AI制药行业与公司分析纪要 一、 涉及的行业与公司 * 行业：AI制药（AIDD）、计算机辅助药物设计（CADD）[2] * 主要提及公司： * 国外：薛定谔（Schrödinger）[3][11][12] * 国内：金泰（晶泰）、英西、绅仕、腾迈、武汉智化、DP[3][4][21][24] * 其他相关方：药明康德、辉瑞（Pfizer）、默克（Merck）[4][11][22] 二、 行业核心观点与现状 * 技术价值：AI制药能加速从靶点发现到临床前候选化合物（PCC）的研发时间，例如通过自由能微扰（FEP）方法，可在几小时内通过计算模拟得到活性数据，而传统实验方法需要几天到一周，从而减少实验和人工工作量[10] * 国内外发展差异： * 国外：技术成熟，大型药企（如辉瑞、默克）普遍使用薛定谔的软件进行小分子药物设计[11] * 国内：算法本身较成熟，但应用较少，主要因国内企业管线以大分子为主，且对计算方法理解和接受度相对较低，市场主要在国外，国内企业正逐步接受[2][11] * 商业模式演变：早期（2018-2020年）合作以研发外包为主，现转向管线服务或直接收购管线IP，传统软件服务（计算方法工具）仍不可或缺[2][5] * 数据与算法关系：数据和算法密不可分，有价值的数据需通过具体案例积累并纳入内部数据集，算法本身也是一种数据[14] * 技术新机会：CADD领域的大模型（如大语言模型和图像识别）可自动解析专利文字和图片，对应到分子结构，节省人工阅读时间，但目前技术精确度仍需完善[18][28] * 颠覆性影响评估：目前大模型对制药行业尚未带来颠覆性影响，但在文献解析和专利提取方面提供了显著帮助，若模型足够准确可大幅提高效率[28] 三、 国内AI制药公司分析 * 业务模式与定位： * 英西实质是药企，非纯算法平台公司，其评价标准是传统药化指标，更多作为算法供应商的甲方[3] * 金泰、绅仕、腾迈是国内较活跃的AI制药公司，核心竞争力在于软件能力[3] * 国内公司结合计算化学与传统药化知识，以更高效方法推动管线服务，在小分子合成业务上具备竞争力[4][19] * 金泰业务详情： * 主要业务线：1) 以APP活性评估为主的计算药物研发软件工具；2) 管线里程碑服务（小分子、大分子及抗体类项目）；3) 自动化实验室（传统人工合成FTE和自动化合成）[7] * 核心现金收入：最稳定且重要的现金收入来源是FTE人工合成部分[8] * 软件产品：对外销售的软件工具包括id4和XFEP（用于FEP服务），其宣传的多肽、mRNA等平台对应内部部门或产品线，而非独立软件产品[6] * 自动化合成特色：采取硬件与软件结合的端到端解决方案，自行设计实验仪器并开发机械臂，具备较强竞争力[21] * 能力与优势： * 声称能比传统方法更快将分子推进到PCC阶段，可能部分属实，但需更多数据验证普遍性[9] * 在自动化合成领域，国内做得最好的公司是武汉智化，金泰则更侧重硬件[24] * 在分子设计和活性评估方面，金泰拥有一批能很好应用计算方法并与项目管线配合的药物化学家，这种能力在国内药企中不常见[24] * 市场挑战： * 国内市场付费意愿低，且存在盗版软件问题，营收模式不能完全照搬薛定谔[19] * 要成为行业领导者，需进一步提升技术水平并持续积累实际项目经验[19] 四、 关键合作与竞争要素 * 药企合作看重因素：大型药企与AI制药公司合作重点在于后者的算法能力[5]，海外大药企尤其看重合作伙伴的信誉、历史表现及前期合作经验[22] * 金泰的国际合作案例：因早期帮助辉瑞完成精准预测项目并成功部署工具，建立了信任，从而吸引了后续更大规模的管线设计项目[22] * 合作流程：药企通常会指定一个有潜力的靶点，合作过程设定多个里程碑（如从hit to lead，到lead，再到lead优化），分阶段交付[27] * 与传统CRO关系：国内AI制药公司结合计算手段，在某些领域（如小分子合成）对传统CRO构成一定竞争力，但要完全取代像药明康德这样的传统CRO公司并不容易[19][21] 五、 关于薛定谔的对比与启示 * 软件销售模式：薛定谔主要通过销售高价软件给大型制药公司，如辉瑞、默克等，软件许可费每对价约500元人民币，一个体系可能需要二三十对，整体费用非常高[12][20] * 产品迭代：薛定谔产品每半年更新一次，每年推出新方法，使计算更加精准，提高结果可信度，减少实验失败风险，但对缩短临床前研发时间的差异不大[16][17] * 国内企业使用障碍：国内企业不广泛使用类似薛定谔软件的原因包括：1) 管线以大分子为主，而FEP对小分子应用更成熟；2) 对计算方法理解有限；3) 本土软件开发水平未达同等高度[13] * 赶超可能性：国内企业通过AI技术弯道超车赶超薛定谔非常困难，因薛定谔拥有多年实际项目经验积累的内部数据和核心能力，新进入者需长期积累大量案例并形成系统方法论[15] * 国内软件研发进展：国内企业在研发类似软件方面有进展，但整体生态环境不理想，投资者关注短期效果，且市场需求主要集中在服务而非软件本身，要完全达到薛定谔水平仍需时间[21] 六、 其他重要观察 * 技术领域区分：对于CADD，小核酸、大分子、小分子等是药物类别区分，而非技术区分，都需要进行分子设计、活性评估等操作，不同公司能力根据项目需求有所偏向（如金泰擅长小分子，DP在环肽方面较强）[25] * 疾病领域：肿瘤、自身免疫疾病等是靶点差异，不影响计算方式[26] * 行业应用现状：药明康德等行业领先公司已开始应用AI技术（如CADD工具和购买薛定谔软件），但面临成本高昂的挑战，通常选择国内替代产品或自行开发系统，且需配备强大计算集群[20] * 产品核心：在AI制药领域，计算工具的有效性和准确性最为重要，用户界面易用性次之[23]