AI药物研发企业生产风险管理策略研究报告

盛世华研·2008-2010年钢行业调研报告AI药物研发生产风险管理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 42.1发展历程与发展现状 42.1.1发展历程 42.1.2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 72.2.3在研产品 82.2.4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药物研发生产风险管理策略及建议大全 303.1风险管理在药品生产管理中的重要性 313.1.1可以有效的避免风险的再次发生 313.1.2将风险进行规避 313.2生产过程中存在的风险 323.2.1生产成本 323.2.2原材料风险 323.2.3质量风险 323.3可能造成风险的原因 333.3.1缺乏风险意识 333.3.2缺少培训 333.3.3风险管理不合理 343.3.4生产管理不严格 343.3.5缺少监督部门 343.3.6风险管理体系有待完善 343.3.7风险管理人员专业能力有待提升 343.4风险管理的策略 353.4.1提高风险意识 353.4.2加强员工培训 353.4.3建立合理的管理体系 353.4.4加强基础设施建设 353.4.5完善风险管控体系 363.4.6加强专业化风险管理队伍建设 363.5药品生产过程质量风险管理策略 363.5.1导致药品生产过程出现质量风险的原因 37（1）执行工艺流程存在随意性 37（2）过于注重经济效益 373.5.2药品生产过程质量风险管理流程 37（1）风险识别 37（2）风险评估 37（3）风险管理 38（4）风险审查 383.5.3药品生产过程质量风险管理措施 38（1）落实企业责任 38（2）硬件改造 38（3）原材料跟踪检查 39（4）控制交叉感染 39四、AI药物研发企业《生产风险管理策略》制定手册 394.1动员与组织 394.1.1动员 404.1.2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 474.4.1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《生产风险管理策略》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 525.2.2实施方案 525.3构建执行与推进体系 535.4增强实施保障能力 545.5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、前言在医疗行业持续发展的背景下，由于药品是医疗活动顺利开展的重要基础，故而社会对药品质量的关注度正在不断提高。考虑到药品生产过程与药品质量具有密切联系，因此为提高药品生产过程的科学性，防止药品出现质量问题，保障患者健康安全，有必要了解导致药品生产过程出现质量风险的原因，并对该种风险采取有效的管理措施，以实现有效规避质量风险，对推动药品行业发展具有重要意义。药品生产所面临的风险主要有两个方面，包括药品在市场上面临的风险，以及药品整个生产过程中所蕴含的风险。市场上存在的风险有同类商品的竞争、药品原材料的价格等情况，这就需要企业在生产过程中保持对市场的观察。药品生产过程中的风险有操作不当、产品本身的质量、以及储存过程中的影响等因素，因此药品生产过程中需要相关人员提高风险意识以及企业方加强企业的风险管理。下面，我们先从AI药物研发行业市场进行分析，然后重点分析并研究了AI药物研发企业药品生产风险管理策略。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药物研发生产风险管理策略及建议大全生产过程中造成的风险，不仅会影响药品本身的治疗效果，出现更为严重的情况，进而对病人的安全造成影响，这会对企业和病人双方都造成不可估量的后果。它会造成企业长时间积累的口碑和信誉化为乌有，或造成企业倒闭;病人服用存在风险的药品，可能会导致身体不适，严重时甚至会对生命安全造成风险。所以企业要加强对员工的培训，让员工不仅有风险意识还要有处理风险的能力，健全风险管理体系，同时也要加强基础设施的建设，防患风险于未然。3.1风险管理在药品生产管理中的重要性目前，由于药品生产企业面临的监管问题和健康风险的频繁发生，我国传统的医药监管方法大多存在相应的被动性和滞后性。只有在质量安全问题或接到差错通知等特殊情况下，医药监督工作得到重视后，才能采取相应措施予以解决。这种监管模式有很大的时滞。因此，积极转变监管方式迫在眉睫。而风险管理则可以解决类似的监管模型中存在的弊端，并及时找到潜在的安全隐患，从而提供针对性的处理办法。3.1.1可以有效的避免风险的再次发生在针对药物的研究、生产制造等流程中，以及对药品在贮藏、分发、使用的过程中进行更加严格的监测，能够更有效的减少风险的情况再次发生。并且针对药物的问题，甚至是产品质量的问题首先要与公司内部各个部门建立有效的沟通机制，更要与下游医药公司、医院做好用药不良反应的反馈收集工作，不良反应应及时上报不良反应监测中心，企业也应将其纳入药品质量档案之中，认真研究产生这些质量问题的根源，对于药品质量问题采取必要的预防和纠正措施。在药品全生命周期中不断的积累数据，确保药物安全。例如，通过风险识别，分析判定是由于生产企业工作人员未按照岗位标准操作规程进行操作，导致产品质量事件，经风险评估认为是不可接受的中、高风险，则应立即采取措施，制定具体的制度，规定操作和监管流程，降低风险至可接受的低风险，使未来不再发生此类风险。纠正措施可以是对硬件采取的改进措施、也可以是对软件如各类文件进行更加详尽的规定;无论是哪种纠正措施，最终都需要将新的纠正措施对于实施操作的人员进行全面的培训及考核，使其真正的掌握这些措施，了解掌握措施后对自己和产品、企业带来的有利保障。3.1.2将风险进行规避通过风险管理来审查风险管理程序的最终结果，尤其是可能影响之前质量管理的事件，通过风险管理的回顾，严格评估药学人员在使用药物时的过敏反应，可以有效地将风险降至最低。当您再次通过审核时，您可以清楚地了解使用药物时的人为错误，从而直接有效地规避风险。要么是由于药品处方的变更，要么是由于供应商的变更、环境的变化等导致的潜在风险。通过对风险的质量进行评估，并对尚未上市的药品进行严格管理，可以提前消除可能引发的风险问题，包括基本要求：医药企业需要对供应商进行审计，并签署处方变更书等。通过所需的通知协议，扼杀并减少了潜在的经营风险。医药企业与有关监管部门之间在《风险管理程序》中所进行的风险沟通，更有效地推动了风险管理的应用，通过全面信息化，可以促进医药行业企业改善、改进或修正在研制、生产和营销等流程中出现的质量问题，以便于最大限度地实现应用药物的有效性。随着临床使用的药物种类越来越多，在药物制造流程中，对生产者提出了更高的生产要求，这正是为什么品质风险管理同时也是一项更加注重风险因素的品质管理计划。由于受到了各种因素的影响，在药物制造流程中更容易隐藏了很多产品风险因素，包括了人为因素的影响、制造设备的工作环境、产品规章制度等。质量风险管理工作对于提升医药服务的质量是必不可少的。质量风险管理大致包括了基础风险识别、评价、策划，以及评价总结。通过基础风险识别可以更详细了解风险发生的阶段，以及风险内容。基本风险评估是对风险程度进行的评价与分类，以评价其是否在控制范围之内或存在较高影响的风险。计划编制主要是通过针对风险因素的具体情况制定质量管控规划，把风险因素控制在受控范围之内。计划第二轮总结主要是通过总结在質量风险管理流程中的有效内容，剖析存在的问题，从而选择最合理的方式加以解决。3.2生产过程中存在的风险3.2.1生产成本市场存在不稳定性，因此生产所需要的原材料价格存在起伏，生产过程中所需的能源消耗、水资源消耗等，都会对生产成本造成一定的风险。药品生产所需要具备的安全和卫生资质更高，因此，若企业的相关设施、卫生指标未能通过有关部门的标准，需要有设备升级、环境卫生等方面的花费，也同样也会造成生产成本的增加。国家有关药品生产的新政策出台，对企业建设是有利的，但同样有可能会导致企业生产成本的提高。3.2.2原材料风险多数药品生产所需的原材料能够在市场上稳定的获取，但也有一些原材料因为相关卫生标准的改变，而其本身存在高污染等因素，导致一时无法找到替补产品而造成无法正常生产。此外，企业的材料供应方所提供的原材料也有可能会存在疏忽的情况导致原材料出现安全卫生等方面的问题。企业长期合作的原材料供应伙伴出现关系破裂的情况也会导致原材料紧缺。3.2.3质量风险质量风险是最为严重的风险之一，造成质量风险的因素有许多，如：原材料的问题、生产时的操作问题、生产设备的精准问题、生产环境的问题等。药品一旦出现风险问题而没有及时发现，对企业、对员工、对使用者都会造成严重影响。3.3可能造成风险的原因3.3.1缺乏风险意识在药品生产管理中，员工责任意识直接影响药品生产的整体质量。这种责任意识来源于员工缺乏社会责任感、不正确的价值观、对知识的不尊重、接受教育程度低等，导致制药过程中存在很多人为风险。目前，很多员工认为自己不是药品质量的责任主体，药品质量好坏与自身无关，认为购买好的原辅料、包材，再配有高质量的生产设备就可以生产出好的药品。对企业给予的培训教育不重视，排斥枯燥的培训，积极性不高，抵触绩效考核等。对于层出不穷的药品管理法律、法规、指导原则等理解不透彻，贯彻执行力弱，管理跟不上，因此，会出现在日常的药品生产过程中、质量管理工作中，软件跟不上、人员质量意识薄弱，导致药品质量存在一定风险。大多数药品企业都有自身的风险管理系统，较长时间段内没有存在严重的风险，导致有些企业生于忧患死于安乐，藥品的质量管理越来越不被重视，其作用被忽视。相关工作人员的风险意识也在长时间的熟练工作中慢慢忽视，认为其工作经验大于许多细节上工作。生产药品时未对所需要药品不经过检测就投入使用，不检查其中是否存在质量问题。此外，有些企业缺少风险管理的明确制度和相关的人员、部门，这就导致各部门之间存在相互推诿的心理，不利于风险管理的开展和实施，造成企业上下风险意识不强，出现药品质量不过关的问题，进而不利于病人的治疗。3.3.2缺少培训有些企业为了减少支出，将一位员工分配多个任务，药品生产的每一个环节都应该是严肃的，每个环节的人员设置应该合理。此外，在人员晋升和交替岗位的过程中，新人代替旧人，导致新人在相关岗位上有一个适应期，以及没有得到相关业务的培训，使得新人的业务不熟练，造成生产过程中出现一系列问题。企业应该注重员工的培训，尤其是在新人即将上任之前就应该接受专业的培训，保证新人能够及时熟练操作流程。对于全体员工的风险意识的培训更是必不可少，药品企业的生产岗位相较于其他的多数岗位，更需要员工和企业引起严肃重视。当前许多中医药制造公司由于对GMP的了解还不够深入，生产技术培训工作也还不够落实，具体来说表现在公司领导层对GMP的关注程度不足，对生产培训知识点的掌握也较为笼统，没有一定针对性，很多工作均停留在走马观花的层次上，所开展生产技术培训工作并未涵盖到生产各部门，也缺少对职工的实际技术培训，从而造成药品生产安全质量问题时有发生。3.3.3风险管理不合理部分制药企业没有树立质量意识，更多地考虑经济效益，缺乏责任意识[1]。药品生产的风险管理在其研发的过程中、生产过程中和后续的销售过程中都有体现。在风险管理中不应该让一人贯穿整个或多个流程中，这会更容易导致其在工作中出现失误，不利于风险工作的展开。3.3.4生产管理不严格药品生产批件是经过一系列繁复的立项、研发、审评获得的。现阶段，由于对原辅材料和产品包装的生产企业审计管理不严格，以及物料运送和贮存方式并不科学，制造过程审核难以持续符合GMP标准。而且，对产品生产设备的质量管理、清洗与维护保养落地执行的可靠性，验证状态的持续维护等，致使药品仍存有一定的质量风险和各种问题。3.3.5缺少监督部门各行各业熟悉工作后，都会出现想法设法为自己减轻工作量的人，因此为了减少此类情况发生，可以设置监督部门，对无论是风险管理的人员或是其他部门单位实行监督，减少因工作不认真而出现失误的情况。3.3.6风险管理体系有待完善针对药品生产过程进行深入探究我们则可得知，由于药品生产标准较高，致使药品生产管理工作在实际开展时具有着相对较为明显的严格性。结合实际情况来看，风险管理在本质上属于生产管理工作的落实手段之一，通过风险管理工作的开展则能够在有效规避药品市场风险问题的同时，进一步提升药品生产企业的社会、经济效益。但是，由于我国药品生产管理中风险管理理论与实践均处于有待完善的状态，从而导致部分药品生产企业在落实风险管理工作时，仍以自身的经营经验为判断市场走向与管理药品生产质量的主要依据，加之风险管理意识的不足，最终导致其风险管理工作的开展大多存在着明显的形式化问题，进而严重的限制了药品生产企业的发展效率[1]。3.3.7风险管理人员专业能力有待提升风险管理人员作为风险管理工作的主要落实者，其专业能力水平的高低将会对药品生产管理中风险管理工作的开展效率与质量造成十分直接的影响，换句话说，风险管理人员自身若存在专业能力水平等方面的问题，那么药品生产风险发生的概率便会大大提升，药品生产企业自身的健康发展目标也经因此难以实现。结合实际情况来看，伴随着药品生产种类的增加，使得市场走向在出现变化时，药品生产企业必须通过针对市场走向变化中存在的潜在风险问题进行预测方能够确保自身发展的稳定性。但是，由于部分药品生产企业过于重视药品生产方面的管理，致使其往往难以全面的认识到风险管理工作的开展价值，加之管理人员风险管理能力的缺失，导致药品生产企业在经营发展的过程中极易遭受药品生产风险问题的影响，市场所具有的平衡性也因此难以得到有效保障。3.4风险管理的策略3.4.1提高风险意识风险意识对于药品企业中的每一个人都十分重要，因为风险意识浅薄造成的危险或损失药品生产的各个环节来说是十分低级的错误。因此企业工作人员应当提高意识，提高规避风险的意识、以及处理风险的能力。学习更多的专业领域知识，有明确的管理药品生产的意识，生产在质量标准之上的药品。3.4.2加强员工培训企业应该注重员工的培训，尤其是在新人即将上任之前就应该接受专业的培训，企业应合理选择培训内容，结合实际情况，开展具体培训，保证新人能够及时熟练操作流程。对于全体员工的风险意识培训更是必不可少，同时应该紧跟时代的发展为新老员工开展培训工作。无论是风险意识方面的培训还是工作业务方面的培训，企业都应该十分重视。3.4.3建立合理的管理体系企业应当在药品生产的过程中合理设置相关岗位，避免一人多职的情况，保证每一个工作人员都有明确的工作任务和工作目标，防止出现有关工作人员工作态度不负责和有关部门推诿责任的情况出现。同时也要防止各部门和各工作人员在工作时受到其他部门或人员的影响导致工作不能顺利开展。还要有完整合理的风险管理体系，不断发现、补充风险管理中的不足，让风险管理的范围涵盖整个企业，风险管理的每一个细小方面都应该受到重视。3.4.4加强基础设施建设除了保证每一岗位的工作人员充足外，还要定期检查、维修和更换设备，避免设备出现问题导致质量风险和无法正常生产的情况，同时保证生产环境符合生产标准，避免药物因为环境问题造成的污染。检验机构必须严格遵照实验室仪器对实际环境的要求，同时还要满足具体检验项目所需要的特殊条件，合理规划、布局实验室的环境[2]。综上，企业应当把药品的风险管理放在一个重要的位置，重视市场风险、重视生产风险。要保证企业从上到下都有风险意识，防范风险于未然。加强员工的培训，合理选择培训方向，让