AI驱动药物发现 (AIDD) 行业研究纪要关键要点 **涉及的行业与公司** * **行业**: AI驱动药物发现 (AIDD) 行业，属于生物技术与制药研发交叉领域 [1][161] * **主要覆盖公司**: * **Insilico Medicine (3696.HK)**: 评级为超配 (Overweight) [6][90] * **Recursion Pharmaceuticals (RXRX.O)**: 评级为均配 (Equal-weight) [6][91] * **Schrödinger (SDGR.O)**: 评级为均配 (Equal-weight) [6][91] * **Absci (ABSI.O)**: 评级为均配 (Equal-weight) [6][92] * **AbCellera**: 在案例研究中提及 [20][23] **核心观点与论据** **1. 行业现状：AIDD已进入商业化阶段，但采用不均** * AI驱动的药物发现已从试点成功进入真正的商业化阶段，合作和平台交易急剧增加 [2][12] * 推动力主要来自**化学模型**的成熟，其提供了可衡量的执行效益，包括：更快的迭代周期、更高的苗头化合物到先导化合物效率、以及更低的单周期成本 [2][10][12] * 然而，采用仍然不均衡，主要集中在特定工作流程而非全系统整合，AI主要被用作执行加速器而非战略决策引擎 [2][12] * AIDD在全球研发支出中仍只占很小一部分，2025年生物制药AI相关交易总额超过500亿美元，但AI赋能的研发支出占比估计仍较低 [3][18][27] **2. 关键分野：化学模型成熟 vs. 生物学模型待验证** * **化学模型**: 专注于加速和优化药物发现中与合成相关的部分（如分子设计、性质预测）。模型成熟、可衡量，价值已得到证实，主要通过SaaS或服务费模式商业化 [10][21][69] * **生物学模型**: 旨在影响**开发什么药**（如靶点-疾病关系、作用机制预测），而不仅仅是**如何开发**。潜力巨大但尚处于验证阶段，需要临床数据证实 [3][11][14] * 生物学模型的验证是AIDD价值提升和广泛采用的关键，其成功可能将AI的角色从执行支持转变为跨发现流程的权威决策影响 [11][16][71] **3. 核心论点：2026年是生物学模型验证的关键转折年** * 2026年将有一系列集中的转化和临床数据读出，首次真正检验生物学模型能否展示经前瞻性验证的人类相关性 [4][16] * 积极的信号将使AI从辅助执行工具转变为权威决策支持，帮助AIDD跨越采用鸿沟 [4][16] * 多个公司的关键临床数据将在2026年读出，构成连续的验证机会 [16][20][56] * 中国凭借其规模、速度和临床基础设施优势，将成为这一验证周期的关键加速器 [4][16] **4. 投资框架：区分“执行价值”与“期权价值”** * 当前估值主要锚定在**化学执行平台**（证据强，收入模式清晰）。**生物学模型**仍被定价为期权 [5][21] * 提出 **CLARITY框架** 用于评估AIDD公司，核心要素包括：核心价值层（化学vs生物）、验证水平、AI决策自主性、收入模式匹配度、工业可扩展性、催化剂时间和投资回报率 [5][22][82][84] * 投资组合策略建议：**核心配置**于化学执行领先者（稳定增长，波动较低），同时**选择性配置**于具有近期数据读出的新兴生物学验证平台（提供不对称上行机会） [6][24][26][87] **5. 区域动态：中国成为AIDD发展的关键力量** * **中国优势**: * **资本与基础设施**: 六大科技公司预计在2026-27年每年维持约4500亿元人民币的AI相关资本支出，强大的计算基础设施降低了实验成本 [72] * **政策支持**: 政府自上而下推动，将AI定位为“新质生产力”核心驱动力，并出台多项具体指导政策（如《人工智能+行动》计划） [73][75] * **临床与成本环境**: 高效的临床基础设施支持快速反馈和模型迭代；强烈的降本增效需求推动企业快速采用AI工具 [13][77] * **交易活跃**: 2025年中国披露的AIDD交易价值超过123亿美元，较2023年增长近10倍 [75] * **中美对比**: 美国在基础研究、创新深度和前沿计算方面保持优势，但采用路径更分散。中国可能在采用速度、成本效益和现实世界验证方面快速赶超 [78][81] **6. 商业模式演变：随模型成熟而转变** * 化学模型的成熟使其易于通过SaaS或服务费模式货币化，价值体现在缩短时间和降低成本上 [69] * 随着生物学模型验证，商业模式预计将向**共同开发、内部管线以及包含里程碑和销售分成的下游经济参与**转变 [5][70][71] * 在这种模式下，AIDD公司将不再仅仅因速度或成本节约而获得报酬，而是通过与合作伙伴共担生物学风险并分享成功资产创造的价值来获取收益 [71] **其他重要内容** **关键催化剂与案例** * **Insilico Medicine**: ISM001-055 (TNIK抑制剂) 在特发性肺纤维化中的阳性2a期数据，为AI发现生物学提供了早期临床验证 [16][23][65] * **Recursion**: REC-4881 (MEK1/2抑制剂) 在家族性腺瘤性息肉病中的2期数据，验证了其表型组学操作系统 [16][23][67] * **Absci**: ABS-201 (靶向PRLR的AI设计抗体) 针对雄激素性脱发，预计2026年下半年读出中期数据，是对AI生成生物学假设的直接测试 [16][17][23][66] * 其他2026年关键数据读出涉及Recursion、Schrödinger、AbCellera等的多个项目 [20][64] **潜在风险** * **生物学模型**可能无法展示可重复的、前瞻性的人类相关性，已有临床挫折案例（如Syre的TL1A，SDGR的CDC7） [26] * 执行收益可能局限于孤岛，未能转化为端到端工作流程的采用 [26] * 组织惯性（数据孤岛、风险厌恶、激励错配）可能超过感知到的经济收益 [26] * 早期数据读出可能模棱两可，导致长期怀疑和采用周期放缓 [26] **量化效益与行业压力** * **AIDD效益**: 据公司基准，采用AIDD模型能够将临床前候选化合物时间缩短60-70%，并将临床前开发成本减半 [32] * **行业压力**: 全球制药公司面临显著的专利悬崖（持续至2035年）和研发投资回报率下降（静态IRR从2013年的6.5%降至2024年的5.9%），这加大了对压缩时间线和降低决策风险工具的需求 [13][41][42][45]