来源：百亿基金经理内参

　　近期，“木头姐”带领她的ARK研究团队发布了名为《Big Ideas 2025》的报告，长达148页，深入探讨了当今不断发展的五个技术创新平台。

　　其中，在多组学测序方面，报告指出，在海量多组学数据的支持下，结合可编程生物学的驱动，运行自主实验室的AI系统可能会显著降低药物研发全流程的成本，从而改变这个长期停滞的制药行业的回报状况。

　　无独有偶，某重仓该板块的基金经理在近日的一场内部交流会上，也分享了其对 AI 医疗，尤其是 AI 制药领域的看法。（因录音转文字，可能会存在部分错误）

　　核心观点如下：

• 2014 年起，全球生物制药研发热，AI 在生物医药领域愈发重要，国内算力和算法问题逐步解决。

• 制药流程涵盖多阶段，药物类型多样，AI 在多环节有应用，但目前主要是辅助，尚无全流程成功案例，提升效率效果不显著。

• 算法方向渐趋一致，算力不是瓶颈，数据少制约发展。数据质量差，老药新用数据易获取，新靶点及新药研发数据挑战大。

• AI 在小分子领域应用更顺，大分子生成有困难。药企多从公开数据获取信息，公开数据有质量问题。

• 技术上，蛋白预测、对接难，数据少；商业模式上，AI 制药成本高、CRO 服务盈利难。大模型目前效果不明显，收费合理时客户愿尝试 AI，AI 能减少实验分子、提供新思路，应用于 CRO 行业利弊共存 。

　　原文如下：

　　自 2014 年起，全球生物制药研发热潮涌起，与此同时，随着阿尔法 go 和 ChatGPT 等工具的出现，AI 在生物医药领域的重要性与日俱增。

　　曾经让人们忧心忡忡的算力和算法问题，如今随着DeepSeek 等开源算法工具的出现，在中国已逐步得到解决。

　　在制药过程中，制药流程一般涵盖靶点发现、药物发现、药物优化、工艺优化、临床试验等阶段，药物类型多样，包括小分子化学药、大分子的蛋白、RNA、基因治疗、细胞治疗等。

　　AI 在靶点发现、药物发现、优化及工艺优化等环节都有涉足，临床方面也有公司借助 AI 进行病人筛选和临床数据解读。不过，目前 AI 制药大多还处于辅助阶段，还没有端到端的成功案例。

　　虽然在蛋白结构预测、分子对接、性质优化、ADMET 预测、合成方法设计、细胞培养及纯化策略选择等方面有应用，但在大幅提高开发效率上效果还不太显著，和传统制药在时间上差异不大。

　　说到算法、算力和数据在 AI 制药中的关键作用，在算法方面，早年研究较为宽泛，2015 年起基于语言模型如 LSTM 开展工作，2017 - 2018 年开始很多人在小分子和大分子设计上使用 transformer 模型，方向逐渐趋于一致。

　　算力在 AI 制药上并非大瓶颈。而数据方面，有标签的数据太少是最大的痛点，严重制约着效率提升及端到端药物研发。

　　要确保数据质量和多样性以支持大模型训练，干湿闭环结合真实世界验证是很有必要的。

　　数据质量一直是生物医药行业的难题，生物医药期刊实验结论可重复率低，每批数据的产生受受试对象、检测方法、生物本身波动等多种因素影响。

　　对于研究较多的靶点，像 PD - 1、HER - 2，数据相对真实且量大，有利于大分子 AI 应用。但新靶点数据存在挑战。

　　目前在老药新用方面数据支持相对容易，全新的 first - in - class 药物研发数据挑战则很大。

　　目前 AI 在老药新用方面相对容易，因为有较多数据支持。在 first - in - class 药物研发上，虽然难度大，但已有团队在尝试。

　　比如 Baker 实验室及其公司 sarra，基于 transformer 和 diffusion model 生成大小分子药物，这是做 first - class 药物的方向之一。

　　其逻辑是通过预测靶点结构，确定影响蛋白质的机制和结合面，反推药物结构。不过目前通过此方式成功设计出来的大分子药较少，小分子药相对较多，因为小分子原子少、计算容易、筛选成本低，可通过结合面预测合成类似物进行筛选。

　　AI 在小分子领域应用相对更顺利，因为小分子原子少、结构相对刚性，计算容易，可通过高通量筛选得到更确定性答案。

　　而大分子是蛋白结构，原子多且具柔性，在溶液中构象动态变化，难以同时预测准确，目前在通过 AI 直接生成有做药能力的大分子方面存在困难，但可先通过传统方法获得阳性大分子候选数据，再训练优化模型得到不错的大分子药物。

　　如果以抗体为例，Baker 实验室做全新蛋白结构设计，其序列若通过 OS 数据库获取，需对数据调优，洗掉脏数据，以此做 process model ，生成的序列可能在训练数据规则内。

　　大家认为以人的数据生成普遍模型，再从中 generate 数据，大概率会靠近人的特性。但对于 AI 做蛋白设计，其生成序列的天然性一直是讨论热点，不过总体认为通过上述方式生成的抗体在成药性上问题不大，与传统方法筛选出的抗体相比，成药性更接近天然。

　　要是蛋白分子对接能做好，对大分子做药或从头设计药来说是重大突破。像 David Baker 等用数学 model 生成抗体等，最大问题是蛋白的柔性及结合位置构象变化大，仅做静态结构模拟远远不够。

　　目前阿尔法四三在蛋白相互作用方面做得不好，若有公司能在该方向取得进展，将是很大突破，但具体谁先成功还不确定。

　　药企进行药物开发时，大部分数据源从公开数据集获取，如 gam express、NCBI 等有大量数据，以前在美国学校还可 access 美国人类基因组数据，中国也有相关人类基因组数据获取途径，此外还有企业自身的 property 数据。

　　公开数据存在质量问题，受实验室操作、实验环境等影响大，且在疾病信息传导路径中起关键作用的上游数据变化量小、表达量少，难以被测出来，不利于发现新靶点和利用数据。

　　但通过数据清洗可一定程度改善。与医院私密数据相比，公开数据可能不是最核心的，但经过处理后仍有重要价值，同时自己进行数据设计和模型搭建也很关键。

　　药企对健康行业如手环或手表的数据需求不大，这类数据在药物开发中作用不明显。

　　在药物研发后续工作中，药物靶点及特性可能受人群基因型、种族、性别、年龄等影响，AI 可用于患者筛选，通过考量覆盖机型等因素选择合适人群。

　　在临床试验设计方面，AI 可根据召回患者情况，更合理地设计剂量、每期临床试验方法，提高药物成功几率。

　　在整个医疗领域终端应用方面，靶点发现上，美国 autun wise 较知名，国内相关公司较少。

　　药物发现与设计方面，David Baker 的公司、修定格等有潜力做 d novo 药物设计，多数公司做药物优化，如国内金太在 ADMVT、free energy proportion 方面较出名，与 first 有长期合作；大分子方面，b cat 在 CDR 区优化等方面表现较好。

　　临床方面相关公司较新。生产方面，美国有公司通过看细胞照片判断细胞是否适合生产，国内大湾生物可通过细胞数据或影像优化细胞培养。工艺方面，西门子在细胞工艺发酵过程引入相关工作。

　　底层服务方面，NVIDIA 集成很多工具。国内金泰是 AI 上市药企，在 reformation 等方面较出名；inc inc ical medicine 在靶点筛选等方面有较多工作；分子之心在大分子基于已有序列改造，提高成药性和亲和力方面有成功经验；百图四五年前开始做免疫知识图谱、药物发现等方向，但目前还未听到成功案例及相关更新。

　　从挑战来看，技术层面，蛋白结构动态预测难、分子对接难、标签数据少，特定靶点 AI 模型泛化能力不好。商业模式方面，AI 制药企业自己做药成本高，且临床成功率与是否用 AI 关系不大；提供 CRO 服务赚钱有限，客户付费意愿低；提供 AI 服务收 milestone 和 royalty 等较难，除非是非常特别的药物和靶点。

　　短期内，技术挑战难以完全解决，商业模式也需不断探索完善。

　　在药物发现上，大模型以及 deep seek 目前效果不大。小分子和大分子药物很早前就引入 transformer 相关模型，基于语义表达开展工作，如小分子用 ipc 式子表达、大分子把氨基酸当 token 用 transformers 模型。大家会用类似 gbt 或 deep seek 的模型架构，但不会直接用，而是用化合物库（如 ipc）或抗体数据库（如 OS）的数据训练模型。

　　大模型如 GPT、deep seek 这类通用文本模型，在总结文章、建立实体关系模型、靶点发现中读文献找 hint、建立知识库和知识图谱方面有帮助，但不是关键。

　　在化合物库和抗体序列处理上，会将其当作类似语言模型处理，但直接应用 GPT 或 deep seek 进行药物研发较难想象，更重要的还是自身训练的大模型、筛选模式和选取高质量数据的方式。

　　如果收费合理，客户愿意尝试 AI。目前保证成功的抗体或小分子优化 package 收费在几万到 10 万美元，使用 AI 可能增加 10% - 20% 费用，客户基本可接受。

　　但纯以 AI 提供服务，收取 milestone 和 royalty 难度大，因药物研发成功率低，整体投入大，客户不愿承担风险。

　　AI 最擅长在已有与靶点结合的 candidate 基础上，生成很大空间，看生成的化合物或大分子是否有相同结合能力，进行大小分子虚拟筛选和大分子虚拟筛选及药物优化。

　　与传统结构生物学家设计相比，AI 能提供更大空间，给出高潜力结合分子情况。例如在药物优化中，AI 生成序列约 20% 有结合力，其中约 10% 结合力更好，相比传统饱和点突变等方法，可大幅减少实验分子数量，提高效率。

　　在 AI 药物优化循环中，结构生物学家可辅助判断 AI 设计的分子，但因 AI 设计的分子与原本差异大，结构生物学家判断也有难度。

　　所以结构生物学家和 AI 都会进行设计，AI 设计的分子通过实验验证是否结合更高效。在药物优化中，传统方式需大量分子实验，AI 可减少实验分子数量，虽然不能保证每次 AI 表现都优于结构生物学家，但提供了新工具和不同序列类型，有很大价值。

　　从设计和表达纯化费用看，AI 减少实验分子数量可能使整体收入减少，但降低了制药门槛，可能带来更多生意。

　　在时间方面，虽然从 DNA 到 IND 部分工作时间可压缩，但该阶段时间和费用在整个药物研发中占比不大，更关键的是 AI 能提供更多解决思路和增加设计丰富度。

　　整体而言，AI 应用于 CRO 行业对推动医药行业发展是利好，可能带来更多需求，但在成本和时间压缩上空间有限，且在减少人力方面可能存在冲突。

海量资讯、精准解读，尽在新浪财经APP

责任编辑：江钰涵