AI制药目前主要用在哪一步？

  • 应用仍集中于临床前。野村10月20日邀请的两位专家均认为，AI目前主要用于这一阶段，而该阶段在药物研发全周期的成本和耗时中仅占较小部分。
  • 具体用途包括根据结合亲和力预测优化靶点，即用模型判断结合能力，辅助早期研发筛选；报告提到，已有AI辅助的小分子候选药物进入临床阶段。
  • 更大的突破取决于AI进一步理解生物化学。两位专家的共同判断是，行业下一步进展与模型对生物化学问题的理解能力密切相关。

为什么自有数据越来越重要？

  • 竞争力需要模型和数据共同支撑。两位专家认为，企业应同时拥有强健的AI模型，以及计算端“干实验室”和实体“湿实验室”产生的数据。
  • 开源模型正在降低通用数据的稀缺性。报告指出，通用数据仍然重要，但企业从自有研发管线中积累的专有数据，正变得更难替代。
  • 自动化设备可能成为优势。专家B认为，设备前期投入较高，形成进入门槛，同时能够增加数据产出；其价值因此连接着实验能力与数据积累。

服务别人管线与拥有自有管线，差别在哪？

  • 两类公司的业务起点不同。报告将AI赋能型公司比作服务他人管线的研发外包机构，将AI原生型公司比作拥有自有研发管线的生物科技企业。
  • 专家B更看好AI原生型公司的长期前景。他认为，闭环服务能力有助于带来重复订单；AI赋能型公司的持续业务则存在不确定性，专家A部分认同这一担忧。
  • AI赋能服务与传统研发外包也有互补空间。专家B认为，前者更多参与早期计算环节，后者更多承担湿实验室工作，两者服务于不同研发环节。

如何判断企业实力，新进入者缺什么？

  • 模型和数据大多保密，使能力比较困难。两位专家认为，即便业内人士，也很难直接判断哪家公司的AI能力更强。
  • 可观察线索包括学术论文、生物化学与计算机科学人才数量、服务项目或合作交易数量，以及管线进展。这些分别提供科研、团队、业务与研发成果的评估入口。
  • 新进入的AI实验室也面临具体短板。专家B认为，生命科学数据不足和湿实验室能力欠缺，是这些参与者需要补齐的两项能力。