纪要涉及的行业和公司 - 行业：AI制药行业 - 公司：美国的Elica公司、哈贝尔、丁哥、金泰、January Therapeutics、西门子、NVIDIA、国内的大湾生物、Molecular Medicine、分子之心、百图生科、Engile 纪要提到的核心观点和论据 - AI在制药过程中的应用及效率提升 - 应用环节广泛：在靶点发现、药物发现、药物优化、工艺优化和临床试验等阶段均有应用，如预测蛋白质结构和对接、提高大分子性质、预测小分子ADMET特性、辅助细胞培养和纯化策略等[2] - 端到端成功案例有限：目前多数处于辅助阶段，对整体研发时间缩短效果不显著[1][3] - 提高研发效率：每天能获得大量有效数据，筛选潜在药物，虽短期内成效不明显，但未来会体现[18] - 算法、算力和数据的作用 - 算法：语言模型（如LSTM、Transformer）在小分子和大分子设计中应用广泛[2][4] - 算力：并非主要制约因素[2][4] - 数据：有标签的数据少是主要痛点，提高数据质量与多样性是提升效率和实现端到端研发的重要前提，高质量靶点数据有助于疗法开发[2][4] - AI在不同药物开发中的应用前景 - 老药新用：因历史数据丰富更易实现[2][5] - first - in - class新药开发：更具挑战但潜力巨大，引入复杂生物机理因素有望突破局限，如开发分子胶或PROTACs[2][5] - AI在药物研发中的逻辑和场景 - 基于已有分子数据训练：获得药物空间，筛选新分子，是较成熟且广泛应用的场景[6] - 预测靶点结构反推药物结构：用于de novo设计，但David Baker实验室尚未取得显著成功[2][6][10] - AI在小分子和大分子药物研发中的差异 - 小分子：原子数量少、结构刚性强，计算容易，AI应用顺利，高通量筛选结果更确定[6] - 大分子：原子数量多、柔性强，构象动态变化，难以准确预测，但用传统方法获候选药物后训练模型优化可取得不错成果[6][8] - AI制药企业面临的挑战 - 技术挑战：蛋白动态结构预测和分子对接有难度，模型泛化能力有限[2][17] - 商业模式挑战：自主研发成本高，CRO模式收入有限，里程碑付款或版税模式风险高[2][17][18] - AI在制药领域的其他应用及效果 - 高通量筛选：可生成大量化合物或大分子并评估结合能力，提高找到高结合力分子的概率，优化现有候选药物[2][23] - 辅助后续工作：可用于数据验证、患者选择及临床试验设计，如根据多种因素筛选患者、合理设计剂量和试验方法等[15] - 与结构生物学家协作：“人机协作”可实现最佳效果，提高效率并降低成本[2][25] - 带来新思路和突破：打破传统研发思维，探索新方向，设计不同特性化合物，提高成功率[26] - 在CXO行业的应用：虚拟筛选减少分子筛选工作量，加速分子开发和药物筛选，降低成本，增加业务机会[27] - 压缩时间和成本：可加速药物开发，但常规情况下前期开发时间和费用占比小，主要潜力在于提供新思路和设计多样性[28] 其他重要但是可能被忽略的内容 - 大规模蛋白质设计：非天然蛋白质合成可能有问题，但用丰富数据源训练预测模型可使生成序列符合预期规则，用人的数据生成预训练模型类似小分子处理方式[9] - 抗体药物量产：若成功率提高，抗体药物有可能实现一定规模量产，hydromax筛选出的抗体更接近天然状态[11] - 蛋白质结构预测进展：蛋白质分子对接突破是大进展，动态预测蛋白质交互作用是重要方向，目前AlphaFold等工具有不足，Schrödinger在尝试改进[12] - 数据获取：部分基因组数据来自公开数据集，需清洗，技术和生物学限制使稀有变化难以测出[12] - 自行设计模型和搭建系统：很重要，可增加信噪比，健康行业手环或手表数据对药企用处不大[14] - 大模型和DeepSeek的作用：对总结文献、建立知识库及知识图谱有一定帮助，在靶点发现上可找线索，但关键作用有限，主要作辅助工具[19][22] - AI制药企业需求和订单：主要集中在CXO公司，AI加合成生物学模式涉及产品销售与拓展[20] - AI对CXO公司商业模式及客户接受度的影响：优化抗体或小分子package费用使用AI后可能增加10% - 20%，客户通常可接受，纯粹AI服务公司收取milestone费用或共同研发模式难度大[20] - AI在药物优化中的表现：能提供不同类型序列，扩大探索空间，提高效率，减少优化数量和成本，但设计结果需实验验证[24] - AI技术对制药行业发展的展望：虽目前无足够数据证明能显著提高成功率，但未来在临床试验中可能表现更出色，有望带来更高成长性，与传统方法结合实现1 + 1 > 2效果[29]