AI驱动新药研发行业研究纪要关键要点 涉及的行业与公司 * 行业：AI驱动的新药研发（AIDD）行业 [1] * 提及的公司：某西智能（采用GAN模型，已进入临床二期）[16]、某泰科技（以传统CADD为主，拓展深度学习）[16]、星耀科技（曾技术优秀但已倒闭）[16] * 提及的技术/模型提供方：AlphaFold（预测蛋白质结构）[1][2][4]、OpenAI（生成模型）[2]、扩散模型（Diffusion Model）[1][2][4]、Deepseek（对话模型）[7][18]、ChatGPT（对话模型）[7]、GPT系列（大规模参数模型）[11]、DeepMind（智能体应用）[18]、Anthropic（大模型趋势）[18] 核心观点与论据 AI制药的原理与优势 * AI通过预测蛋白质结构（如AlphaFold）加速靶点发现，并利用生成模型（如扩散模型）设计先导化合物，提高新药研发效率和成功率 [1][2] * 人工智能驱动的新型药物发现（AIDD）跳过传统计算机辅助药物设计（CADD）复杂的物理规则，通过海量数据直接预测分子效果，提高了预测准确性和数据集处理能力 [1][3][4] * AI在临床前研究中可预测小分子的毒性、安全性等性质，减少实验筛选时间和成本 [2] 关键技术方法与应用 * 图神经网络（GNN）：擅长处理小分子结构数据，但随着分子复杂性增加，学习效果显著下降 [1][13] * 多模态学习：整合图像、文本、指纹和点云等多种数据模态，更全面表征小分子特性，提高研发效率，已在KRAS靶点研究中取得成果（使用3,400多个小分子结构及活性数据）[1][15] * AI模型类型：分为解决特定垂直领域问题（如药物结构生成、基因诊断）的“小模型”和用于对话及调用（如撰写报告）的“大模型” [1][7][11][12] * 智能体应用：可根据用户需求自主设计并监控整个工作流程，例如ADM MEC智能体可自动调用约14个工具生成报告，降低化学家和生物学家使用门槛 [18][20] 行业评估与发展趋势 * 评估AI制药公司能力需考察：是否采用深度学习等先进算法（非仅传统CADD）、拥有高质量数据、已有成功案例、持续创新能力 [1][5][6] * 未来趋势：小分子设计复杂化（如雷帕霉素等新型大分子胶）[13][17]、多模态融合技术主流化 [1][17]、新型编码器和深度学习算法涌现 [1][17]、智能体在工作流设计中应用增加 [1][20]、公司技术保密更严格 [17] * 模型选择：基于测试，上百亿参数的大模型与32B或8B的小模型在调用工具时效果相似，需权衡参数量、效果及成本 [21] 其他重要内容 * AI模型的训练过程类似于人类学习，包括非监督学习的初步分类和引入外部标签的监督学习 [8] * 选择适当的数据编码器（如CNN处理图片、RNN/Transformer处理语言、GNN处理图结构）对提高AI模型性能至关重要 [10] * 当前一些主流AIDD公司的技术特点各异，包括模型类型（如GAN）、技术透明度（开源或保密）和市场化能力 [16] * AI编程（AI coding）是当前最成熟的大模型应用之一，已催生市值数百亿甚至上千亿的公司 [18]