本报告导读：
本篇报告聚焦AI制药从概念走向产业化验证的最新趋势，重点推荐具备平台化与持续产出能力的头部企业。
投资要点：
AI+制药重塑研发范式，行业从概念迈入实效验证期。生成式模型与强化学习的深度融合，显著提升分子设计效率，缩短研发周期，随着AI在靶点发现、分子生成、临床设计及上市后数据分析中的全面渗透，行业渗透率持续提升，AI+制药正成为创新药研发的重要基础设施。
O晶泰科技以“计算模拟+自动化实验+机器人系统”构建数据闭环壁垒，公司不以自有管线为核心，而通过合作与孵化模式推动多条管线进入IND及临床阶段，平台能力在跨项目验证中持续强化。其差异化优势在于高精度计算数据与标准化实验数据的持续生成能力，使模型迭代建立在真实世界反馈基础之上，具备长期复利特征。
0 英矽智能构建了“平台赋能+自研管线+对外BD”三层结构，形成端到端闭环能力。依托Pharma.AI平台，公司在靶点发现、分子设计及临床预测环节实现深度整合，多条自研管线进入临床阶段，并通过大额对外授权实现商业化兑现。公司收入结构逐步形成“项目制+经常性软件收入”双引擎模式，平台价值正由技术能力向资产能力转化。
O 跨国药企正将AI从单点工具升级为研发与生产体系的底层基础设施。2025-2026年成为MNC全面加码AI的关键窗口期，通过并购基础模型公司、共建算力实验室及多项目平台合作等方式，加速构建“算力-算法-数据-实验”一体化体系。交易结构普遍采用“低首付+高里程碑”模式，在控制转化风险的同时锁定潜在技术红利。整体来看，AI正在成为药物研发体系升级的核心变量。在人工智能与医药双领域共振下，我们看好AI+制药发展前景。相关标的：英矽智能、晶泰科技、维亚生物、成都先导、泓博医药。
风险提示。AI技术发展不及预期风险，BD交易达成不及预期风险，药物研发进度不及预期风险，监管要求变化风险。
1.AI+制药：技术重塑研发范式，行业从概念步入验证
1.1.从分子发现到临床阶段：AI赋能药物研发全流程
从分子发现到临床阶段：AI赋能药物研发全流程。传统药物研发的时间和成本不断增加，导致管线研发的回报率越来越低。与此同时，AI技术迅速发展，出现了生成式人工智能等颠覆传统的技术，赋予AI创造全新药物分子的创造力。其强大的能力可以应用在从靶点挖掘、候选药物发现、临床前研究和临床研究的药物研发全流程。靶点挖掘阶段：AI可高效整理、匹配并解释多种来源数据，形成生物学洞察，帮助研究人员形成新颖假设。BenevolentAI将大规模生物医学数据和文献整合为知识图谱，Recursion基于高通量表型组学数据和扰动图谱推断靶点和通路。英矽智能的PandaOmics平台将多组学数据、论文、临床试验等多来源数据整合，并采取多种分析方法，实现了可解释的靶点优先级排序，为公司构建靶点高度新颖的管线阵容提供支撑。
分子设计阶段：AI分子设计与优化减少湿试验数量，提效药物研发。候选药物发现是一个不断迭代优化的过程，通过设计、合成、测试、分析(DTMA)的循环，合成并测试大量候选分子才能得到可作为临床前候选药物的具有合适性质的化合物。
1)传统的候选药物发现过程：通常要经历漫长的迭代优化，合成并测试3000-5000个化合物并耗时约40-50个月，消耗药物发现项目总支出的30%。
2)生成式AI和强化学习的结合有望为药物早期研发带来变革。在强化学习和预测模型的引导下，生成式模型在设计药物分子时兼顾良好的靶点亲和力、ADMET性质和选择性等，同时根据湿实验反馈的数据改进，实现分子设计质量的显著提高，大幅降低湿实验次数。根据英矽智能等AI制药企业披露的数据，深度融合AI技术可以将一个药物发现项目中合成并测试的分子数量从3000-5000个大幅降低至200个以内，PCC提名时间从40-50个月缩短到12-18个月。AI基于ADMET、成药性、选择性等多个目标定向设计的分子，可能相比传统方法确定的候选药物具有更加优良的性质，降低临床前研究失败返工的概率，从而加速临床前研究。临床阶段：应用AI有望提高成功率。通过整合历史临床试验和患者数据，AI有望用于临床试验方案设计与优化、患者分层与招募预测、成功率预测等，缩短试验周期、降低运营成本并提升试验成功率。AI制药企业中，Recursion利用真实世界数据和患者组学数据，在临床试验启动前通过模拟优化试验方案，通过预测患者可能出现的热点地区，提高符合条件的患者被招募进试验的比例。英矽智能拥有在前瞻性预测中效果得到验证的的inClinico临床试验设计及预测工具，并且计划将PandaOmics靶点发现平台与患者分层模型深度集成，进一步提升临床成功率。
本文来自知之小站
报告已上传百度网盘群，限时15元即可入群及获得1年期更新
（如无法加入或其他事宜可联系zzxz_88@163.com）
