行业分析：AI制药 * 行业现状与挑战：AI在制药领域的应用成熟度呈现递减趋势，在早期靶点发现和分子设计环节应用成熟、帮助大，能显著提升效率，例如将过去需要10天的工作缩短到1天[4]；但在临床阶段支持有限，且实验数据的认可程度和监管法规是短期（一两年内）难以突破的瓶颈，限制了AI机器人的大规模应用[2][4][5] * 核心要素与竞争格局：算力、算法和数据对AIGC发展都至关重要[2][6]；大型药企拥有历史数据优势，但传统数据需要重新处理才能适用于AI系统，是巨大挑战[6]；小型生物科技公司则可以从零开始灵活构建符合AI需求的数据体系，大型药企转型AIGC不会立即取代小型公司[2][6] * 人才需求：AIGC领域人才通常需具备生物医药或算法背景，目前主要依靠进入行业后通过实际工作逐步培养[2][7]；传统药企研发人员利用AI工具可提高效率，实现1+1>2的效果[2][7] * 应用效果与差异：AI在优化现有分子（Best-in-Class）方面表现更为出色，能通过修改官能团等缩短验证时间和成本[28]；但对于寻找全新靶点（First-in-Class），由于历史失败数据较少，AI算法的效果会受到限制[28]；目前AI应用更多集中于小分子领域，部分原因是工具发展状况及大分子历史数据积累存在质的差距[30] * 行业合作趋势：出现结合强大技术平台与丰富数据药企的合作模式，如英伟达与礼来的合作，旨在打造卓越的新药研发平台[29]；大型公司转型面临挑战，因此更多选择与biotech企业合作以利用其现成平台[29] 公司分析：英西公司 (Inferred) * 商业模式与战略：商业模式独特，同时拥有AI平台（Farm AI）和自有管线，两者相辅相成、互相迭代[2][11]；通过自有管线研发并通过授权（license out）获得收入，确保了更好的结果反馈[2][12][13]；战略重点仍是推进自有管线并通过授权Pipeline获得大额收入，而非单纯作为数据或平台供应商[2][14]；为获取临床原始数据反哺自身临床平台，有时会在授权合同中牺牲部分里程碑付款[2][14] * AI平台优势：Farm AI平台具备强大的计算能力、高效的数据处理能力以及先进的算法支持[2][10]；通过整合多种组学数据，提高筛选效率并优化临床试验设计[2][10]；早期深耕积累了大量按AI可用方式整理的内部分数据[11]；AI平台与管线开发交互迭代，管线获得的实验和临床数据反过来提升AI平台[11] * 研发效率与成果：使用AI进行新药开发，从找到临床前候选化合物（PCC）到完成整个过程约需12至18个月，而传统方法需要3至4.5年，时间缩短至1至1.5年[25]；已有十几条管线获得临床批件，证明其临床前流程得到药监局认可[23] * 管线进展： * 核心管线：进展最快的是项目055，靶点通过AI发现，显示出比现有上市药物更好的治疗效果，正准备进入三期临床试验[16]；项目5,411（APD项目）机制属于first in class，已完成一期并进入二期，一期结果不错，是一条重要管线[16] * 其他管线：在IBD和APP项目中，新分子已完成一期并进入二期，凭借其肠道定位特性，预计副作用较小，二期数据预计在2027年底披露[18]；除已披露项目外，还有四五个肿瘤相关的一期临床试验正在进行中[21]；肿瘤领域重点关注T靶点和QPCTL靶点，正全力推进中[22] * 项目决策与授权：公司更关注分子本身表现和临床数据来决定自行推进或向外授权，理论上任何阶段都可授权[15]；但越早授权因实验数据不充分会影响收益，在现金流和资源允许下可能推迟授权以获取更高价值，例如USP2项目先自行推进一期再授权，从而获得更高合同金额[15] * 临床运营与未来合作：临床团队规模约20人，部分成员位于美国，目前将许多CRA工作外包给CRO公司[19]；未来会根据项目和国家情况寻求合作，对于前景良好的项目，可能在三期快结束时寻求其他公司合作共同推进[20] * 生物标志物策略：一期筛选生物标志物时可能不体现在试验方案中，但筛选病人时会倾向于这些标志物以验证AI平台的推荐[24]；上市后适应症范围可能缩小，可能不再需要生物标志物筛选[24]；若希望伴随诊断，则需要在二三期用生物标志物筛选病人样本[24] 其他重要内容 * AI工具具体应用案例：在寻找肿瘤病人生物标志物时，借助AI工具可将候选标志物从1,000个缩减至100个并进行排序，快速找到最可能成功的标志物，减少湿实验时间和沟通成本[8][9] * AI在临床阶段的作用局限：在临床阶段，AI作用有限，无法直接指导实验设计，因为病人情况各异，非标准化，且存在不可预见的个体因素影响实验结果[26][27] * 法规限制：法规尚未允许在临床阶段直接使用AI预测数据来修改试验方案或调整给药方式[3][25] * 行业效率数据参考：据阿斯利康数据，在化学、制造和控制（CMC）阶段使用AI能够减少50%的时间[25]