深度报告-2026-05-19-招银国际-中国医药_AI有望改变创新药研发范式_45页_2mb

报告摘要

中国医药行业：AI在创新药研发中的应用与前景

核心内容

AI制药正在成为创新药物研发的重要推动力，其核心价值体现在提升研发效率与临床成功率。当前，AI在药物研发的多个环节展现出显著优势，包括靶点发现、分子设计、ADMET预测、临床试验设计等。AI不仅能够压缩研发周期，还能通过多模态数据整合与深度学习模型提升药物发现的精准度和可预测性。此外，监管机构如FDA和EMA正在积极构建AI相关的监管框架，为AI制药的合规落地提供制度支持。

主要观点

AI重构研发范式：AI正在改变传统药物研发的流程，从依赖经验与实验的模式转向数据驱动与模型预测的范式。AI在靶点发现、分子设计、临床试验等环节均展现出显著效率提升。
早期效率红利已显现：AI可将药物发现周期压缩30%-40%，如英矽智能通过Pharma.AI平台将靶点发现至PCC提名时间压缩至18个月，远低于行业平均4.5年。
临床成功率是关键分水岭：尽管AI在早期研发中已展现价值，但真正的行业变革需依赖临床阶段的成功验证。目前，AI生成药物仍多处于临床早期阶段，尚未有完成关键III期临床并获得批准的案例。
数据成为核心壁垒：在公域数据普遍可及的背景下，高质量私域数据和闭环迭代能力成为AI制药企业构建竞争壁垒的关键因素。
监管框架逐步完善：FDA和EMA已发布AI实践十项原则，强调AI系统的可信度、可追溯性与合规性，推动AI在药物研发中的规范化应用。
AI在临床试验中的潜力：AI可用于试验方案优化、患者招募、成功率预测等环节，提升试验效率与成功率。数字孪生与合成对照臂等技术正在探索中，以应对伦理与资源限制。
NAMs方法加快应用：新方法论（NAMs）正逐步取代部分动物实验，以更接近人体生理的体外系统进行毒性与药效评估，提高转化率。

关键信息

AI技术应用领域：
- 靶点发现：通过多组学数据整合和知识图谱构建，AI可快速识别与疾病相关的靶点。
- 小分子药物研发：生成式化学与多模态属性预测引擎显著提升分子设计效率。
- 大分子药物研发：蛋白质结构预测与抗体从头设计推动生物药研发效率提升。
- 临床试验：AI可用于患者筛选、试验方案优化、成功率预测等，提升试验效率。
- 监管与合规：FDA和EMA正在建立AI在药物研发中的监管框架，强调可信度、可追溯性与合规性。
代表性企业：
- 英矽智能：利用Pharma.AI平台实现靶点发现与分子设计的高效整合，完成TNIK靶点发现至PCC提名仅需18个月。
- Recursion Pharmaceuticals：通过自动化湿实验室与深度学习模型，实现表型组学筛选，无需依赖单一靶点假设。
- Absci：利用AI进行抗体从头设计与亲和力优化，其设计的抗体在功能与结构上与已知抗体高度匹配。
- Generate Biomedicines：开发表面重构蛋白技术，降低免疫原性，提升药物安全性。
- Schrödinger：结合深度学习与物理引擎，实现高精度分子设计与优化。
技术挑战与未来展望：
- 临床验证不足：目前AI生成药物多处于I/II期临床，尚未有完成III期并获批准的案例。
- 数据壁垒：高质量私域数据与闭环迭代能力是AI制药企业构建核心竞争力的关键。
- 监管审慎：FDA和EMA对AI在临床试验中的应用持开放但审慎态度，强调可信度与合规性。
- AI与生物药结合：AI在抗体、ADCs等大分子药物研发中展现出潜力，但仍需进一步发展。