AI在制药研发中的应用与价值 - AI驱动的工具被主要寻求以大幅加速药物开发并降低成本[2] - AI越来越多地被视作增强内部研发生产力的方式 这是大型药企推动从依赖少数重磅药物转向更稳定差异化资产流的一部分[3] - AI生物技术公司In Silico是AI颠覆研发方式的典型例子 其AI开发的药物rentosertib从项目启动到候选药物选择的平均时间为13个月[1] - In Silico的rentosertib在特发性肺纤维化IIa期研究中显示安全并在改善肺功能方面显示出积极信号[1] - AI赋能药物开发商Valo Health的方法核心是利用AI解析数据以揭示复杂且通常异质性的疾病成因[13] 药企应对专利悬崖的策略 - 未来几年最大的销售药物专利到期潮（专利悬崖）加速了交易活动[7] - 根据GlobalData报告 2024至2030年间受专利保护的药物全球份额将从6%降至4%[6] - 仅在美国 2025至2030年间估计将因专利到期损失2360亿美元收入[6] - 辉瑞、诺华 尤其是百时美施贵宝最易受专利到期影响 百时美施贵宝将在此期间失去其最重磅产品抗凝药Eliquis和癌症免疫疗法Opdivo的独占权[15] - 药企采用多种策略来最小化顶级药物专利到期带来的收入下滑 其中AI正扮演日益重要且具潜在革命性的角色[8] - 传统上 收购交易用于填补专利到期损失的收入 但AI对行业的变革性影响现已开始引起大型药企的特别兴趣[4] - 除了研发和并购 药企并未放弃传统策略 例如拓展药物标签适应症以覆盖专利到期损失的收入[19] - 经常依赖次级专利来延长品牌药的生命周期 例如Keytruda的核心化学专利2028年到期 但皮下给药剂型的次级专利可延长至2040年以后[20] - 这一系列次级保护常被称为“专利丛林” 品牌开发商可以通过允许其制剂在价格以外的方面（如给药便利性或使用广度）进行竞争来“拉平”收入下降曲线[21] - 除了专利 药企还可转向商标以建立品牌认知度 这可能持续数十年[22] 药企与AI公司的交易与合作 - 近期药企与AI公司之间的交易日益增多 旨在增强内部研发并缓解补充药物管线压力[7] - 2025年10月 礼来宣布与英伟达合作开展里程碑式的AI超级计算机项目[4] - 2026年1月 阿斯利康同意收购Modella AI 同时葛兰素史克从英国伦敦的Noetik和美国加州圣马特奥的Helix获取AI能力[4] - In Silico已与多家药企就其AI能力达成合作 包括今年宣布的与齐鲁制药和施维雅的合作 以及2025年11月与礼来达成的潜在价值1亿美元的交易[9] - 2025年11月 Valo Health与默沙东签署一项30亿美元的交易 以寻找帕金森病的治疗靶点 从而吸引了默沙东的兴趣[13] - 这些交易表明药企思维模式的转变 从依赖被描述为“收入创可贴”的后期并购 转向寻求更有针对性的交易以获取可靠、优质的资产 而无需承担收购整个公司带来的巨额管理费用[10] AI对行业结构与研发模式的影响 - AI可能使专利悬崖过时 成为过去药物开发需10-15年时代的遗留物[23] - AI可能不会永久消除专利悬崖 但可以使收入下滑曲线变得平缓[23] - 药企正进行具体、有针对性的对话 探讨AI如何增强其管线[12] - AI投资的性质也在发生变化 像礼来和诺华这样的公司因超越了“创新表演”和表面的AI试点项目而准备充分[11] - 与In Silico等AI生物技术公司的合作可以压缩风险概况 药企合作伙伴寻求确定性 这使公司能在专利到期开始影响利润之前补充产品组合 可能终结“绝望并购”时代[9] - AI公司正充当外部研发引擎 以补充药企的内部研发引擎[12] 治疗领域与收入结构变化 - 礼来的GLP-1受体激动剂tirzepatide预计将在2030年前取代默沙东的Keytruda成为全球最畅销药物 届时礼来的收入预计将增长105%[16] - 大型药企排名重洗 源于产生最大收入的治疗领域和药物形态发生更广泛的转变[17] - 出现向代谢性疾病和肽类药物主导未来最畅销药物的明显转变 而过去肿瘤学是主要领域[17] - 尽管减肥药销售激增 但肿瘤学并未被放弃 主要开发商越来越希望实现多元化并减少先前对少数重磅药物的依赖 对心脏代谢、免疫学等其他治疗领域的兴趣日益增长[18] - 在近期2026年摩根大通医疗健康会议上 大型公司收购的缺席被广泛关注 2026年可能不会出现更少的收购 而是规模更小的、针对特定资产的收购[14]

人工智能正在引发制药革命 - 人工智能正在彻底改变药品的生产方式以及整个制药行业本身 [1] 人工智能在药物发现与设计中的应用 - 葛兰素史克公司的研究人员利用名为Phenformer的人工智能软件工具读取基因组，将基因组信息与表型联系起来，以了解基因如何驱动疾病并生成关于疾病及其潜在机制的新假设 [3] - Insilico Medicine公司率先将Transformer模型应用于药物研发，针对特发性肺纤维化，其人工智能在18个月内找到了候选药物rentosertib，而传统过程通常需要四年半 [4][5] - 人工智能可以筛选包含数百亿个分子的化合物库，通过软件模拟测试分子的效力、溶解度和毒性，无需进行体外实验 [6] - 阿斯利康公司采用人工智能方法筛选有效分子的速度是以前的两倍，目前该公司超过90%的小分子药物研发流程由人工智能辅助完成 [6] - 人工智能正被训练用于模拟蛋白质与其他分子的相互作用、预测RNA的折叠以及模拟虚拟细胞，以理解复杂的生物结构 [9] - Recursion公司建造了一个人工智能“工厂”，对数百万人体细胞进行成像并施加化学和基因变化，以学习基因和分子通路之间的联系模式 [9] - Owkin公司利用来自医院患者的大量高分辨率分子数据训练其模型，旨在实现生物学领域真正的通用人工智能 [9] 人工智能提升研发效率与成功率 - 人工智能将药物研发临床前阶段的时间从三到五年缩短到12到18个月 [6] - 一项2024年的研究显示，人工智能发现的分子在早期临床试验中的成功率达到80%到90%，而历史平均成功率仅为40%到65% [6] - 如果人工智能能够提升临床试验效率，一种分子成功完成临床试验的概率将从5-10%提升至9-18% [10] 人工智能在临床试验优化中的应用 - 人工智能通过分析候选人的健康记录、活检结果和身体扫描数据来筛选临床试验患者，识别最可能受益的人群，从而缩小试验规模、加快速度并降低成本 [7] - 人工智能可以创建合成病人（数字孪生）作为真实受试者的匹配对照组，通过分析历史数据来预测疾病自然进展，并与用药真实病人的疗效进行比较 [8] - 使用合成病人可以缩小甚至取消对照组，提高参与者接受试验治疗的几率 [8] - Unlearn.AI公司2025年的建模研究表明，该方法可将早期帕金森病试验的对照组规模减少38%，将一项阿尔茨海默病研究的对照组规模减少23% [8] - 数字对照组可以增强对早期疗效迹象的信心并改进后续试验设计 [8] - 葛兰素史克公司的Cogito Forge系统是一个基于人工智能代理的系统，能够编写代码、整合数据集并生成演示文稿来回答生物学问题、生成和验证疾病假设 [7] 行业投资与合作趋势 - 预计2025年至2030年间，人工智能药物研发领域的年度投资额将从38亿美元增至152亿美元 [5] - 2024年宣布的制药公司与人工智能公司之间的合作交易达12笔，总价值达100亿美元 [5] - 礼来公司与英伟达公司合作，旨在打造业内最强大的超级计算机以加速药物发现和研发 [5] - OpenAI正在与Moderna公司合作，加速个性化癌症疫苗的研发 [10] 行业经济背景与潜在影响 - 传统药物研发中，候选药物进入临床试验的失败率高达90%，研发出一种成功药物的成本高达28亿美元 [6] - 人工智能带来的效率提升能大幅降低药物研发的风险和成本，中期可能促进投资并增加上市药物数量 [10]