报告行业投资评级 - 看好（维持）[1] 报告的核心观点 - AI组成的三大要素为数据、算力和算法；AI制药与传统制药流程基本一致，AI主要在药物发现和临床前研究阶段发挥作用；AI生成模型在全新药物设计领域有巨大优势，结合强化学习可为新药设计提供新途径 [5] - AI技术与生物制药开发结合可加速新药发现和开发，建议关注AI医药行业，给予“看好”评级 [5] 根据相关目录分别进行总结 1 AI制药行业介绍 1.1 AI制药的发展历程 - 药物发现昂贵、耗时且成功率低，AI技术引入为制药行业带来新可能 [8] - AI制药发展分为3个时期：1956 - 1980年是雏形期；1981 - 2011年计算机辅助药物设计蓬勃发展；2012年至今AI制药快速成长 [8][9] 1.2 市场规模 - 2015年以来人工智能驱动的制药公司投资率显著增长，截至2023年8月，对800家公司的年度投资总额增长27倍达603亿美元，2021年增长最快，2022年投资总额下降 [12] - 2023年美国在AI药物研发初创公司占比55.10%领先，欧洲和英国分别占19.90%和9.95%，亚洲正快速崛起 [13] - 2010 - 2021年AI制药公司管线年均增长率36%，2018年后增长明显，虽规模仅为前20大制药公司的50%，但增长趋势和专注早期研发凸显其潜力 [16] 2 AI制药的产业链构成与政策 2.1 AI制药的产业链构成 - 产业链上游涉及算力、算法和数据，分提供AI技术和生物技术的企业 [17] - 中游主体分为AI+biotech、AI+CRO、AI+SaaS以及IT头部企业布局 [18] - 下游分为传统药企和CRO企业，分别通过不同方式进入AI制药赛道 [19] 2.2 AI制药相关政策 - 国外近年推出初版监管政策，如美国FDA和欧洲EMA发布相关文件 [22][23] - 国内陆续发布相关政策，各省市也出台特色政策，如上海发布多项政策支持AI制药发展 [24][27] 3 AI制药技术原理 3.1 算力 - 算力是AI驱动药物研发的重要支撑，常用算力有CPU、GPU、TPU，还有分布式计算和云计算 [30][33] 3.2 数据 - 大数据为AI在医药研究应用奠定基础，但医药数据数量和质量制约其发展，公开数据库分6类，非公开数据难获取 [35][37] 3.3 算法 - 机器学习和深度学习可从输入数据学习潜在模式，模型分回归和分类模型，按学习算法类型分监督、无监督和强化学习 [38] - AI生成模型在全新药物设计有优势，结合强化学习为新药设计提供新途径 [39] 4 AI在制药行业中的应用 4.1 AI技术在药物发现中的应用 4.1.1 靶点发现与验证 - 药物靶点决定药物创新性与可治愈疾病范围，AI通过学习多源数据找出潜在靶点，发现策略包括实验、多组学分析和AI计算方法 [45] 4.1.2 药物分子的设计和优化 - 利用深度生成模型和强化学习算法进行新药设计是有效方法，简单生成模型如基于RNN的生成模型可优化先导化合物，进阶AI生成模型如VAE、GAN、AAE在药物设计中各有作用 [48][49][51] 4.1.3 AI辅助药物分子筛选 - 基于配体的虚拟筛选通过已知活性配体筛选潜在活性化合物，基于结构的虚拟筛选基于目标蛋白三维结构筛选，多种AI技术被引入以提高准确性 [56][57] 4.2 AI技术在临床前研究中的应用 4.2.1 ADMET预测 - ADMET是衡量药物有效性和安全性的重要指标，机器学习和深度学习模型可提升ADMET性质预测准确性 [58] 4.2.2 晶型预测 - AI结合物理模型和机器学习算法可更准确预测晶体结构，应用场景包括晶体结构比对、转晶风险评估等 [61] 5 AI制药公司介绍 5.1 薛定谔（Schrödinger） - 成立于1990年，提供高精度分子模拟和预测工具，主要项目涵盖肿瘤学、免疫学和神经学等领域，多个项目进入临床或临床前研究阶段 [63] - 与大型制药公司合作巩固行业地位，2019 - 2023年总收入和软件业务收入增长，软件业务是核心驱动 [66] 5.2 BenevolentAI - 致力于将AI技术与生物制药开发结合，核心技术平台整合多种数据类型和AI模型，研发管线覆盖多个治疗领域，与多家大型制药公司建立合作关系 [68][69] 5.3 英矽智能（Insilico Medicine） - 核心技术平台PHARMA.AI由三部分组成，覆盖药物研发关键阶段，拥有31个研发项目，多条管线获IND批准，在多个治疗领域有研发成果 [71][74] 5.4 晶泰科技（XtalPi） - 推动全流程创新，小分子药物研发有ID4系统，抗体药物开发有XupremAb™平台，固体药物晶型研究有XtalGazer™平台 [76][79][80]