天士力資本隨著高通量化學(xué)和篩選技術(shù)出方法，對(duì)藥物的開(kāi)發(fā)幾乎完全現(xiàn)，突破了藥物發(fā)現(xiàn)過(guò)程中化物提取物。物的方法新藥研發(fā)基本概念模式Optimisingthedrugrepurposing)Testingoptimised傳統(tǒng)藥物研發(fā)需10年+10億美元以上的投入，同時(shí)面對(duì)96%失敗率苗頭先導(dǎo)候選臨床數(shù)據(jù)專(zhuān)家意見(jiàn)傳統(tǒng)藥物研究開(kāi)發(fā)過(guò)程中存在多個(gè)可改進(jìn)環(huán)節(jié)臨床數(shù)據(jù)專(zhuān)家意見(jiàn)藥品上市 伴隨藥物研發(fā)技術(shù)及AI技術(shù)的不斷發(fā)展，AI新藥研發(fā)應(yīng)運(yùn)而生從鴉片中提取苯理論周期表建立化學(xué)受體的發(fā)乙酰水楊酸受體物質(zhì)理論合成藥物胰島素青霉素DNA雙重嗎啡原子假說(shuō)展(阿司匹林)胂凡納明結(jié)構(gòu)闡明達(dá)特茅斯會(huì)議神經(jīng)網(wǎng)絡(luò)發(fā)明定量構(gòu)效關(guān)系受限于計(jì)算機(jī)分子克隆重組DNA單克隆技術(shù)第一個(gè)治療性標(biāo)志AI誕生能力，進(jìn)入第一個(gè)寒冬蛋白質(zhì)公共數(shù)據(jù)庫(kù)技術(shù)問(wèn)世人胰島素統(tǒng)出現(xiàn)單克隆抗體藥深藍(lán)戰(zhàn)勝?lài)?guó)際組合化學(xué)人類(lèi)基因組草人類(lèi)基因組完深度學(xué)習(xí)新分子實(shí)體用象棋冠軍分子建模稿整圖譜神經(jīng)網(wǎng)絡(luò)于癌癥治療二次低谷上市語(yǔ)音和視覺(jué)識(shí)蛋白質(zhì)折疊蛋白質(zhì)折疊首個(gè)由AI發(fā)現(xiàn)駕駛汽車(chē)上路別率超過(guò)95%AlphaFold2新藥進(jìn)入臨床AI技術(shù)AI技術(shù)發(fā)展里程碑https;//ourworldindataorgtechnologicalchange人工智能機(jī)器學(xué)習(xí)深度學(xué)習(xí)對(duì)于自研管線/基礎(chǔ)定位明確的公司，可以通過(guò)自主構(gòu)建團(tuán)隊(duì)收集相關(guān)數(shù)據(jù)，或與藥廠達(dá)成數(shù)據(jù)合作關(guān)系。主要就是指在實(shí)驗(yàn)室進(jìn)行的干實(shí)驗(yàn)之外，再直接進(jìn)行濕實(shí)驗(yàn)自主產(chǎn)生數(shù)據(jù)，形成干濕閉環(huán)。數(shù)據(jù)，通常是基于較老的靶點(diǎn)如測(cè)精度。數(shù)據(jù)量持續(xù)積累結(jié)構(gòu)的數(shù)據(jù)庫(kù)已發(fā)表生物醫(yī)學(xué)文獻(xiàn)的主要存儲(chǔ)庫(kù)，其數(shù)據(jù)挖掘可以提供幫助確定不同疾病的靶點(diǎn)包含各種化學(xué)結(jié)構(gòu)的數(shù)據(jù)，包括其生物學(xué)、物理、化學(xué)和毒性特性。(ADME)、毒性特性，甚至它們的目標(biāo)相互化合物機(jī)理化合物機(jī)理藥物化學(xué)病理學(xué)算法人工智能藥物譚發(fā)結(jié)構(gòu)生物學(xué)量子化學(xué)分子力學(xué)TechnologyReview十大突破性技術(shù)人工智能發(fā)現(xiàn)分子Al-DISCOVEREDMOLECULESAI制藥管線分布ab2021年，管線數(shù)量再次出現(xiàn)快速增長(zhǎng)，增長(zhǎng)率約30%,公開(kāi)項(xiàng)目達(dá)到160個(gè)。臨床項(xiàng)目約20個(gè)AI制藥管線開(kāi)始批量進(jìn)入臨床Exscientia強(qiáng)迫癥貧血EXS-21546知名藥企同AI新藥研發(fā)企業(yè)合作頻繁2012年3月2012年5月2015年9月2015年12月2016年月2016年4月2016年9月2016年11月2016年12月2017年2月++++++藥物重定向藥物重定向藥物重定向靶點(diǎn)發(fā)現(xiàn)化合物合成2017年5月2017年6月2017年6月2017年6月2017年7月2017年8月2017年8月2017年10月2017年10月2018年2月++BergHealth十十+化合物合成2018年3月2018年5月2018年5月2018年5月2018年5月2018年5月2018年5月2018年5月2018年5月2018年6月巴斯夫十晶泰科技十2018年7月2019年3月2019年3月2019年4月2019年6月2019年9月2020年3月+火石數(shù)智藥物重定向Al新藥研發(fā)企業(yè)突破不斷-時(shí)間成本節(jié)約能力展現(xiàn)全新靶點(diǎn)，首創(chuàng)分子，大幅節(jié)約時(shí)間資金成本全新靶點(diǎn)，首創(chuàng)分子，大幅節(jié)約時(shí)間資金成本1750萬(wàn)英元元E輪及以后戰(zhàn)略資元1500萬(wàn)天使路1500萬(wàn)請(qǐng)萬(wàn)的干萬(wàn)黃元B輪政百萬(wàn)約于萬(wàn)3于萬(wàn)美元美元美元群干萬(wàn)美元整百方元約干萬(wàn)元天使輪3000萬(wàn)1500萬(wàn)第元2020年起，不斷有AI新藥研發(fā)企業(yè)完成資本化預(yù)計(jì)我國(guó)AI新藥研發(fā)整體市場(chǎng)規(guī)?？蛇_(dá)干億AI新藥研發(fā)整體市場(chǎng)規(guī)模(億人民幣)3316對(duì)外合作管線相對(duì)占據(jù)主導(dǎo)地位，出現(xiàn)軟件平臺(tái)等多種變現(xiàn)模式自研管線和對(duì)外合作中分別出現(xiàn)多個(gè)可里程碑變現(xiàn)的管線。對(duì)外合作數(shù)量有較明顯的增加對(duì)外合作管線的首付款為主導(dǎo)，極個(gè)別管線的里程碑付款占有相當(dāng)比行業(yè)概況總結(jié)高通量篩選人工智能藥物研發(fā)(AIDD)高通量篩選(HTS)利用AI技術(shù)，通過(guò)數(shù)據(jù)交叉比對(duì)、加速篩選、從頭生成等方式，提升新藥研發(fā)效率，拓展藥物創(chuàng)新空間的技術(shù)應(yīng)用。計(jì)算機(jī)模擬預(yù)測(cè)藥物與受體生物大分子之間的相互作用，考察藥物與靶點(diǎn)的結(jié)構(gòu)互補(bǔ)、性質(zhì)互補(bǔ)等，設(shè)計(jì)出合理的藥物分子。以分子水平和細(xì)胞水平的實(shí)驗(yàn)方法為基礎(chǔ)，以微板形式，自動(dòng)化操作系統(tǒng)執(zhí)行實(shí)驗(yàn)，采集實(shí)驗(yàn)結(jié)果，計(jì)算機(jī)分析處理實(shí)驗(yàn)數(shù)據(jù)，核心投入算力設(shè)備投入，計(jì)算機(jī)模擬軟件，AI算法調(diào)參算力設(shè)備投入，計(jì)算機(jī)模擬軟件，輸入樣品幾乎無(wú)限制幾乎無(wú)限制日篩10,000次以上強(qiáng)，AI模型調(diào)試完成后可直接分析大量異質(zhì)數(shù)據(jù)結(jié)果定量和分類(lèi)模型都具有較高的準(zhǔn)確度；ADMET預(yù)測(cè)依賴(lài)專(zhuān)家知識(shí)取決于化合物庫(kù)多樣性和藥學(xué)專(zhuān)家想象力強(qiáng)調(diào)相關(guān)性，不強(qiáng)調(diào)因果關(guān)系6-7年6-7年10-200個(gè)候選藥物數(shù)千個(gè)候選化合物AI新藥研發(fā)先導(dǎo)化合物臨床前候選藥物上市藥物測(cè)定時(shí)蛋白質(zhì)結(jié)構(gòu)的實(shí)驗(yàn)方法預(yù)測(cè)蛋白質(zhì)結(jié)構(gòu)的計(jì)算機(jī)方法靶點(diǎn)發(fā)現(xiàn)-現(xiàn)代藥物研發(fā)的出發(fā)點(diǎn)發(fā)了很多藥物，改變了癌癥和其他疾病的治療。6-7年2-4年6-7年數(shù)千個(gè)候選化合物藥物重定向散落散落(KG)Graph靶點(diǎn)發(fā)現(xiàn)-AI方法同傳統(tǒng)方法比較適用范圍取決于生物、化學(xué)、藥學(xué)專(zhuān)家專(zhuān)業(yè)范圍跨領(lǐng)域?qū)＜逸^少成本依賴(lài)于高通量篩選能力分析模式相對(duì)較高，大范圍，多來(lái)源數(shù)據(jù)納入，弱化先驗(yàn)判斷，有更大可能發(fā)現(xiàn)創(chuàng)新靶點(diǎn)相對(duì)較低，相對(duì)局限于已知靶點(diǎn)缺少明確標(biāo)準(zhǔn)(依賴(lài)于證據(jù)數(shù)量)候選化合物發(fā)現(xiàn)優(yōu)化-AI藥物研發(fā)的核心參與環(huán)節(jié)1-3年10-200個(gè)候選藥物苗頭化合物先導(dǎo)化合物臨床前候選藥物AI新藥研發(fā)主要參與階段候選化合物發(fā)現(xiàn)優(yōu)化-環(huán)節(jié)具體流程苗頭化合物生成篩選苗頭化合物先導(dǎo)化合物優(yōu)化篩選先導(dǎo)化合物臨床前化合物優(yōu)化篩選PCCStudy臨床前候選化合物苗頭化合物生成篩選-AI虛擬篩選AI苗頭化合物虛擬篩選基于配體的虛擬篩選即基于藥效團(tuán)模型的虛擬篩選，是根據(jù)現(xiàn)有藥物的結(jié)構(gòu)、理化性質(zhì)和活性關(guān)系的分析，建立定量構(gòu)效關(guān)系或藥效基團(tuán)模型，預(yù)測(cè)篩選新化合物的活性定量構(gòu)效關(guān)系定量構(gòu)效關(guān)系基于受體的虛擬篩(Structure-based)采用具有生物活性的化學(xué)小分子配體作為探針，搜索能夠與任何生物靶標(biāo)相互作用的所有分子，研究與人類(lèi)疾病密切相關(guān)的基因、蛋白質(zhì)的生物功能為核心基于配體的虛擬篩選(LBVS)-QSAR為核心通過(guò)SAR分析可確定引起藥物分子生物學(xué)反應(yīng)的主要化學(xué)基團(tuán)，通過(guò)對(duì)化學(xué)結(jié)構(gòu)進(jìn)行修飾來(lái)影響其生物活性。對(duì)一系列已知有活性的化合物進(jìn)行藥效團(tuán)研究，通過(guò)構(gòu)象分析、分子疊合等方法歸納得到對(duì)化合物活性起到關(guān)鍵作用基團(tuán)的信息定量構(gòu)效關(guān)系-QSAR(QuantitativeStructureActivityRelationship)QSAR是化學(xué)結(jié)構(gòu)與生物活性之間的數(shù)學(xué)關(guān)系。SAR假設(shè)的基礎(chǔ)是結(jié)構(gòu)相似的分子具有相似的功能(活性),而QSAR則假設(shè)不同分子的生物活性(活性相似)可以根據(jù)其結(jié)構(gòu)組分的特征進(jìn)行定量比較。將分子整體的結(jié)構(gòu)性質(zhì)作為參數(shù)，對(duì)分子生理活性進(jìn)行回歸分析，建立化學(xué)結(jié)構(gòu)與生理活性相關(guān)性模型三維定量構(gòu)效關(guān)系-3D-QSAR(3D-QuantitativeStructureActivityRelationship)3D-QSAR是引入了藥物分子三維結(jié)構(gòu)信息進(jìn)行定量構(gòu)效關(guān)系研究的方法，這種方法間接地反映了藥物分子與大分子相互作用過(guò)程中兩者之間的非鍵相互作用特征，相對(duì)于2D-QSAR有更加明確的物理意義和更豐富的信息量，因而1980年代以來(lái)，3D-QSAR逐漸取代了2D-QSAR的地位，成為基于機(jī)理的合理藥物設(shè)計(jì)的主要方法之一。應(yīng)用最廣泛的3D-QSAR方法是CoMFA和CoMSIA即比較分子場(chǎng)方法和比較分子相似性方法，除了上述兩種方法，3D-QSAR還有DG3D-QSAR、MSA、GERM等眾多方法。選擇納入QSAR參數(shù)選擇初步活性解釋模型能力活性參數(shù)解釋模型分子選擇結(jié)果分子選擇結(jié)果相似性分析指標(biāo)、模型選擇計(jì)算已知未知分子相似性相似性結(jié)果評(píng)分對(duì)接準(zhǔn)備對(duì)接執(zhí)行對(duì)接模型評(píng)分對(duì)接準(zhǔn)備對(duì)接執(zhí)行對(duì)接模型評(píng)分?jǐn)?shù)據(jù)源靶標(biāo)蛋白(分子動(dòng)力學(xué)模擬等)結(jié)合位點(diǎn)確定評(píng)分剛性對(duì)接高大體系(蛋白-蛋白等)高高低低基于回歸機(jī)器學(xué)習(xí)22m2AlphaFoldAcceleratesArtificialIntelligencePoweredDrugDiscovery:EfficientDiscoveryofaNovelCyclin-dependentKinase20(CDK20)SmallMoleculeInhibitorCDK20(SBDD)ApproachSynthesisAlphaFoldstructureandTestingTargetswithexperimental-TargetswthAlphaFolddeterminedstructurespredictedstructures篩選化合物庫(kù)需1年以上化、通用性好，不受合成方法限制點(diǎn)的篩選列的DNA片段進(jìn)行分子水平標(biāo)高親和力化合物的結(jié)構(gòu)信息物庫(kù)需數(shù)千萬(wàn)美元3-6個(gè)月成本低、時(shí)間短、分子多樣性高、可以對(duì)復(fù)雜靶點(diǎn)的篩選要求極高SBVS從受體的結(jié)構(gòu)和性質(zhì)出發(fā)尋找可以與其特異結(jié)合的配體分子，所以也稱(chēng)為直接藥物設(shè)計(jì)算力可對(duì)大量化合物篩選，直接預(yù)測(cè)藥物-受體結(jié)合能力。需要受體完整清晰的三維立的結(jié)合強(qiáng)度，不能直接預(yù)測(cè)LBVS量構(gòu)效關(guān)系或藥效基團(tuán)模型，預(yù)測(cè)篩選新化合物的活性。算力律，無(wú)法預(yù)測(cè)"活性懸崖"預(yù)測(cè)藥物吸收后通過(guò)細(xì)胞膜屏障向各組藥物在體內(nèi)受酶系統(tǒng)或者腸道菌叢預(yù)測(cè)藥物吸收后通過(guò)細(xì)胞膜屏障向各組藥物在體內(nèi)受酶系統(tǒng)或者腸道菌叢藥物以原型或者代謝產(chǎn)物的形式排出體外AI能夠大量引入可供參考數(shù)據(jù)，對(duì)候選分子的ADMET特性進(jìn)行更加全面的評(píng)價(jià)同時(shí)可以通過(guò)預(yù)測(cè)在動(dòng)物及人體實(shí)驗(yàn)中候選藥物的ADMET性質(zhì)，提前做出修正優(yōu)化，降低藥物臨床試驗(yàn)開(kāi)發(fā)的投入候選分子結(jié)構(gòu)參考數(shù)據(jù)文獻(xiàn)候選分子相關(guān)多組學(xué)數(shù)據(jù)機(jī)器學(xué)習(xí)模型搭建及訓(xùn)練ADMET性質(zhì)關(guān)候選分子特性改進(jìn)方向QEDquantitativeestimat ZINCdatahaseblackpointsThemagenapointsaresumplegenerativemodelwhichistrainedwiththeZINCdatabaseThegreenpointsaremollikenessOEDvalueslargerthanfromZINCThemagentaregionindicatesthedismodelwhereithasbeenfurthertrainedwithsmallfo團(tuán)的存在藥物重定向-大幅縮短藥物上市的時(shí)間周期藥物重定向是指對(duì)已上市藥物，基于疾病/藥物相似性網(wǎng)絡(luò)等，為其關(guān)聯(lián)尋找新型適應(yīng)癥及藥物重定向是指對(duì)已上市藥物，基于疾病/藥物相似性網(wǎng)絡(luò)等，為其關(guān)聯(lián)尋找新型適應(yīng)癥及人群。由于該藥物已經(jīng)完成了上市流程，藥物重定向可以直接進(jìn)入臨床二期，開(kāi)發(fā)效率將遠(yuǎn)高于全流程的新藥研發(fā)，在盈利方面是Al制藥公司關(guān)注的首選關(guān)注方向之一。Preclinical'DevelopmentDiscovery&FDARevicw~1-6years~7yearsMARKET藥物重定向-AI實(shí)現(xiàn)方式非監(jiān)督(聚類(lèi))深度學(xué)習(xí)數(shù)據(jù)庫(kù)數(shù)據(jù)庫(kù)案例-藥物重定向2020年2月2020年2月BenevolentAIAI獻(xiàn)，發(fā)現(xiàn)巴瑞替尼或可用于治療新冠。同F(xiàn)DABaricitinib法作為行管特效藥的緊急使用授權(quán)(EUA)。新冠藥物巴瑞替尼的使用條件獲準(zhǔn)放寬，無(wú)需再與瑞德西韋聯(lián)用。當(dāng)?shù)貢r(shí)間時(shí)間2021年7月28日，美國(guó)FDA修訂了禮來(lái)公司的巴瑞替尼的緊急使用授權(quán)(EUA),允許其單獨(dú)用于治療需要輔助供氧、無(wú)創(chuàng)或有創(chuàng)機(jī)械通氣或體外膜肺氧合(ECMO)的2歲以上新冠患者。Pubished:February04,2020,DOthttps/doiorg/10其他方向-AI逆合成分析目前AI新藥研發(fā)，對(duì)路線設(shè)計(jì)速度，可行性和多樣性測(cè)評(píng)結(jié)果，能力接近于10年合成經(jīng)驗(yàn)的化學(xué)家以ChemAIRS為例，該系統(tǒng)在68%的情況下能夠更快的設(shè)計(jì)出類(lèi)似或者更好的路線，并使23%的路線質(zhì)量得到提升。同時(shí)算法還能夠給出化學(xué)家2-6種不同的合成策略做參考化學(xué)家設(shè)計(jì)路線的時(shí)間成本/分鐘針對(duì)特定晶型工藝開(kāi)發(fā)結(jié)晶工藝優(yōu)化晶型預(yù)測(cè)晶型預(yù)測(cè)作為新藥研發(fā)臨床前階段的進(jìn)晶型預(yù)測(cè)作為新藥研發(fā)臨床前階段的進(jìn)一步細(xì)分領(lǐng)域，目前市場(chǎng)上只有晶泰科技專(zhuān)注于該領(lǐng)域晶型預(yù)測(cè)可以細(xì)分為計(jì)算機(jī)晶型預(yù)測(cè)、晶型篩選評(píng)估、晶體結(jié)構(gòu)實(shí)驗(yàn)確認(rèn)、結(jié)晶工藝開(kāi)發(fā)優(yōu)化Shage2結(jié)構(gòu)對(duì)比Stage3穩(wěn)定性評(píng)估m(xù)晶型篩選與評(píng)估晶型篩選與評(píng)估應(yīng)用主體底層技術(shù)應(yīng)用主體底層技術(shù)傳統(tǒng)制藥企業(yè)底層技術(shù)底層技術(shù)藥企/實(shí)驗(yàn)平臺(tái)公共數(shù)據(jù)/文獻(xiàn)庫(kù)數(shù)據(jù)處理企業(yè)學(xué)術(shù)研究機(jī)構(gòu)學(xué)術(shù)研究機(jī)構(gòu)計(jì)算機(jī)硬件商互聯(lián)網(wǎng)云計(jì)算實(shí)驗(yàn)室自動(dòng)化公司對(duì)于傳統(tǒng)的人工智能底層三要素：數(shù)據(jù)，算法，算力，均有較為穩(wěn)定且體量較大的供應(yīng)方：【數(shù)據(jù)方面】除制藥企業(yè)藥企，臨床機(jī)構(gòu)，實(shí)驗(yàn)室的私有化數(shù)據(jù)外，目前AIDD中使用的數(shù)據(jù)主要為各類(lèi)公共數(shù)據(jù)庫(kù)，文獻(xiàn)庫(kù)，公開(kāi)數(shù)據(jù)量不斷積累，結(jié)構(gòu)化，質(zhì)量持續(xù)提升；【算法方面】AI,人工智能基礎(chǔ)算法的提升主要還是依賴(lài)于學(xué)術(shù)研究機(jī)構(gòu)，近年出現(xiàn)了部分針對(duì)基礎(chǔ)數(shù)據(jù)清洗整理公司，但該業(yè)務(wù)盈利難度較大，已經(jīng)有國(guó)外開(kāi)源社區(qū)將公開(kāi)數(shù)據(jù)清洗后免費(fèi)供業(yè)內(nèi)研究者試用云計(jì)算等底層架構(gòu)的不斷演進(jìn)保證了算力相對(duì)充足的供給上游行業(yè)-基于公共數(shù)據(jù)庫(kù)清洗及結(jié)構(gòu)化改造的模式不成立知圖生物知圖生物旨在構(gòu)建300億條合理小分子化合物數(shù)據(jù)庫(kù)，以AI驅(qū)動(dòng)新藥發(fā)現(xiàn)GeorgiaTechMITCMUStanfor(TDC),第一個(gè)大規(guī)模的ML在生物醫(yī)藥上面的數(shù)據(jù)集，整理了生物醫(yī)療上22個(gè)非常有意義的任務(wù)和66個(gè)高質(zhì)量數(shù)據(jù)集，從靶蛋白的發(fā)現(xiàn)，藥物動(dòng)力學(xué)，安全性，藥物只用三行代碼就可以獲得!所有數(shù)據(jù)全部開(kāi)源!2022年1月26日，首個(gè)機(jī)器學(xué)習(xí)-生命醫(yī)學(xué)大型資源庫(kù)TDC舉辦首次用戶(hù)見(jiàn)面會(huì)干濕結(jié)合是AI新藥研發(fā)的發(fā)展趨勢(shì)生物技術(shù)實(shí)驗(yàn)室聚焦生命科學(xué)量篩選設(shè)備，排水和料相對(duì)優(yōu)勢(shì)-接近生物實(shí)際狀態(tài)主要設(shè)備生物信息實(shí)驗(yàn)室聚焦計(jì)算建模執(zhí)行各類(lèi)計(jì)算建模問(wèn)題。涉及文本解釋?zhuān)幋a，建?；貧w，量子力學(xué)模擬等主要設(shè)備編程計(jì)算機(jī)，算力提供等電子設(shè)備、大型儀器或需要儲(chǔ)存的干燥材料。相對(duì)優(yōu)勢(shì)-經(jīng)濟(jì)高效減少跨界參與者-互聯(lián)網(wǎng)企業(yè)-借助算力算法平臺(tái)&資金主要形式對(duì)外投資合作/打造自己的相關(guān)平臺(tái)/提供算力/計(jì)算框架服務(wù)企業(yè)措施阿里云的醫(yī)療AI與正大天晴合作，支持分子篩選、虛擬化合物生成、數(shù)字化模擬臨床實(shí)驗(yàn)阿里云超算中心，支持全球健康藥物研發(fā)中心GHDDI實(shí)現(xiàn)高通量分子篩選成立百圖生科，包括多組學(xué)聯(lián)合挖掘平臺(tái)、AI藥物設(shè)計(jì)平臺(tái)、高通量體外模擬、藥物驗(yàn)證平臺(tái)聯(lián)合設(shè)立索智生物開(kāi)放EIHealth醫(yī)療智能體平臺(tái)華為云盤(pán)古藥物分子大模型，可以完成靶點(diǎn)匹配、生化性質(zhì)預(yù)測(cè)等功能參與晶泰A\B輪融資騰訊打造云深智藥平臺(tái)，功能包括虛擬篩選、分子設(shè)計(jì)優(yōu)化、ADMET性質(zhì)預(yù)測(cè)及合成路線規(guī)劃同成都先導(dǎo)合作(DEL,濕實(shí)驗(yàn)),試驗(yàn)驗(yàn)證骨架躍遷分子生成算法字節(jié)跳動(dòng)成立極光部門(mén)，AILab入股水木未來(lái)(冷凍電鏡)跨界參與者-傳統(tǒng)藥企-技術(shù)&業(yè)務(wù)合作為主，籌備自建團(tuán)隊(duì) 拜耳+Recursion跨界參與者-傳統(tǒng)藥企-技術(shù)&業(yè)務(wù)合作為主，籌備自建團(tuán)隊(duì)(續(xù))業(yè)務(wù)合作平臺(tái)模式：AI制藥企業(yè)為藥企提供平臺(tái)及相關(guān)技術(shù)Schr?dinger+阿斯利康Schrodinger部署計(jì)算平臺(tái)以幫助阿斯利康加快藥物發(fā)現(xiàn)工作。國(guó)外Cyclica+默沙東Cyclica與默沙東合作，向其提供AI增強(qiáng)的蛋白質(zhì)組學(xué)篩選平臺(tái)。Atomwise+禮來(lái)禮來(lái)使用Atomwise技術(shù)篩選合成具有治療潛力的分子。麗珠制藥+英飛制藥2020年完成投資，雙方在小分子化藥設(shè)計(jì)深度合作阿爾脈生物+再鼎醫(yī)藥阿爾脈生物為再鼎醫(yī)藥提供AI技術(shù)、大數(shù)據(jù)和獨(dú)特的iDEL平臺(tái)強(qiáng)生+BenevolentAI強(qiáng)生將一些臨床階段試驗(yàn)藥物連帶專(zhuān)利特許給BenevolentAI(大型藥企為主)葛蘭素史克+ExscientiaExscientia通過(guò)AI藥物研發(fā)平臺(tái)為GSK的10個(gè)疾病靶點(diǎn)開(kāi)發(fā)創(chuàng)新小分子藥物國(guó)外美亞生物+億藥科技雙方將共同推進(jìn)抗衰老研發(fā)，在生物科技領(lǐng)域開(kāi)發(fā)出新的更高科技的健康服務(wù)(初創(chuàng)企業(yè)為主)原力生命+星藥科技雙方在新一代腫瘤靶向和腫瘤免疫調(diào)節(jié)領(lǐng)域展開(kāi)密切合作國(guó)內(nèi)6825國(guó)外566225提供AIDD計(jì)算軟/較高軟件服務(wù)費(fèi)低穩(wěn)定面向大量客戶(hù)(國(guó)內(nèi)暫無(wú))同推進(jìn)管線的開(kāi)發(fā)相對(duì)較低研發(fā)服務(wù)費(fèi)較低較高面向少量客戶(hù)管線很高管線變現(xiàn)高高內(nèi)部發(fā)展為主(億美元)(億美元)凈利潤(rùn)(億美元)全球藥企中的滲透率非常高通過(guò)30多年的技術(shù)積累，基于物理的計(jì)算平臺(tái)可以較為精確地預(yù)測(cè)分子2020-02的關(guān)鍵理化性質(zhì)3款臨床期在研管線，4條管線推進(jìn)IND,共包括近30個(gè)活躍項(xiàng)目。Exscientia的合作伙伴眾多，其中包括日本住友制藥、BMS、Bayer、2021-10綜合了最前沿的干實(shí)驗(yàn)室和濕實(shí)驗(yàn)室能力?；谧匝械腁I藥物篩選平臺(tái)Relay篩出的項(xiàng)目，包括2個(gè)處于臨床I期的FGFR2野生型和突變型抑制劑以及2020-0720.70.01-0.62SHP2變構(gòu)抑制劑核心競(jìng)爭(zhēng)壁壘-端到端的完整服務(wù)能力及關(guān)鍵技術(shù)的優(yōu)勢(shì)特色AICROCRO模式風(fēng)險(xiǎn)較低廣泛選擇的起步類(lèi)型部分企業(yè)起步于差異化步驟(如晶型預(yù)測(cè)),擴(kuò)展思路類(lèi)似盡管很多AI公司都取得了進(jìn)展，但AI還是個(gè)新事物，目前尚無(wú)對(duì)AI算法的統(tǒng)一評(píng)價(jià)標(biāo)準(zhǔn)，且算法在不同形式數(shù)據(jù)集中的表現(xiàn)差異也很大；算法優(yōu)勢(shì)更多體現(xiàn)在對(duì)特定關(guān)注數(shù)據(jù)的利用質(zhì)AI,ML算法持續(xù)處于高速迭代，效率優(yōu)勢(shì)保持難度大只有