英伟达5000万美金“押注”AI制药，这一赛道概况如何？
7月12日,美国AI（人工智能）制药公司Recursion（NASDAQ：RXRX）宣布，获得英伟达（NVIDIA）的5000万美元投资。计算机技术龙头企业以如此规模直接投资AI制药在行业内引起轰动，Recursion股价当日大涨115.29%，其他AI制药股也普遍上涨。
今年6月，英伟达首次达到了万亿美元市值。由于其拥有设计驱动人工智能的芯片的核心技术，在人工智能热潮中被视为一大赢家。英伟达直接“下场”投资AI制药，被解读为人工智能浪潮，尤其是GPT热潮进一步席卷制药行业的重要信号。此前，主要是跨国药企愿意为AI制药技术平台高额付费。
AI制药的基本定义
AI制药是将机器学习（MachineLearning）、自然语言处理（NaturalLanguageProcessing）及大数据等人工智能技术应用到制药领域各个环节，进而促进新药研发降本增效。目前主要应用于药物研发阶段的药物发现、临床前阶段，随着ChatGPT的不断应用，AI向临床开发阶段的渗透有望持续加快。
AI制药的发展历程
人工智能（ArtificialIntelligence）的概念在1954年首次被提出，每一次推动行业高速变革的底层逻辑主要是快速迭代的算法、海量的实验数据及持续提升的算力。回顾历史，60多年的迭代主要分为四个阶段：
①1943-1968年（人工智能发展初期）：人工智能概念提出，发展出了符号主义、联结主义(神经网络)，相继取得了早期瞩目的研究成果，如机器定理证明、跳棋程序、人机对话等;
②1968-1995年（AI制药发展初期）：1968年爱德华（EdwardFeigenbaum）提出首个专家系统DENDRAL，该系统具有非常丰富的化学知识，可根据质谱数据帮助化学家推断分子结构，为计算机辅助药物设计中化合物转化为计算机语言设立了雏形，此后，1980s默沙东开始运用计算机辅助药物设计（CADD）进行药物发现，开创了计算化学在药物研发领域的应用，即早期的AI制药；
③1995-2010年（人工智能快速发展期）：由于互联网技术的迅速发展，带来的大量数据推动AI进一步走向实用化。2000年初，由于专家系统的项目都需要编码太多的显式规则，这降低了效率并增加了成本，人工智能研究的重心从基于知识系统转向了机器学习方向，2006年杰弗里及他的学生正式提出深度学习的概念（DeepingLearning），开启了深度学习在学术界和工业界的浪潮；
④2010-至今（AI+高速发展期）：伴随大数据、云计算、互联网等信息技术及算力的持续突破，以深度神经网络为代表的人工智能技术高速发展，踊跃出AlphaGo、GPT、AlphaFold及ChatGPT等创新产品。其中2021年AlphaFold2在蛋白质结构预测大赛CASP14中，对大部分蛋白质结构的预测与真实结构只差一个原子的宽度，达到了人类利用冷冻电子显微镜等复杂仪器观察预测的水平，开启蛋白解析新纪元，为AI制药在药物研发领域的应用带来了巨大的推动。
AI制药的三种商业模式
AI制药领域的商业模式可分为三种：
①AISaaS（SoftwareasaService）服务：主要为客户提供AI辅助药物开发平台（一套标准化的产品/软件），通过平台为客户赋能，帮助客户加速研发流程，节省成本与时间；
②AICRO（ContractResearchOrganization）服务：通过人工智能的辅助，为客户更好地交付先导化合物或者PCC，再由药企进行后续的开发，或者合作推进药物管线；
③AIBiotech：则是以推进自研管线为主，较少进行外部合作的公司。
目前国内及海外多数AI制药公司都会在SaaS服务商、AICRO和AIbiotech的商业模式中兼容两种或者三种。据药智局及蛋壳研究院统计，2022年国内制药公司中，31%的公司兼容其中两种商业模式，占比最高。其次为AIBiotech，约25%。第三为AICRO约23%。仅选择软件SaaS服务商占比最低，约8%。源于AI制药在算法、算力及数据方面需要较大的投入，且单一路径发展或有一定局限，我们预计未来多种商业模式协同发展有望逐步成为趋势。
而根据高禾投资调研的一些AI制药企业反馈，内在驱动力还是更希望发展成为AIBiotech，这要比AICRO的动力更足，核心原因还是前一种商业模式的天花板更高，某些管线一旦成功，商业盈利前景更加可期，但与此同时，研发投入也更大、风险也更高，投资人则对创业企业在两种不同商业模式选择上更倾向于CRO模式，核心原因则是风险相对较小、可预期性更强。
而实际上，目前市场中大部分的AI制药初创企业的商业模式介于AIBiotech和AICRO间，即拥有自研管线且提供CRO服务的“复合型”商业模式，也有像英矽智能和晶泰科技这样的业内领先企业，凭借自身优势进行进一步的横向多元化商业模式扩张；晶泰科技除自身的AICRO业务外，其投资孵化的初创企业剂泰医药拥有基于晶泰科技的高通量AI制剂平台搭建的制剂新药管线。
AI制药的比较优势
有哪些
药物发现+临床前研究是AI主要优化环节。AI的蓬勃发展并未改变新药整体的研发流程。我们认为原因在于无论是伦理监管还是实际应用层面，AI的预测试验数据短期内均无法代替实际临床的实验结果。因此，AI的主要优化环节在药物发现（5000+化合物）和临床前（约250种化合物）环节：通过AI的虚拟筛选可以替代大规模筛选的湿实验的方式。
AI在药物研发中的作用：提效和创新。药物发现环节的增效：利用NLP、知识图谱等核心技术提升靶点搜索发现效率；利用深度学习模型预测化合物性质进行筛选，从而减少进入湿实验中的化合物数量，从而减少投入成本和压缩开发周期。临床前环节更偏药理实验，AI提升效果不如发现环节显著，主要通过预测药物性质、制剂和晶型的设计进行修正优化，据量子位数据，提升效率在10％左右。创新：AI在数据的维度和广度上能够突破人为的偏见，实现在以下应用场景的创新赋能：药物靶点发现、药物重定向（巴瑞替尼新冠的EUA）和新型化学结构分子。
根据英伟达公开资料，使用AI技术可使药物早期发现（涵盖靶点发现与验证到先导化合物优化）所需时间缩短至1/3倍，成本节省至1/200倍。
AI制药的中国玩家
有哪些？
除了本次投资事件的主角英伟达外，目前全球前十的大型药企都已在AI制药领域有所布局，未来或有更多传统药企和CRO企业进入该领域大型药企进入市场的方式主要有三种，一是内部自建AI研发团队，如诺华和葛兰素史克是业内较早设立自己的AI部门的药企；二是对外部AI制药初创企业进行投资并购，如复星医药今年宣布在合作的同时将向英矽智能提供股权投资；三是与互联网巨头或AI初创公司合作，如正大天晴通过与阿里云合作获得一种全新的化合物筛选方法、药明康德和Schrdinger合资成立了FaxianTherapeutics以加速新药发现等。
随着国内外大型药企逐渐意识到AI技术应用在制药领域的价值，为了进一步提高新药研发效率，越来越多的传统药企和CRO企业涌入AI制药领域，全球范围内AI制药项目数量逐年递增。根据DeepPharmaIntelligence的数据，2021年-2022年第一季度全球开展AI制药项目数量领先的企业以大型外资跨国药企为主，其中阿斯利康、默克和辉瑞分别以25、19和16项位列前三。
相较于国际市场和外资公司，中国AI制药行业起步较晚，本土药企在AI制药领域的涉足则更为谨慎，但近年来市场的热度整体仍呈大幅上升趋势；如2022年1月，复星医药与AI制药初创公司英矽智能达成战略合作，包括针对四个指定靶点以AI技术开展药物研发和英矽智能的QPCTL项目合作，项目首付款为1,300万美元，创造了目前中国AI制药合作交易首付款的最高记录。
今年资本市场标志性的事件则是，则是英矽智能冲刺港股IPO，该公司是一家全球领先的AI生物科技公司，在管线开发进程中提供端到端的高效解决方案。报告期内，英矽智能收入主要来自药物发现服务及软件解决方案服务。英矽智能已有效地建立由31个项目组成的多元化完全内部生成管线，涵盖29个药物靶点。据招股书，2018年-2022年，英矽智能共经历7轮融资，投后估值从5440万美元升至8.95亿美元，估值四年增了近16倍。
AI制药领域的核心竞争力主要包括AI技术服务的能力和自研管线的丰富程度；当前中国本土AI制药初创企业的业务布局主要集中在药物研发环节；晶泰科技及其孵化的剂泰医药为目前国内本土市场中的头部企业。另外，还有望石智慧、深度智耀、宇道生物、燧坤智能、元气知药、百奥知、冰洲石生物和亿药科技等。
与此同时，现阶段国内多家知名CRO公司屡屡携手AI科技公司，加快创新转型保持竞争优势。近年来维亚生物、成都先导、合全药业、皓元医药、美迪西、泓博医药、泰格医药等国内知名CRO屡屡同AI科技公司达成合作，范围广至靶点研究到临床试验。药物研发外包是劳动密集型行业，近年来国内CRO与AI技术相关的科技公司间的高频合作，反映了国内CRO巨头们对AI技术在药物研发过程中降本增效的作用的认可，此类合作可为国内CRO在愈发激烈的行业竞争中保持成本和响应速度的优势，对于以算法、算力为核心优势的科技公司而言，亦是技术验证与价值转化的绝佳机遇。
未来更需要关注行业竞争要素：算法为短期壁垒，数据是稀缺资源。
我们按照AI行业逻辑的框架进行分析，生成三要素分别位算法、算力和数据。① 算法是初期竞争的优势之一，利用更优的算法获得更多客户、积累用户数据并进行自我迭代，从而领先竞争对手，利用马太效应完成自身壁垒的构建。② 算力：由于互联网行业的蓬勃发展，行业公司有望通过商业化租用来解决，短期内不存在明显壁垒。③ 数据：分为公开数据和私有数据。公开数据全球共享，如何更好地利用数据我们认为属于算法优势的范畴；而私有数据指的是拥有数字化的大规模的实验数据，这些实验数据直接来自于临床，往往是不会参与共享的稀缺资源。
责任编辑| 陈斌