组学分析、基于蛋白质序列、基于蛋白质结构和网络和基于网络药理学这四个技术路径来赋能靶点发现。

1.多组学分析和药物靶点预测

高通量测序技术的发展积累了海量的组学数据，AI算法可以一定程度上跨越多组学数据的高度复杂高维度特点，通过多维度组学数据的整合和高通量功能筛选更加系统地发现与临床密切相关的靶点。特别是深度学习，非常适合处理复杂和非结构化数据，并且具有在多模态数据中发现非线性和多维数据。随着AI技术在模型稳定性、可解释性、可迁移性以及与生物领域知识融合等方向的发展，AI技术在靶点识别中得到更广泛的应用。

图表AI用于靶点发现(基于多组学)

图表 AI用于靶点发现(基于分子-靶标识别)

2.基于序列的蛋白质可药靶性的发现

序列相似的蛋白质在一定程度上具有相似结构和功能，因此靶点序列相似性分析是研究潜在靶点的重要途径。靶点的序列信息还衍生了许多额外的描述符，如蛋白质数据的表征方法里介绍的CTD描述符，除了基本的氨基酸组成之外，还包括由氨基酸组成计算的各种理化性质，如疏水性、极性、极化性、电荷等。深度神经网络(DNN)和K最近邻算法(KNN)是常用的AI算法，针对这样的数据来预测新的靶点。

图表DNN和KNN的算法原理

3.基于蛋白质网络的可药靶性发现

基于网络的可药靶性发现的原理是在知识图谱及其嵌入模型上，评估和推断不同生物实体之间的相互作用，从而发现新的可药靶性蛋白。

成熟的蛋白质结构数据库包括PDB、SCOPe、CATH、AIphaFold、TTD等，还有与其他分子相互作用的信息等多种数据库，如蛋白质组数据库、蛋白质相互作用数据库、药物基因组学数据库、基因本体论数据库、药物及其治疗靶点的信息、药品数据库、药物-靶点关系数据库、药物不良反应数据库等。基于知识图谱预测可药靶性识别的方法，可以整合多源异质的生物医药信息，并获取其中的内在关联，在蛋白质可药靶性的识别上占据十分重要的地位。

TriModel模型是一种基于知识图谱嵌入的药物-靶标预测方法，通过使用如KEGG、UniProt和DrugBank等现有的生物知识库，生成了与药物-靶标相关的生物实体知识图谱，然后训练TriModel模型来学习药物-靶标的有效向量表示。

图表 TriModel模型原理

4.基于网络药理学的靶标发现

网络药理学是结合生物信息学、网络科学和药物学等学科的新兴交叉学科。它基于大规模数据和计算机技术，探究药物分子与生物体内靶点、通路、基因等分子间的相互作用网络，以及这些相互作用对于药物药效、毒性、代谢等影响。将药物、靶标等内容抽象成一个复杂的生物分子网络，可以通过它们之间的相互作用关系来认识疾病发生和发展的生物学机制。未来网络药理学的研究将会涉及更多的多模态数据，如基因组学、转录组学、蛋白质组学、代谢组学等数据。

图表 网络药理学中药物成分-靶标网络图

免责声明：本公众号发布内容部分信息来源网络，本平台不对文章信息或资料真实性、有效性、准确性及完整性承担责任。文章仅供阅读参考，不作任何投资建议，如有侵权请联系删除。