AI药物研发企业基层员工激励策略研究报告

盛世华研·2008-2010年钢行业调研报告AI药物研发企业基层员工激励策略研究报告内容目录TOC\o"1-3"\u一、前言 3二、AI药物研发行业发展分析及趋势预测 32.1发展历程与发展现状 32.1.1发展历程 32.1.2目前发展现状 52.1.3现有竞争格局 52.22022-2023年AI药物研发现状及趋势分析 62.2.1市场规模 62.2.2融资能力 62.2.3在研产品 72.2.4市场主体 102.2.5存在的问题 112.2.6发展趋势 112.32023年AI激发创新潜能生物医药业迎来“智药”新机遇 122.3.1“智药”成为药企新宠 122.3.2多家大型药企尝鲜“AI+” 132.3.3仍有发展痛点待解决 142.3.4药企加速布局AI制药 142.3.5主要行业观察和趋势 16（1）基于AI的生物学建模和靶点发现 16（2）利用AI破解结构生物学 17（3）使用AI开发小分子药物 18（3）超越小分子的人工智能驱动药物设计 182.4AI辅助药物研发的新兴趋势 202.4.1人工智能和机器人化实验室 202.4.2利用AI解决临床试验瓶颈 212.4.3CRO领域的人工智能 222.52023年人工智能打破医药研发“双十定律” 232.5.1加速建立“AI药研朋友圈” 232.5.2AI打破“双十定律” 242.5.3将药物在人体内精准递送 252.6大型药企在AI药物研发进展趋势 262.6.1大型药企整合AI进入药物开发流程 272.6.2与信息技术公司合作建立内部AI专业技术 272.6.3通过并购AI驱动生物技术公司快速获得AI技术 272.6.4与AI驱动生物技术公司合作以识别靶点、共同开发药物 292.6.5AI驱动生物科技公司发展趋势 292.6.6AI技术在临床上的转化 30三、AI药物研发企业基层员工激励策略及建议 303.1企业员工激励 303.2.1理论基础及研究现状 30（1）激励 31（2）激励理论 31（3）国内的激励研究 313.2.2企业激励机制存在问题 323.2.3企业激励机制优化 333.2企业基层员工激励建议 343.2.1企业基层员工特征 343.2.2企业基层员工特点 353.2.3企业基层员工重点激励因素 353.2.4对企业基层员工激励机制建议 363.3医药企业员工激励策略方案 373.3.1公平的薪酬结构 373.3.2绩效奖励 373.3.3职业发展机会 373.3.4工作与生活的平衡 383.3.5认可和荣誉 383.3.6健康和福利计划 383.3.7团队建设活动 383.3.8企业文化的构建 383.3.9沟通和反馈 383.3.10共享成功 393.3.11非现金奖励 39四、AI药物研发企业《基层员工激励策略》制定手册 394.1动员与组织 394.1.1动员 394.1.2组织 404.2学习与研究 414.2.1学习方案 414.2.2研究方案 414.3制定前准备 424.3.1制定原则 424.3.2注意事项 434.3.3有效战略的关键点 444.4战略组成与制定流程 464.4.1战略结构组成 474.4.2战略制定流程 474.5具体方案制定 484.5.1具体方案制定 484.5.2配套方案制定 50五、AI药物研发企业《基层员工激励策略》实施手册 515.1培训与实施准备 515.2试运行与正式实施 515.2.1试运行与正式实施 515.2.2实施方案 525.3构建执行与推进体系 525.4增强实施保障能力 535.5动态管理与完善 545.6战略评估、考核与审计 55六、总结：商业自是有胜算 55一、前言激励是企业人力资源管理的重要环节，是关系到企业可持续发展动力的核心问题。我们通过分析现在业的激励机制的问题，并且提出优化方案，来探讨一下如何通过优化激励机制来充分发挥员工积极性及增强企业凝聚力。那么，如何才能对AI药物研发员工进行有效的激励？最重要的，如何建立和健全激励机制和方案？下面，我们先从AI药物研发行业市场进行分析，然后重点分析并解答以上问题。相信通过本文全面深入的研究和解答，您对这些信息的了解与把控，将上升到一个新的台阶。这将为您经营管理、战略部署、成功投资提供有力的决策参考价值，也为您抢占市场先机提供有力的保证。二、AI药物研发行业发展分析及趋势预测2.1发展历程与发展现状2.1.1发展历程AI技术从1956年提出发展至今天已有60余年，随着算力、算法、数据等基础能力的不断完善，AI技术开始逐步向医疗中的药物研发领域渗透。目前，整个行业还处于发展的初期。早在上世纪80年代，默克公司就开始通过计算机辅助来设计药物，美国《财富》杂志还对其进行了专题报道，称之为“下一次工业革命”，其中的三维定量构效关系分析、分子对接、分子动力学模拟等计算手段（也已与时俱进）如今依然在为药物发现提供着服务。只是随着计算机技术的发展，AI逐渐接过“接力棒”，参与到药物研发的过程中，并且不断加深与医疗健康领域的融合。从时间上来说，AI技术真正应用于药物研发的时间不算长：2013-2015第一个AI方法在2013年至2015年间，第一批初创公司才开始开发适用于药物研发的AI方法，首次开发了用于药物发现和研发的可扩展的AI方法，一些具有前瞻性思维的行业参与者和高管开始启动试点合作，并进行小规模投资。然而，只有少数市场参与者相信这项技术。2016-2017迷茫到2016年至2017年，之前的一些试点项目失败了，人们对AI提出了质疑。最著名的当属IBM的WatsonAI医生的失败。但同时，一些AI创业公司的技术也开始在实际应用中得到检验。2018市值增长到2018年至2019年，事实开始证明一部分早期投资者的远见，有一些AI技术公司对合作药企交付了研究结果。早先药企与AI公司相关的合作、投资和并购开始产生回报。我们期待看到专注于AI药物发现子领域的VC公司及其子公司，以及最大限度多样化的投资于AI药物发现公司的资本。2019从数量到质量的过渡从AI相关合作、投资和并购的数量，向质的收获转变的重要里程碑。之前进行的研究的第一批实践验证出现。成为最成功的AI制药公司的竞争大幅增加。2020-2021激烈竞争到了最近几年，几乎所有的大型制药公司都已经关注了AI技术，即使它还存在一些不确定性，但是并不妨碍大药企们将其视为战略重点从而展开布局。同时，AI技术公司之间的竞争也开始逐渐加剧。2022-2023基于平台的药物设计领先的制药公司将向"基于平台的药物设计(Platform-basedDrugDesign)"迈进。全面的研发和商业基础设施的出现，使端到端人工智能驱动的药物开发成为可能。2.1.2目前发展现状AI技术在药物研发的靶点发现—药物发现—临床前实验及临床试验—上市后管理等各个阶段均有应用。根据速石科技的统计，药企的AI合作基本集中在药物发现阶段（占所有合作的2/3）和临床治疗阶段（占所有合作的1/4）。对于药物发现的合作需求，包括大量的靶点及生物标记物的选择与确定需求、中量的先导化合物确定的需求、少量的构效关系研究与活性化合物筛选的需求、以及中量的候选药物选定的需求；对于临床治疗各阶段的需求则比较平衡，平均分布在药物依从性、预测治疗结果、数据分析、精准医疗、开发新疗法、病理研究和疾病诊断。2.1.3现有竞争格局近年来，中国AI药物研发企业融资规模整体向好，但大部分仍处于早期融资阶段。2021年我国AI制药融资规模达12.36亿美元，同比增长163.54%；融资轮次主要集中在天使轮和A轮，B轮及以后占比不足1/3。产品方面，2021年我国AI药物研发实现了从0到1的突破，未知君、冰洲石和英矽智能三家企业研发管线进入到临床一期。但由于技术壁垒等因素限制，目前尚未有AI制药产品上市。目前，AI药物研发市场主体以IT巨头、AI药物研发企业和大型药企三类企业为主，其依托各自在平台、算法和数据的优势切入行业：（1）IT巨头：我国IT巨头依托其AI模型和平台优势，以对外投资、自建AI药物研发平台和提供算法服务三种方式跨界入局。例如，“云深智药”是腾讯基于其AILab自主研发的深度学习算法、数据库和云计算，打造的AI驱动药物临床前研究开放平台，覆盖了临床前药物研发的全流程；此外，腾讯还与成都先导合作，共同设计完成了首个经实验验证的骨架跃迁分子生成算法。（2）AI药物研发企业：行业的主力军，我国AI新药研发企业依托其算法和数据优势，以CRO（医药研发外包）和自研管线为主要模式切入应用场景。技术上，AI药物研发企业的算法愈受欢迎，成为重要的技术壁垒。此外，这类企业的数据自研能力是关键的竞争要素，AI药物研发所需的高价值数据多源于其智能实验室。（3）我国大型药企：主要通过自建团队和业务合作两种方式进入AI药物研发赛道。其中，与AI药物研发企业合作是主要的业务模式，大型药企可凭借其在研发管线、专业背景上的优势弥补AI药物研发企业的不足。近年来，国内大型药企纷纷布局其中，如药明康德与InsilicoMedicine合作进行的化合物筛选等。2.22022-2023年AI药物研发现状及趋势分析AI药物研发是将机器学习（MachineLearning）、自然语言处理（NaturalLanguageProcessing）及大数据等人工智能技术应用到药物研发各个环节，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。2.2.1市场规模全球AI药物研发保持增长态势，北美是全球AI药物研发最大市场，美国集聚了一半以上的全球AI药物研发企业。全球AI药物研发市场北美地区占比最大，亚太地区排名第三，预计全球AI药物研发市场规模将在2025年达到38.8亿美元；目前全球AI药物研发企业约700家，其中超过50%的公司集中在美国，英国和欧盟分别占据12.5%和13.4%，亚洲大约12.8%，其中中国占据约4.7%。图表：全球各地AI药物研发公司占比情况来源：火石创造根据公开资料整理2.2.2融资能力全球AI药物研发融资能力整体提升，中国药物研发AI大部分仍处于早期融资阶段。2022年全球AI+药物研发相关融资总事件达144起，总金额为62.02亿美元（约人民币426.7亿元）。相较于2021年的整体共计77起，总金额共计45.6亿美元的融资情况呈现双双上涨的态势。其中，美国AI药物研发融资事件71起、中国43起，其他国家和地区30起，投融资活动主要活跃在中国、美国和欧洲。图表12016-2022年全球和中国AI药物研发领域投融资情况

来源：火石创造根据公开资料整理2.2.3在研产品从在线AI药物研发方向来看，AI辅助药物研发布局分布在药物发现、临床前研究、临床试验和药品销售的各个阶段。其中布局最多的环节是先导化合物的设计优化合成，其次是化合物筛选、靶点发现和药物重定位，晶型预测、剂型设计环节布局的公司相对较少。目前，国内AI药物研发领域中小分子化合物虚拟筛选，新靶点发现以及药物优化设计和药物重定向是目前较为热门的方向。国内外还暂无利用AI技术实现新药上市的成功案例。图表8中国AI药物研发各领域分布情况来源：BiopharmaT从在研AI药物产品聚焦疾病领域来看，主要聚焦在癌症和精神类疾病，占比超过50%；其次是心脑血管、肝肾肠胃和呼吸系统，占比大约30%；其余涉及的领域包括糖尿病、眼病、白血病、感染类疾病、免疫类疾病、药物副作用领域，个别企业布局了遗传疾病及罕见病等小众赛道。其中较为知名的有AbCellera与礼来联合研发的LY-CoV555，AITherapeutics与耶鲁大学合作开发LAM-002管线等。LY-CoV555是全球首个进入临床阶段的新冠病毒中和抗体，并于2020年11月获美国FDA的紧急使用授权（EUA）。图表：全球AI药物研发集聚领域来源：火石创造根据公开资料整理从在研产品研发进程来看，美国在全球AI药物管线布局上仍占主导，截至2022年6月，全球共有26家AI药物研发企业、约51个由AI辅助进入临床Ⅰ期的药物管线。其中，80%以上为美国企业，已上市的AI药物研发头部企业也基本为欧美企业，尚未有中国企业。目前，部分中国企业已发展出自有专利的开发平台，甚至开始探索在全球尚未有企业涉足的前沿领域，如小分子晶体结构预测、原发药物设计等。2022年中国AI药物研发取得突破进展。截至2022年，80家中国AI药企中，已有14家成功将管线推进至临床阶段，大部分都处于临床Ⅰ期阶段。其中，英矽智能首个完全基于AI的管线ISM001-005进入临床Ⅰ期，并完成了首批健康受试者给药。这也是中国首个进入临床的AI研发药物。2023年年初，在新西兰临床I期试验中取得积极顶线数据，在安全性、耐受性、药代动力学（PK）方面均表现良好。而在中国的临床试验则将进入临床Ⅱ期。在临床试验方面，2022年有四家AI制药企业获得批件，分别是劲风生物、宇耀生物、费米子和德睿智药。其中埃格林医药针对子宫内膜癌适应症的EG-007管线，已经推进至临床Ⅲ期，是目前国内进展最快的一条管线。图表：2022年中国AI药物研发部分管线进展来源：火石创造根据公开资料整理2.2.4市场主体当前国内外AI制药市场的主要入局者有三类，即大型药企、AI制药初创企业和互联网头部企业，其中大型药企又分为传统药企和CRO企业。从AI药物研发产业链来看，上游为AI模型数据集供应及云计算平台，其中数据集提供的医药数据是行业的关键竞争壁垒，云计算平台则是用于保障底层架构的算力供给。

产业链中游为AI药物研发企业和IT企业，其中AI药物研发企业主要以医药研发外包形式与下游企业进行合作，在医药数据集的基础上依托内部的训练工具及AI开发工具等进行模型的搭建和训练；IT企业则通过自建AI药物研发平台及提供算力、计算框架服务方式参与AI药物研发。下游为传统药企，中游AI药物研发企业会将其药物研发阶段的服务直接出售给传统药企，因此传统药企是AI药物研发的直接需求者。从主要玩家参与方式来看，主要有以下几种特征：头部药企：主要通过自建团队和业务合作两种方式进入AI药物研发赛道。其中，与AI药物研发企业合作是主要的业务模式，头部药企可凭借其在研发管线、专业背景上的优势弥补AI药物研发企业的不足。如强生、辉瑞、阿斯利康、诺华、拜耳等头部药企合作次数接近10次，药明康德与InsilicoMedicine合作进行的化合物筛选等，正大丰海、豪森药业、云南白药也参与到AI研发合作中。互联网头部企业：依托其AI模型和平台优势，以对外投资、自建AI药物研发平台和提供算法服务三种方式跨界入局。例如，“云深智药”是腾讯基于其AILab自主研发的深度学习算法、数据库和云计算，打造的AI驱动药物临床前研究开放平台，覆盖了临床前药物研发的全流程；此外，腾讯还与成都先导合作，共同设计完成了首个经实验验证的骨架跃迁分子生成算法。AI药物研发企业：是行业的主力军，AI新药研发企业依托其算法和数据优势，以CRO（医药研发外包）和自研管线为主要模式切入应用场景。技术上，AI药物研发企业的算法愈受欢迎，成为重要的技术壁垒。此外，这类企业的数据自研能力是关键的竞争要素，AI药物研发所需的高价值数据多源于其智能实验室。2.2.5存在的问题数据量不足，数据获取的周期和成本高。高质量数据获取门槛高，即使是使用了前沿的AI技术，也并不能立刻扭转新药研发面临的挑战。AI药物研发企业数据来源可分为公开数据和非公开数据，公开数据包括各种文献数据库，公开的项目模拟数据及部分临床数据，此类数据容易获取，但数据质量难以保证，据此进行的模型运算可靠性不足。非公开数据主要是各制药公司以往项目的积累，此类数据的精度高，更适合用来做模型的训练和计算，但由于数据属于医药公司的核心资产，极难获得。算法与应用场景匹配要求度高，专业人才稀缺。AI药物研发中算法模型的优势可以体现在多个维度，比如结果的精准度、计算速度、模型体量、泛化性能等，不同算法模型可能有不同的侧重方向，因此优势也会不尽相同，在特定任务需求和应用场景下合理选择具有相应优势的算法模型至关重要。如何让算法与生物学更完美的结合，这需要技术人员对于制药医学和AI人工智能都有深入理解，才能更好的发挥模型优势，此类人才的稀缺也成为掣肘行业发展的重要因素。2.2.6发展趋势AI药物研发将进军抗体等大分子领域。2022年4月份，以色列药企BiolojicDesign宣布其有史以来第一个计算设计的抗体进入临床试验。11月，加拿大药企AbCellera和合作伙伴Regeneron宣布已经将首个针对未公开G蛋白偶联受体（GPCR）的抗体候选药物推进到临床前开发阶段。同月，AI制药企业Exscientia，宣布其AI技术平台将包括人类抗体设计。有媒体做过不完全统计，全球已经有20多家公司正在通过AI技术发现抗体药物。从区域来看，这些公司大都分布在欧美。中国也有企业布局，但仍属于小众领域。星亢原与恺佧生物、药明生物都达成了AI赋能大分子药物研发的合作。信华生物则宣布利用自研AI平台设计开发的First-in-class多功能抗体药物在临床前动物实验中显示出优异的安全性与有效性，且可成药性方面性能卓越，即将进入CMC和IND-enabling阶段。一旦成功，该药将有望成为亚洲最先进入临床阶段的AI大分子药物。自动化实验室成新吸睛点。2022年，数据的数量和质量仍是AI制药发展的核心问题。自动化实验室的出现恰恰就是为了解决这个问题。2021年，部分AI制药公司已经开始建立自动化实验室，目的是提高内部数据的生成能力，以优化AI模型。据不完全统计，Exscientia、英矽智能、Arctoris、Recursion、Insitro等都建立了自动化实验室。英矽智能则于2021年12月发布了全球首个由人工智能辅助决策的全自动化机器人实验室。该智能机器人实验室聚焦靶点发现、化合物筛选、个性化药物开发和转化医学研究等领域。自动化已经成为不少AI制药公司战略版图的下一个重要模块。在2021年初，英国的AutomataLabs于筹集了5000万美元用于自动化实验室研究；中国的镁伽科技也引来高盛投资，获得3亿美元融资用于扩展其多样化的自动化人工智能驱动的远程实验室服务和机器人化设施。2.32023年AI激发创新潜能生物医药业迎来“智药”新机遇近年来，AI（人工智能）对制药领域的赋能逐渐深入，两者融合与创新成绩斐然。2023年9月26日，“引领新方向聚AI迎未来——2023张江AI智药论坛”在张江科学会堂举行，多位业内专家和相关企业齐聚一堂，共同探讨AI与制药交叉领域的产业现状、趋势和发展方向。2.3.1“智药”成为药企新宠“AI已经成为药物研发过程中缩短研究周期、节省研发成本、提升实验成功率的核心生产力。”中国科学院院士饶子和说。2023年上半年研发费用数据显示，生物医药类上市公司研发费用合计同比涨幅较大。其中，恒瑞医药研发费用连续多年增长，约占总营收的30%；百济神州2022年研发投入超百亿元；复星医药、中国生物制药、石药集团等药企研发支出占总营收10%以上。此外，仿制药企业逐渐开始转换赛道，向自主创新迈进。“单个药品的研发费用高，无论对业内大型药企还是小型药企，都构成了压力。”业内人士表示。“生物医药和AI正在深度融合。”张江集团党委书记、董事长袁涛表示，AI及相关技术为靶点开发、结构设计等工作探索出了新手段和新路径。以此为契机，催生出生命健康产业发展的新方向和新业态。“AI可以赋能药物研发的各个阶段，如新靶点和难成药靶点发现、临床试验方案预测、小分子大分子的毒理预测等。”美迪西药物发现事业部总裁刘建表示。深势科技创始人兼CEO孙伟杰称，AI在三个方面赋能药物研发：一是帮助突破难成药靶点；二是提高临床各个环节的效率优化和决策质量；三是助力已有药物分子的二次利用，如修改剂型和老药新用。“靶点发现的价值比较高，而分子生成则给公司带去专利权，对公司而言，回报与价值比较高。”业内人士表示，目前AI在靶点发现和分子生成等领域应用已经相对成熟。2.3.2多家大型药企尝鲜“AI+”“传统药物研发亟待突破三大瓶颈，即如何找到创新性强且靠谱的药物新靶点、如何快速生成小分子化合物、如何科学设计临床研究方案。”英矽智能联合首席执行官、首席科学官任峰表示，AI或许会成为解决上述问题的“加速器”。目前，已有多家国际大型药企试水AI“智药”。早前有报道表示，赛诺菲CEO宣布公司大力加码AI，以成为第一家由AI大规模驱动的制药公司为目标。与此同时，诺和诺德、默克、阿斯利康等知名药企也纷纷投身AI赛道。国际大型药企积极尝鲜AI的同时，也与国内AI公司建立起合作关系。比如，英矽智能9月与美国Exelixis的合作获得了8000万美元预付款；早前晶泰科技宣布与知名药企EliLilly签署的一项AI小分子新药发现合作，预付款及里程碑总收益可达2.5亿美元。据悉，国内一些大型药企也在寻找“AI+”机会，加强与AI公司联动。8月，石药集团下属公司与英矽智能达成战略合作，聚焦具有高度临床需求的战略品种，以生成式AI和计算机辅助药物设计等前沿技术，驱动研发体系升级，提高新药筛选效率和成功率。早前公司曾授权引进AI靶点发现软件PandaOmics。此外，复星医药也在全球范围内进行多个靶点的AI药物研发。美迪西相关负责人表示，目前，美迪西帮助AI公司与生物医药公司搭建起合作桥梁，公司的AI技术一站式创新药临床前研发服务平台的搭建顺应了中国创新药发现需求还处于初期阶段的状况，未来3至5年将持续推进该平台的建设。部分国内AI+生物医药领域未上市公司也取得了研究进展。剂泰医药用AI设计基因药物递送一系列材料，以AI驱动干、湿实验迭代；晶泰科技通过AI加速的抗体工程平台改造抗体，提升抗体分子性能；英矽智能已有1款AI设计药物进入临床Ⅱ期，另有3款AI参与研发的药物进入临床Ⅰ期。2.3.3仍有发展痛点待解决“AI+生物医药企业”的发展仍然有一些痛点待解决。例如，如何获得质量和数量双高的数据，便成为AI生物医药企业发展的第一个“拦路虎”。“制药企业的核心就是数据，传统药企很难愿意分享这些数据，需要双方建立起很强的信任。”任峰表示，许多“AI+生物医药企业”都是从AI领域跨界而来，需要更多药企数据以完善并发展更加精准的细分领域模型。对于上述问题，业内人士建议：一方面，建立起实验室，帮助AI公司有针对性地生成所需数据，用数据去做算法优化；另一方面，有公信力的组织可以参与建立数据平台，以增加传统生物医药公司的信任，帮助AI公司获得数据优化算法。“目前，许多药企还对AI赋能缺乏付费意愿。”业内人士表示，不少传统药企还没有拥抱AI浪潮。此外，药品临床验证周期较长，使得AI在整个制药环节中的作用不能快速得到有效验证，可能会限制AI生物医药企业发展。为此，多位业内专家就生物医药领域是否可以使用通用大模型展开了讨论。有专家表示，目前建立通用模型还面临种种瓶颈和局限，“只有长期迭代达到足够大的数据量级，才可能建立通用模型”。面向未来，“AI+生物医药”想要取得发展，一方面要聚焦行业细分领域，持续深耕，打造企业“硬核”实力；另一方面，未来生物医药领域需要更多维度的合作，而AI+CRO则是未来发展的趋势之一。2.3.4药企加速布局AI制药合作制药行业IRR下降导致药企转向AIDD公司以提高药物发现和开发效率。AI技术提供的更高效研发、更大的创新需求非常符合药企需求，目前头部制药MNC正争夺AI药物发现及开发专业知识、人才和合作伙伴。随着计算能力的进步、更好的基因及蛋白质表征和成功的AIDD药物开发合作案例增加，大型制药公司与AIDD公司的合作数量不断增加，由2017年的18份新合作协议增加至2022年的66份新合作协议，复合年增长率为29.7%。图表：头部跨国药企的AI布局资料来源：弗若斯特沙利文，公司招股说明书图表：中国药企的AI布局资料来源：弗若斯特沙利文，公司招股说明书在全球范围内AI制药发展实现了从“0”到“1”跨越和从技术概念到实际应用的突破。在资本市场，AI制药获得了较大的关注，约有十余家AI制药的公司已经成功完成IPO。全球AI制药快速发展和中国创新药鼓励的政策叠加，国内AI制药也迎来了发展契机。制药巨头的频繁合作、传统药企的开放合作、国外AI制药的影响特别是资本对于AI制药的关注和热情，使得中国AI制药公司得到充分关注并步入快速增长期。英矽智能作为AIDD管线开发进程全球领先的端到端、由生成式AI驱动的生物科技公司，在AI制药行业具有技术平台领先、在研管线丰富、研发能力强劲等多重优势，在未来的市场竞争中有望持续扩大自身市场份额。图表：AI制药行业领先公司的竞争格局资料来源：弗若斯特沙利文，公司招股说明书2.3.5主要行业观察和趋势人工智能和数据技术的出现，以及新颖的计算工具和基础设施解决方案（数据库、云服务等），都在研究、临床和业务层面重新定义制药行业的运营方式。（1）基于AI的生物学建模和靶点发现在药物发现研究中，确定新的药物靶点对于成功开发FIC药物至关重要。过去几十年的药物发现主要集中在靶向某些具有适当“口袋”的蛋白质，但是在所有人类蛋白质中，只有极少数蛋白质被定为靶标。根据OMIM数据库，目前有20，360种人类蛋白质，其中已知约有4，600种参与疾病机制，约占在疾病中起作用的人类蛋白质的22%。然而截至2017年，现有的FDA批准的药物实际上只使用了大约890种人类和病原体衍生的生物分子（主要是蛋白质）。基于人工智能技术的新型计算方法允许大规模识别新的可成药蛋白质口袋，允许蛋白质组范围的虚拟筛选。先进的建模工具有助于识别和调节新型靶标，例如蛋白质-蛋白质相互作用、具有大接触面积的靶标、蛋白质-核酸相互作用和下一代靶标，例如利用细胞的蛋白质降解机制。许多人工智能驱动的公司专注于生物学建模、发现和验证新的靶点，并向其他组织提供“疾病模型即服务”或“靶点发现即服务”。对这种合同研究服务的需求正在上升，这反映在越来越多的靶标发现合作伙伴关系上。2022年9月，以色列生物建模公司CytoReason宣布与辉瑞扩大1.1亿美元的合作。两家公司于2019年开始合作，当时辉瑞开始使用CytoReason的生物模型进行研究，旨在开发用于免疫介导疾病和癌症免疫疗法的新药。2022年5月，阿斯利康宣布从与BenevolentAI的合作中获得了第二个肺纤维化靶点，这一里程碑标志着BenevolentAI自2019年合作开始以来为阿斯利康发现的第三个新靶标。仅仅几个月后，即2022年10月，BenevolentAI设法为阿斯利康的研发组合提供了另外两个人工智能生成的靶点，针对慢性肾脏疾病和特发性肺纤维化。报告显示，靶点发现领域至少有182家人工智能公司，包括拥有尖端研发平台的领先资金雄厚的公司，如Insitro、RelayTherapeutics、ValoHealth等。总而言之，基于人工智能的高级建模方法有助于重新定义生物靶点的定义，试图将药物反应与遗传变异联系起来，了解分层临床疗效和安全性，合理化同一治疗类别中药物之间的差异，并预测患者亚组中的药物效用。（2）利用AI破解结构生物学2022年生命科学界讨论最多的人工智能相关话题之一是仍然是蛋白质结构预测。2022年7月，DeepMind宣布AlphaFold预测了超过2亿种蛋白质的蛋白质结构，包含世界上所有已知蛋白质。尽管不少人质疑AlphaFold对药物研发的实际贡献，但这一发现肯定是结构生物学的范式改变，并说明了人工智能在基础生物学研究中的潜力。蛋白质折叠方面的重大技术飞跃可能对从头蛋白质设计更有用，而不是简单地对现有蛋白质的结构进行建模以进行药物发现。最近，冷冻电镜加上人工智能技术催生了新一波的生物技术初创公司，如GandeevaTherapeutics、Septerna和MOMATherapeutics。机器学习不仅有助于加速和优化冷冻电镜管道，还有助于避免用户偏见陷阱。（3）使用AI开发小分子药物在疾病建模和靶点发现之后，设计化学或生物分子是将人工智能应用于药物发现的第二大用例。在BiopharmaTrendAI报告中的384家公司中，有130多家人工智能驱动型公司将人工智能应用于设计候选药物。人工智能驱动的药物设计主要分为三大类：从头（例如生成）药物设计、现有数据库的虚拟筛选和药物再利用。从头药物设计主要由深度学习模型实现，例如生成对抗神经网络（GAN）。运用生成AI平台的公司包括InsilicoMedicine、Iktos、RecursionPharmaceuticals、DeepCure等。此外人工智能赋能超大规模虚拟筛选，能够筛选亿万分子并找到成功命中。2022年8月，赛诺菲与Atomwise合作达成了一项潜在价值高达12亿美元的交易。根据公告，基于卷积神经网络的AtomNet擅长基于结构的药物设计，能够“快速，人工智能搜索Atomwise专有的库，其中包含超过3万亿种可合成化合物”。最后，许多公司正在使用重定位策略进行人工智能药物发现，包括Healx、BenevolentAI、BioXcelTherapeutics。主要使用自然语言处理（NLP）模型和机器学习，通过分析大量非结构化文本数据，例如研究文章和专利，电子健康记录（EHR）以及其他数据类型，来构建和搜索“知识图谱”，为以前的候选药物及获批的药物选择新的适应症或患者群体。（3）超越小分子的人工智能驱动药物设计由于历史上小分子药物积累了更多的数据，此前早期基于机器学习的QSAR模型中与AI制药也颇有渊源，也让大多数药物发现领域的人工智能初创公司都专注于小分子药物。按产品类别划分的AI药物发现公司分布随着生物制剂和新型化学疗法在制药领域越来越丰富，应用基于人工智能的药物发现初创公司也在多元化。在科学家于2003年破解人类基因组后，成药性和可开发性空间迅速进化。新型靶标如蛋白质相互作用、蛋白质-核酸相互作用和下一代靶标，如利用细胞的蛋白质降解机制，正在推动各种新兴分子模式的出现成为药物发现的重点。例如越来越多的公司应用人工智能方法来发现新型单克隆抗体。2022年4月，以色列公司BiolojicDesign宣布他们有史以来第一个计算设计的抗体进入临床试验。该公司利用AI模型在数百万个抗体-抗原对上进行训练，以从现有人类抗体中识别针对目标靶标的模板抗体。2022年11月，总部位于加拿大的AbCelleraBiologics宣布，Regeneron选择行使其权利，将AbCellera首个针对未公开G蛋白偶联受体（GPCR）的治疗性抗体候选药物推进到进一步的临床前开发。目前有二十多家公司正在使用人工智能发现抗体药物，包括美国的AbSci、BigHatBiosciences、Totient、NablaBio和GenerateBiomedicine；总部位于加拿大的DeepBiologics；总部位于中国的NeoX；位于欧盟的DeepCDR、NaturalAntibody，和MabSilico等。一些在小分子领域取得成就的公司也在拓展其技术领域，如上市公司Exscientia现在正在扩展到生物制剂发现领域。2022年11月，该公司宣布其人工智能平台将包括人类抗体的设计。Exscientia还在牛津建立一个自动化生物制剂实验室，以在内部产生和分析新型抗体。第一批人工智能开发的候选药物进入临床尽管AI彻底改变药物发现可能还为时过早，但几家AI药物研发公司已经显著提升药物研发的效率。这些公司都构建了一个专门的、高度集成的人工智能平台，包括许多模型和数据源。一批成功进入临床药物表明，人工智能公司有能力更快地提出候选药物。AbCellera的单克隆抗体LY-CoV555在三个月内开发完成，并获得了FDA的紧急使用授权。BenevolentAI的知识图谱帮助该公司在几天内将Baricitinib确定为一种有效的COVID-19抗病毒药物（现已被FDA批准使用）。InsilicoMedicine的小分子抑制剂ISM001-055用于治疗特发性肺纤维化，经过重新设计，并在18个月内（目前处于I期）进入后期临床前研究。薛定谔开发了一种小分子SGR-1505，可在十个月内治疗B细胞淋巴瘤，目前正在IND申请过程中。总部位于盐湖城的RecursionPharmaceuticals在18个月内开发出一种针对未指定罕见疾病的候选药物。该公司拥有庞大而多样化的临床前和临床候选药物组合，并在其数字生物学平台的帮助下设计。2.4AI辅助药物研发的新兴趋势2.4.1人工智能和机器人化实验室深度学习模型非常渴望高质量数据，无论模型有多好，但数据质量和大小对于结果预测同样重要。生成高质量生物学数据的最有效方法是使用机器人技术。如果我们将现代人工智能驱动的药物发现转型视为一个循序渐进的过程，那么广泛可用且相对具有成本效益的roboticsas-a-service将是人工智能支持的制药和生物技术研究工业化的最后一块也是关键部分。一些公司正在构建标准化、高度自动化、可扩展且日益兼容的实验室设备，这些设施由基于AI的实验控制系统指导，并辅以AI驱动的数据挖掘和分析功能。这种“下一代”实验室设施正在远程提供给临床前药物研究实验人员，使临床前实验成为更具可扩展性和标准化的常规程序。这一赛道正在疯狂吸引风险投资的青睐。2022年2月，总部位于英国的AutomataLabs筹集了5000万美元用于自动化实验室研究。2022年6月，北京镁伽生命科技筹集了3亿美元，用于扩展其多样化的自动化人工智能驱动的远程实验室服务和机器人化设施。远程机器人实验室的兴起是一个长期的行业趋势，是一种提供合同研究服务的新方式，对于长期采用以数据为中心的“人工智能优先”研究策略非常有益。几家人工智能驱动的药物发现公司，如Exscientia、InsilicoMedicine、Arctoris、RecursionPharmaceuticals、Insitro等，已经建立了内部自动化实验室，以提高其内部数据生成能力，以训练他们的人工智能模型和建立更好的药物管线。2.4.2利用AI解决临床试验瓶颈临床试验是药物开发工作流程的关键阶段，候选药物从1期到上市的平均成功率仅为11%。即使候选药物安全有效，临床试验也可能因资金不足、入组不足或研究设计不佳而失败。人工智能（AI）越来越被视为提高临床试验运营效率和降低临床开发成本的技术。通常，人工智能技术公司在三个主要领域提供服务和专业知识。第一个领域初创企业通过自然语言处理（NLP）帮助解锁来自不同数据源的信息，例如科学论文、医疗记录、疾病登记，甚至医疗索赔。这可以支持患者招募和分层、地点选择，并改善临床研究设计和对疾病机制的理解。例如，一项研究报道表明大约18%的临床研究由于招募不足而失败。临床试验成功的另一个方面是改善患者分层。由于试验患者价格昂贵，因此能够预测哪个患者将从治疗中获得更显着的益处或风险至关重要。人工智能驱动的公司使用多种数据类型，例如电子健康记录（EHR）、组学和成像数据，以减少人群异质性并提高临床研究能力。人工智能也在简化临床试验的操作流程。AI技术公司帮助跟踪患者的健康状况，监控治疗反应以及患者对试验程序的依从性。通过这样人工智能公司降低了患者退出的风险，平均占30%。通常，3期临床研究阶段需要1000-3000名参与者，其中一部分服用安慰剂。这就是为什么合成对照组的发展-可以取代安慰剂对照组的AI模型，从而减少临床试验所需的个体数量-可能成为一种新的趋势。根据BiopharmaTrendAI报告显示，以上三个类别都有80多家公司，包括Owkin，PathAI，GNSHealthcare，Neurcuit，AICure和Unlearn.ai。尽管生物技术投资环境整体寒冷，但对人工智能临床试验平台的需求以及该领域的投资都很高。2022年3月，ConcertAI在融资1.5亿美元的C轮融资以扩展其用于癌症研究的软件和真实世界数据（RWD）解决方案后，估值达到19亿美元。Saama是一家总部位于硅谷的公司，成立于1997年，但它在2015年筹集了第一笔风险投资。该公司已经筹集了超过5亿美元的风险投资。Saama提供多样化的解决方案：通过集中式数据分析和控制中心加速临床试验，包括实时数据处理功能；自动化数据质量功能；简化的监管提交功能，包括药物警戒分析和提交。2.4.3CRO领域的人工智能在临床前和临床领域出现的新型AICRO公司开始挑战传统的CRO公司。后者通过将人工智能纳入其对制药公司的服务产品中或与人工智能公司合作来补充他们的研究能力。例如查尔斯河正在通过与ValoHealth建立多年的合作伙伴关系来深入研究人工智能。查尔斯河希望利用ValoHealth的深度学习平台实现从头分子设计到先导物优化的更快，更有效的过程。2021年，CharlesRiver与ValenceDiscovery建立了战略合作伙伴关系，使CRO的客户能够访问Valence的人工智能平台，用于分子特性预测、生成化学和多参数优化。艾昆纬多年来一直在投资人工智能功能，以增加临床试验和为客户提供的商业活动的价值。例如为了改善临床试验，艾昆纬于2020年启动了Avacare临床研究网络™，使研究中心能够更快、更有效地匹配患者进行试验。该平台由人工智能算法提供支持，可以在19个疾病领域运行。临床研究行业的一个重要趋势是进行虚拟临床试验，这是一个价值80亿美元的市场。COVID-19迫使制药公司转向远程监控、改善患者登记、跟踪患者参与的应用程序、远程医疗、权力下放和其他保持试验运行的措施。由于对此类解决方案的需求大幅增长，CRO急于在其服务产品中添加虚拟和去中心化功能。事实证明，人工智能技术在创建和运行此类项目以帮助合成数据和加快临床试验过程方面非常宝贵。科技巨头追逐药物发现和生物技术前面提到的Alphabet的DeepMind和Meta在解决基础生物学研究难题方面的成功，比如使用深度学习和语言模型大规模预测蛋白质结构，只是冰山一角：几乎每个科技巨头都在布局生命科学领域。2.52023年人工智能打破医药研发“双十定律”高技术、高投入、高风险、长周期……在新药研发的过程中，经常面临着诸多痛点。因此，业界正在着力布局通过AI翻过新药研发过程中的这几座“大山”，AI智药成为一条新赛道。全球已经有700多家AI智药企业，共有几十款AI药物进入临床试验阶段。至2022年底，我国也已有AI智药初创企业近80家。张江，有科创、芯片、药片“三驾马车”，2022年生物医药产业规模已经达到3300亿元，诞生了全国15%的原创新药和10%的创新医疗器械。近年来，张江积极寻找和布局新赛道、新方向，目前在靶向药物、合成生物学、AI+新药研发、新型偶联药物、新型蛋白降解药物、细胞药等相关领域引进和聚集了一批创新主体，在前沿技术领域的发展和培育上发挥着创新策源和示范引领作用。在9月25日开幕的2023张江生命科学国际创新峰会上，举行了2023张江AI智药论坛暨第三届AI研发创新论坛，来自张江的AI智药企业分享了AI赋能药物研发的最新成果和前沿案例，并探讨了AI技术应用的当前挑战和未来前景。不可否认，AI智药的创业热潮正在涌动。2.5.1加速建立“AI药研朋友圈”AI智药，即以医药大数据为基础，通过运用机器学习、深度学习等AI技术替代大量实验，对药物结构、功效等进行快速分析，以达到缩短试验周期、节省成本、促进新药发现、提升试验成功率等目的。“随着人工智能技术的快速变革，AI已经成为药物研发过程中缩短研究周期、节省研发成本、提升实验成功率的核心生产力。”中国科学院院士饶子和在论坛上这样表示。在中国AI智药的版图上，张江占据着龙头位置。成立于2019年的英矽智能和成立于2015年的晶泰科技是国内AI制药领域的独角兽，这两家皆在张江有所布局。作为浦东生物医药产业的聚集地，张江集聚了近7万名生物医药从业人员。同时，张江正在构筑一个巨大的人工智能产业生态圈，汇聚更多的AI新势力。早在2021年10月，张江AI新药研发联盟正式揭牌成立，联盟是推进AI与医药跨界交叉融合、数据资源共享、技术迭代升级的重要纽带，并取得了不少成果。现在，该联盟成员已扩增至35家。美迪西开发的智能靶点和AI虚拟药物发现平台、英矽智能通过AI赋能发现的潜在同类最佳USP1小分子抑制剂、晶泰科技用AI驱动的下一代抗体发现平台XupremAb赋能最佳抗体发现……这是张江AI新药研发联盟发布的一些创新成果。作为近年来技术变革的重要力量，AI在生物医药领域展示了极大的应用潜力。国家发改委2022年发布的《“十四五”生物经济发展规划》提出，要利用云计算、大数据、人工智能等信息技术，对治疗适应症与新靶点验证、临床前与临床试验、产品设计优化与产业化等新药研制过程进行全程监管，实现药物产业的精准化研制与规模化发展。2022年2月，英矽智能利用人工智能发现的“特发性肺纤维化”候选药物，获批在中国进入ⅰ期临床试验，成为中国首个进入临床阶段的人工智能研发药物。2.5.2AI打破“双十定律”大幅缩短研发时间，是AI智药最明显的优势之一。传统的新药研发是一项复杂而长期的系统工程，一款新药从着手研发到获批上市，整个过程平均耗时约14年，仅化合物筛选到临床前研究就需花费约4～6年的时间，推动新药上市的平均成本更是高达19.8亿美元。因此，医药研发行业长期以来面临着“双十定律”，即需要耗时超过10年、10亿美金才有可能上市一款新药。张江AI新药研发联盟成员之一英矽智能联合首席执行官、首席科学家任峰表示，为了研发毒副作用更小的特发性肺纤维化新药，英矽智能通过AI赋能的研发方式，将从靶点的发现到找到临床候选化合物的过程缩短到18个月，研发费用共投入270万美元，而如果没有AI，则该过程需要花费四年半以上时间、数千万美元，AI+生物医药的“双向赋能”，无疑大大降低了新药研发的周期和成本。同样也是张江AI新药研发联盟成员的晶泰科技，在建立小分子药物模拟算法平台之后，通过AI预测算法帮助辉瑞制药显著缩短了新冠口服药Paxlovid（奈玛特韦片/利托那韦片）的研发周期，2021年12月，Paxlovid成为第一款获得美国FDA批准的新冠口服药，被迅速推向市场。辉瑞和晶泰科技双方的科学家仅用了6个星期，便完成了药物固态研发，以快速的计算预测与试验结果相互印证、准确匹配。而在传统的药物研发模式下，这个过程可能需要花费数月时间。晶泰科技AI预测模型目前，晶泰科技已通过建立算法的“干”实验室和自动化机器人驱动的“湿”实验室，构建起虚实结合、相互印证的研发体系，助力药物研发。自动化智能化实验室里包含了自动化合成、自动化结晶等化学和生物的一些关键能力，通过人工智能来辅助药物设计，通过自动化机器人来替代传统人工进行实验操作，进行7×24小时的运作，实现“关灯实验室”的效果，并减少对人力劳动的依赖，保证实验的稳定可靠。“例如每一次加反应试剂，相比人工，机械臂可以更加精准控制剂量，并且实时记录实验数据、过程，全程数据可追溯。”晶泰科技相关人士介绍。2.5.3将药物在人体内精准递送受限于传统药物研发的技术瓶颈，临床上仍存在大量“不可成药”的疾病，诸多患者面临“无药可用”的难题。“药物递送”技术是以RNA药物为开发的关键环节，通过特定的技术实现将核酸序列等药物精准递送至有疾病的器官、组织和细胞中，从而实现疾病的治愈。然而，这一环节的难点和关键在于如何“精准递送”药物有效成分到人体患病部位。业内人士打比方，人体的运作机制和环境非常复杂，实现这一目标的难度不亚于通过火箭运载卫星到达太空中的预定轨道。也因此，提升药物递送的精准性已成为新一代药物的核心部分。如果把药物比作一辆行驶在人体内的车，在人体内没有GPS的情况下，如何将药物精准送达“目的地”？剂泰医药联合创始人兼首席执行官赖才达在论坛上表示，剂泰医药的做法是，基于AI数据驱动算法、机制驱动的量子力学和分子动力学模拟以及高通量实验平台等底层技术，搭建了AI驱动核酸递送系统设计平台（AiLNP），以AI驱动干、湿实验迭代，实现了更有效的创新递送材料设计、核酸序列设计与优化，并设计了更具优势的制剂配方和核酸递送系统，将药物递送系统效率进行指数级优化。剂泰医药AiLNP“LNP核酸递送系统的表达效率超越行业标准10倍以上，并破解了行业难以攻克的肺、大脑、肿瘤、免疫器官、肌肉等递送难题。”赖才达说。以近来火热的mRNA技术为例，mRNA技术商业落地的最大阻碍便是递送。在赖才达看来，递送技术可以助力更好地发挥药效，将疾病细胞编写回健康细胞，为全球患者带来革命性的药物，解决未被满足的临床需求，这也是目前CGT（细胞基因治疗）产业“卡脖子”的核心环节。2.6大型药企在AI药物研发进展趋势人工智能（AI）的推进正逐渐改变生物医药产业在药物发现、开发的整个过程。2023年，《自然》旗下BiopharmaDealMakers发布了一篇针对AI驱动生物医药研发公司在近年的增长趋势、方向的报道。药明康德内容团队将就此报道，并结合内部数据和其他公开资料向读者介绍AI在当今产业界的概况。2.6.1大型药企整合AI进入药物开发流程随着AI在技术上的不断突破，以及各式临床“-omics”（包含基因组学、蛋白质组学、转录组学等）数据的建立，AI在药物开发的应用从原初的小分子药物设计、文献分析，已经进展至广泛应用于药物研发管线开发的各个阶段。随着AlphaFold2在蛋白质结构预测上的突破，AI技术被视为开发创新药物的枢纽，许多药企也早已布局建立其在AI领域的核心能力，这主要通过三种方式：2.6.2与信息技术公司合作建立内部AI专业技术在2019年，诺华（Novartis）与微软（Microsoft）宣布达成，将整合诺华的数据库与微软的AI专业以共同发现、开发并商业化创新药物。此外，两者亦建立AI创新实验室以支持诺华研究人员的工作。今年4月，Moderna和IBM达成一项为期，IBM将提供量子计算系统的访问权限，以及提供专业知识帮助Moderna探索由量子技术驱动的生命科学领域的前沿应用，以推进和加速mRNA疗法的研究。Moderna和IBM将结合配方发现和生成性AI技术来优化脂质纳米颗粒，以设计具有改善安全性和性能的mRNA药物。2.6.3通过并购AI驱动生物技术公司快速获得AI技术罗氏（Roche）旗下的基因泰克（Genentech）在2021年并购了PrescientDesign，主要利用其生成式AI平台来发现、设计抗体药物。而自2019年起，BioNTech便与InstaDeep展开多年的合作，并在今年1月以3.62亿预付款并购该公司，期待通过此交易来完全整合InstaDeep的AI与机器学习（ML）专业，以开发下一代免疫疗法。并购除了使得药企能够获得AI公司专有的平台技术，也可同时获得来自原公司的数据与生物信息专业人士，增加其AI研发能力。图表：AI驱动生物科技公司近年的成立与融资趋势图片来源：参考资料2.6.4与AI驱动生物技术公司合作以识别靶点、共同开发药物这一类别的知名例子包含基因泰克在2021年与RecursionPharmaceuticals达成的合作，两者将利用AI导向的高通量筛选平台以识别在神经科学与肿瘤学的创新靶标。2022年1月，赛诺菲（Sanofi）与Exscientia达成另一项，两者将利用Exscientia基于AI的个体化药物平台，以筛选病患与识别药物靶标，该合作预计开发在肿瘤与免疫学领域最多达15项的创新小分子药物。此外，赛诺菲还在同年8月和11月，分别与和（InsilicoMedicine）达成大型的研发合作，将利用两家公司各自的AI平台发现新靶点并开发候选药物。在使用AI改善临床开发能力方面，默沙东（MSD）与SaamaTechnologies在去年8月达成了一项，将利用Saama的AI模型实施新的临床数据管理流程，以加强其临床开发能力，并加快管线进展。去年10月，GSK与Tempus达成一项，将使用Tempus包含大型去识别化病患数据的AI平台改善临床试验设计、加速病患招募与识别药物靶标。2.6.5AI驱动生物科技公司发展趋势根据统计，在2010年至2022年间，约有390间AI驱动生物科技公司创立，其中有近半（~47%）仅专注于药物发现研究（Research），约四分之一（~26%）专注于药物开发（Development），另有约四分之一（~27%）则同时聚焦药物研发过程（R&D）。其中在2010-2018年间，新创立公司的数量稳定成长，在2018年间有61家新成立的AI驱动生物科技公司。受新冠疫情影响之故，此数值自2019年起有所下滑。另一方面，从2017年到2021年，资本对AI领域的投入增长了10倍，复合年增长率（CAGR）为71%，而且晚期风险资本（VC）融资和首次公开募股（IPO）也在增加。例如，2021年有五家公司进行了IPO，包括Recursion公司，筹集了4.36亿美元，以及Exscientia公司，通过3.5亿美元的IPO和同时进行的1.6亿美元私人配售，共筹集了5.1亿美元。根据药明康德内部数据库对近期融资事件的统计，在2022年至2023年第一季度，AI驱动生物医药公司的早期融资（包含B轮与更早）金额超过1000万美元的共有75起，其中有18起属于大额融资，金额大于5000万美元。这些AI公司多专注于加速与改善药物开发过程，包含靶点识别、生物标志物发现、病患筛选、优化临床试验等。而在应用AI开发不同疗法模式药物方面，统计显示传统的蛋白质（包含抗体）/多肽类药物（N=16）与小分子药物（N=15）仍是业界关注的焦点，占AI驱动药物开发融资项目的大宗。RNA疗法则紧随其后，共有8起相关融资事件。图表：AI驱动药物研发公司于2022-2023Q1融资趋势资料来源：药明康德内部数据库，药明康德内容团队制图）2.6.6AI技术在临床上的转化随着AI技术在产业界的起步，AI辅助药物研发作为其中关键性技术之一近年来已有多项科研成果转化落地。2021年4月，Exscientia宣布首个由AI设计的免疫肿瘤学药物进入临床试验，此药物为靶向实体瘤已知靶点A2a受体的拮抗剂，此款药物目前已停止开发。Recursion则通过AI技术将已开发药物用于其他适应症上。例如，Recursion通过利用其专有的AI驱动药物发现平台RecursionOS，发现REC-2282作为治疗NF2基因突变引起疾病的潜在候选药物，并在去年6月将之推进至临床2/3期试验。研发过程皆使用AI的药物INS018_055在2022年2月进入1期临床试验，并在今年1月公布该试验的积极顶线结果。分析显示，这款由英矽智能开发、用于治疗特发性肺纤维化（IPF）的药物展现良好的药代动力学特征，并具良好的安全性与耐受性。基于此结果，英矽智能将在今年启动此药物的临床2a期试验。三、AI药物研发企业基层员工激励策略及建议3.1企业员工激励3.2.1理论基础及研究现状（1）激励管理的核心在于人，如何激发和鼓励员工的创造性和积极性，是管理人员必须解决的问题。激励是用人艺术的一个重要组成部分，也是管理者的一项主要职能。激励这个概念用于企业管理，是指用各种有效地方法激发员工的工作动机，调动人的积极性和创造性，充分发挥人的主观能动作用，以保证组织目标的实现。（2）激励理论主要涉及到了需要层次理论、双因素、期望理论和公平理论等激励理论，用于分析员工的需要、激励制度的评价。马斯洛的需求层次理论。马斯洛将人类的需求分为以下五个不同的层次：生理需求、安全需求、归属需求、尊重需求和自我实现需求。这些需要从基本需要开始排列，依次上升到最高需要。赫茨伯格的双因素理论。赫茨伯格认为，导致员工对工作满意的因素往往与工作内容和工作本身的特点有关(即激励因素);员工感到不满意的因素则往往与工作环境或外部因素有关(即保健因素)。所谓保健因素，就是那些造成职工不满的因素，它们的改善能够解除职工的不满，但不能使职工感到满意并激发起职工的积极性。所谓激励因素，就是那些使职工感到满意的因素，惟有它们的改善才能让职工感到满意，给职工以较高的'激励，调动积极性，提高劳动生产效率。维克托・弗鲁姆的期望理论。该理论认为，当员工预期自己的行动将达到某个他向往的目标时，就定会被激励起来竭力去实现这个目标。一个目标激励作用M的大小取决于两个因素：期望E和效价V。即M=E・V值。期望值E表示被激励者达到目标的可能性大小;效价V是被激励者对目标的重要性评价。亚当斯的公平理论。亚当斯通过大量的调查发现：员工总是自觉不自觉的将自己的付出与自己的所得与相关人员进行比较。公平理论认为，员工在工作中所注意的，并不是自己所得的绝对值，而是与他人比较的相对值。（3）国内的激励研究在激励管理方面的探讨上，国内研究者把员工作为企业发展的核心，从激励对企业可持续发展的重要性角度，来对人力资源激励管理进行探讨，并对现代企业经营管理提供一些合理建议与措施，使得企业可以更好的吸引员工，留住人才;有学者从激励效果评价的角度去分析激励机制，提出激励不仅要根据激励对象的需求差异，采取多样化、动态化的激励策略和方案，而且需要及时地对激励过程、激励方案进行全面、有效地评价和反馈。3.2.2企业激励机制存在问题企业的发展如火如荼，大大促进了我国国民经济的腾飞，并已成为市场主体的中坚力量。然而，由于企业固有的管理模式，其激励机制仍存在诸多问题主要有以下五点：1.留不住人伴随企业的迅猛发展，服务员的高离职率问题逐渐凸显，有的企业的离职率已经突破了警戒线。服务员难招、“人才荒”的消息见诸于网络、报纸等媒体。在企业中，员工普遍有“打短工”意识，他们对企业没有归属感。2.没有综合运用各类激励手段许多企业经营者仍然把员工当作“经济人”来看待，缺乏与员工的感情交流，单纯地、简单地通过物质利益的满足对员工进行激励，忽视了对员工的精神激励。3.员工关系管理不足在劳动力密集，必然存在着员工关系复杂、人际关系过于紧张的问题，将会导致员工工作责任心低、工作积极性不够，严重的表现为员工和管理层冲突不断。4.没有形成与行业发展战略相匹配的系统性、持续性的培训机制许多企业不愿在员工培训上多投入，认为人才培养的成本高于直接招聘的成本，或者认为把人才培养得技术越高，人才流失得越快，所以不重视也不愿意进行人才培养，招致人力资源的贬值和浪费。另外，有些企业虽然比较重视人才的培养，但只重视对新人的培养，却忽视了对旧人的再培养。不仅压抑了员工的积极性和创造性，造成人力资源的严重浪费，抑制了企业的竞争活力。5.企业决策的专制性目前我国大多数企业的决策、管理实行的是以家族主义为基础的家长制式的管理，企业的家长――创业者一言九鼎，专制独裁，对员工积极的、合理的建议置若罔闻，严重地挫伤了员工参与管理的积极性。3.2.3企业激励机制优化1.保持良好的薪酬体系企业的员工的教育程度相对较低，普遍更加关注物质激励。员工会用报酬来衡量自己的价值并且相对工资水平也会影响员工的公平感。虽然薪酬和福利不是激励员工的充分条件，却是必要手段。(1)体现公平性当员工对薪酬体系感觉不公平则可能会采取一些类似降低责任心、辞职等消极的应对措施。公平的薪酬制度，不但包括内部的公平，还包括外部的公平。(2)体现激励性企业是薪酬水平较低的企业，因此可采用高稳定的薪酬模式，增加基本薪酬和保险福利的构成比例，缩小绩效薪酬的构成比例，让员工有安全感。绩效薪酬还是必须要有的，并且考核指标要有顾客满意度，劳动时间等关键指标。企业在指定激励体系时要有明确一致的原则，有统一、可以执行的规范作为依据，激励性报酬的各岗位之间的工资差距都要有一定的依据，做到全面合理。为了降低员工离职率，留住核心人才，企业可采用部分员工持股、股票期权(ESO)等具有长期激励效果的薪酬制度。2.补充使用精神激励手段激励是对员工需求的满足，员工的需求是多种多样的，所以激励的途径也是多种多样的。应让物质激励和精神激励双管齐下，相辅相成。(1)工作激励①工作目标激励。目标是衡量员工工作绩效的标尺。在管理者应该为员工制定服务标准或者提出要求作为工作目标。②工作过程激励。管理者应当经常给员工灌输正确的职业观，经常赞扬和鼓励员工。除此之外，还应该让员工做自己喜欢的工作，可以通过轮换岗位或岗位丰富化，让员工找到自己的兴趣，尽量让员工在其喜欢的岗位上，做其喜欢的工作。③工作完成激励。对于一些表现突出的员工，比如某道创新菜的销量较高，或者某项服务受到了顾客的表扬，管理层可以送给该名员工一些小礼物，如一本菜谱，一件新工作服，一件漂亮的新厨具等等。但是要偏于实用，而不是华而不实。(2)荣誉激励对于员工来说，一方面因获得较高的评价和尊重，从而产生成就感和心理满足，达到自我实现。另一方面荣誉也意味一个人未来获得更好的收入的可能，因为一个人过去工作的良好声誉可能使他在现在的工作企业中获得更高的印象分。(3)建立科学的人才选用机制，适当使用内部晋升坚持公开、公平、公正的原则，给企业内外人员提供平等的竞争机会，从而吸引和选拔出真正的人才，逐步摆脱一贯的“家长式”的管理模式。(4)完善培训机制对员工的培训应该围绕企业的服务特征，不仅要重视企业服务知识的培训，更要强调人际交往能力的培训，包括沟通能力、解决冲突能力、跨文化敏感意识等。从长远发展和安全及培养员工忠诚角度考虑，企业内部培训是符合成本核算原则的明智之举。3.2企业基层员工激励建议企业基层员工直面顾客，素质与行为直接影响到顾客满意程度。企业基层员工基本状况，企业对于他们的激励状况究竟如何?3.2.1企业基层员工特征调查内容包括基层员工年龄和学历、行为特征及其对于激励机制的满意度状况。调查研究样本选择：处于中小规模，有过成功的发展历程，正在积极寻求新的发展或被称为面临第二次创业的多家企业。调查以问卷和访谈相结合的方式进行，在问卷调查的基础上选择其中部分人员进行了针对性面谈。调查问卷包括背景和主体两部分。背景部分包括被调查者的性别、年龄、教育水平、职位类别等基本信息，问卷主体部分主要是有关员工工作满意度的项目：采用5等级量表，分别为“很满意”、“满意”、“一般”、“不满意”和“很不满意”。根据被调查者的具体情况，问卷设置成结构化的形式，以便尽量简化员工的答卷。问卷调查采用直接发放问卷和匿名答卷的形式，尽可能使受调查者能根据自己的真实感受来回答问题，保证了问卷的回收率和答卷信度。调查中，共发放500份问卷，有效问卷455份，总有效率达到91%。被调查的基层员工涉及领班、门迎、后厨和服务员，其中多数为一线服务人员。3.2.2企业基层员工特点1、企业基层员工年龄偏小。45%以上的年龄不足20岁，83%以上的被调查者年龄在30岁以下。2、企业基层员工文化程度不高。调查结果显示，初中及以下文化程度的员工占41%以上，83%以上的为中专及以下文化程度，基层员工受教育程度普遍不高。进一步访谈发现，企业基层员工主要来自于城镇和农村，相当多的是初中毕业，有些甚至没有读完初中。这些人员没有其他技能，也没有受到职业技术培训，整体文化素质偏低。企业基层员工年龄偏小、文化程度不高及企业的运营特点，决定了企业基层员工具有：流动性大、没有成熟的人生观、价值观、自觉性不高等行为特征。①企业基层员工易于流动。企业员工的易流动性源于两个方面因素：其一，是因为工作职位要求的技能技术含量较低，企业文化对员工的吸引力不足，工薪待遇偏低，大多仅有简单的奖惩措施，企业福利设施欠缺，没有有效的约束机制；其二，是由于员工自身的文化素质修养偏低，没有受到良好的教育，关于去、留的选择存在一定的“追风性”，随机性很大，一旦发现其他行业似乎比自己现在的好，往往选择离职。②企业基层员工没有成熟的人生观和价值观，行为诱导相对较为容易。成熟的人生观和价值观是在受到一定教育、具有一定阅历之后才可以形成的，目前企业多数基层员工的年龄、学历特点决定了他们还没有促使自身形成成熟的人生观和价值观的条件，因此企业的诱导教育对他们的行为会产生较大的影响。③企业基层员工自觉性较差。企业基层员工自觉性差主要表现为：工作的主动性、积极性不足，工作中得过且过，缺乏钻研精神，工作技能和应变能力欠缺，工作表现往往很难让顾客满意。年龄偏小是造成企业基层员工自觉性较差的主要原因。处于此年龄段的人往往还没有形成自己的人生观、世界观，对自己的岗位和职业没有充分的认识，对敬业精神的认识不够，自觉性更无从谈起，工作行为主要靠主管和顾客的监督来约束。3.2.3企业基层员工重点激励因素确定企业基层员工重点激励因素的具体过程：首先，对基层员工需求进行调查分析，确定基层员工的初始激励因素；接着，由基层员工对各初始激励因素的重要程度进行评判，与此同时，选择出管理人员代表，要求从企业经营状况与所处发展阶段、制度文化特点和发展战略等方面评价各初始激励因素的重要程度；进而，把管理人员和基层员工对各初始激励因素的评价分值进行加总，得出各初始激励因素的综合分值，即重要程度分值；最后，按照综合分值由高到低的原则，对激励因素进行排序。基层员工的主要激励因素有：工作过程能够及时得到反馈，与领导和同事达成良好的沟通，领导对自己的信任以及对自己努力工作的认可，进行绩效考评时的公平公正性和管理层的关心、培训机会多少等；由于基层员工年龄普遍较小，他们更需要企业和管理层给予更多地的关怀、理解和适当的引导教育；另外，企业的承受能力决定了不同企业间基层员工薪酬不会有太大的波动，员工对自身薪酬预期较低，所以薪酬对于基层员工而言不是重要的激励因素。3.2.4对企业基层员工激励机制建议针对企业基层员工基本特点、行为与激励因素特征，我们认为，企业应该从以下几个方面构建基层员工的激励机制。1、确立针对性的激励机制目的。企业基层员工激励机制的主要目的应该包括：①降低基层员工流失率。基层员工队伍的稳定是企业持续发展的关键因素，企业基层员工的流失会造成相关费用的增加，给企业带来经济损失，引起员工队伍的不稳定。目前，基层员工流失的主要原因是激励机制不够健全。构建激励机制的目的之一应该是降低并控制员工流失率；②调动基层员工积极性。企业只有充分激励基层员工，提高他们的积极性、主动性和创造性，企业的核心竞争力才能显现出来；③促使实现企业和员工双重发展目标。目前，我国企业对员工的职业生涯发展普遍缺乏关怀，提供的培训机会也很少。激励机制建设以企业和基层员工个人共同发展为目标，可以帮助员工创造接受新知识、掌握新技能的条件，不断提高其自身综合能力和素质水平，提升其终生就业能力。与此同时，得到充分激励的基层员工，其自身素养得到提高，工作和服务质量有所改进，企业的核心能力也得到了提高，有利于促进企业发展目标的达成。2、针对性的设置激励机制原则。激励机制应当遵循主要原则包括：①针对性与适应性相结合的原则。激励机制的改进需要针对基层员工上述特征，要与企业文化和制度环境相适应；②系统性原则。激励机制要与企业管理、人力资源管理等体系相互配套与密切协调，要针对上述基层员工的重点激励因素，设计多种不同方式的激励，从多个方面激励员工；③适度性原则。应把握好激励机制的“度”，激励的范围、激励的强度、激励的成本、采用的手段和方式等，都能够通过激励的实施而使被激励者的积极性能够充分调动起来，又能够兼顾周围其他人的感受，对周围其他人也能产生感召力和影响力；④规范性和灵活性相结合的原则。激励机制需要规范，以便增强对员工的导向作用；需要根据环境变化和员工的发展而灵活调适激励机制，保持激励机制的动态适应性。3、科学确定激励机制构建步骤，规范激励机制建设。第一，要找出现行激励机制存在的问题，保证激励机制研究的针对性；第二，明确所针对的对象，即将要完善哪个层面人员的激励机制；第三，调查、分析并把握所研究对象的需求状况；第四，选择、确定可能的与重点的激励因素，明确需要从哪些方面激励员工；第五，以重点激励因素为基础，拟定激励方案；第六，由人力资源管理部门推动并监督激励方案的有效实施。科学的激励机制构建步骤，有利于规范构建企业基层员工的激励机制。有效的激励机制，对于激发