AI药物研发企业提升抗风险能力策略研究报告

盛世华研·2008-2010年钢行业调研报告提升AI药物研发企业抗风险能力策略研究报告那么，如何提升企业抗风险能力？？？内容目录TOC\o"1-3"\u一、前言 4二、2023-2028年AI药物研发市场前景及趋势预测 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 62.1.3现有竞争格局 62.22022-2023年AI药物研发现状及趋势分析 72.2.1市场规模 72.2.2融资能力 72.2.3在研产品 82.2.4市场主体 112.2.5存在的问题 122.2.6发展趋势 122.32023年AI激发创新潜能生物医药业迎来“智药”新机遇 132.3.1“智药”成为药企新宠 132.3.2多家大型药企尝鲜“AI+” 142.3.3仍有发展痛点待解决 152.3.4药企加速布局AI制药 152.3.5主要行业观察和趋势 17（1）基于AI的生物学建模和靶点发现 17（2）利用AI破解结构生物学 18（3）使用AI开发小分子药物 19（3）超越小分子的人工智能驱动药物设计 192.4AI辅助药物研发的新兴趋势 212.4.1人工智能和机器人化实验室 212.4.2利用AI解决临床试验瓶颈 222.4.3CRO领域的人工智能 232.52023年人工智能打破医药研发“双十定律” 242.5.1加速建立“AI药研朋友圈” 242.5.2AI打破“双十定律” 252.5.3将药物在人体内精准递送 262.6大型药企在AI药物研发进展趋势 272.6.1大型药企整合AI进入药物开发流程 282.6.2与信息技术公司合作建立内部AI专业技术 282.6.3通过并购AI驱动生物技术公司快速获得AI技术 282.6.4与AI驱动生物技术公司合作以识别靶点、共同开发药物 302.6.5AI驱动生物科技公司发展趋势 302.6.6AI技术在临床上的转化 31三、后疫情时代如何提升AI药物研发企业抗风险能力的策略及建议 313.1提高企业抗风险的5大原则 313.1.1控制成本 323.1.2抓住现金 323.1.3结合互联网 323.1.4必须要有多个盈利点 323.1.5信息更迭 323.2增强企业的抗风险能力，不断地提高企业的经营业绩 333.2.1出台相应的治理机制与财务监管体系 333.2.2招聘专业的人才，加大培训力度，提高业财融合 333.2.3借助于信息化的力量 333.2.4加大财务成本管控力度 353.2.5推行全面预算管理 353.2.6努力提高财务数据分析水平 353.3“专精特新”企业面临的风险及保险应对策略 363.3.1“专精特新”企业发展中面临的风险 36（一）行业风险 36（二）经营风险 36（三）融资风险 37（四）科技风险 373.3.2基于保险技术的风险化解对策 38（一）完善“银保”风险分担机制，实现“银行+保险”经营模式 38（二）强化政策导向，完善“政府+银行+保险”经营模式 38（三）完善再保险市场，为“专精特新”企业分散风险 38（四）发展共保体模式 39（五）发展科技保险，缓解科技风险，加快数字化转型 39（六）充分发挥政策性出口信用保险作用，助力企业开拓市场 393.4科技创新型企业财务风险识别及控制研究 403.4.1科技创新型企业的特征 40（一）持续创新性 40（二）研发性 403.4.2科技创新型企业的主要财务风险因素分析 41（一）外部因素 41（二）内部因素 413.4.3科技创新型企业的财务风险控制策略 42（一）建立财务风险监测机制 42（二）加强研发风险控制 42（三）加强投资活动财务风险控制 423.5中小科技企业创业风险的防范 433.5.1创业和创业风险 433.5.2中小科技企业面临的创业风险 43（一）国家政策和法律风险 43（二）技术风险 44（三）金融风险 44（四）信息风险 44（五）人力资源风险 443.5.3中小科技企业创业风险的控制防范 45（一）国家政策与法律风险的防范 45（二）技术风险的防范 45（三）金融风险的防范 46（四）信息风险的防范 46（五）人力资源风险的防范 463.6其他解决方案 473.6.1内控解决方案 473.6.2品牌化解决方案 473.6.3数字化解决方案 473.6.4资本化解决方案 483.6.5重视供应链 48四、AI药物研发企业《抗风险能力策略》制定手册 494.1动员与组织 494.1.1动员 494.1.2组织 504.2学习与研究 504.2.1学习方案 504.2.2研究方案 514.3制定前准备 524.3.1制定原则 524.3.2注意事项 534.3.3有效战略的关键点 544.4战略组成与制定流程 564.4.1战略结构组成 564.4.2战略制定流程 574.5具体方案制定 584.5.1具体方案制定 584.5.2配套方案制定 60五、AI药物研发企业《抗风险能力策略》实施手册 615.1培训与实施准备 615.2试运行与正式实施 615.2.1试运行与正式实施 615.2.2实施方案 625.3构建执行与推进体系 625.4增强实施保障能力 635.5动态管理与完善 645.6战略评估、考核与审计 64六、总结：商业自是有胜算 65一、前言近年来，加强国家创新体系建设的战略部署为我国科技创新型企业的发展提供了良好的空间。与此同时，科技创新型企业的快速成长和发展也为我国科技创新提供了持续稳定的孵化环境。科技创新型企业成本效益较高，但与其他企业相比抗风险能力则更为脆弱。作为技术创新的载体，科技创新型企业需要大量稳定的资本投入，特别是在技术创新的初期，资金需求极大，财务风险较高。在这样一个高收益、高风险的环境下，科技创新型企业有效地识别和控制财务风险至关重要。面对这样的状况，如何提升抗风险能力，化危为机，成为行业不可回避的必答题。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、2023-2028年AI药物研发市场前景及趋势预测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、后疫情时代如何提升AI药物研发企业抗风险能力的策略及建议3.1提高企业抗风险的5大原则企业抗风险能力是非常重要的，你用什么方法能让你的公司不会倒闭呢？有五大原则。3.1.1控制成本一家企业要做到哪一点才能做到不倒闭，当然是成本低，学员说老师啊现在房租需要成本，用人需要成本，营销推广需要成本，哪儿哪儿都需要成本怎么控制成本呀。我跟你说，这就说明你一开始选行业的时候就选错了，你压根就没有关注过低成本的行业。放弃原则就是成本低，成本高的一律不做，因为风险太大。比如我的一个朋友，做线上培训，一台相机，一个三脚架一块黑布，一个讲台，就开干了，这么低的成本，一年做到几千万。人家花几百万投资的餐饮酒店都不一定有他赚的多，你信不？我这个行业成本就是比较高，那我该怎么办呢？其实有很多控制成本的方法，我现在就告诉你最简单的一种方法，删除和外包。你就是尽可能把工作外包给外面的团队来做，这样就可以减少人工，降低风险。3.1.2抓住现金你知道那些玩期货的那些人玩儿到最后为什么都亏的一分钱也不剩了吗？深圳有的还负债跳楼的新闻，仓位太高，现金太少，然后市场波动一大就暴仓，亏的一分钱都不剩了。因此我不做生意也是一样，你手里一定要有足够多的现金，现金才是企业抗风险最有效的法宝。3.1.3结合互联网互联网是当今最大的趋势呀，今天做生意要想活下去，必须要跟互联网联系起来。这次疫情跟互联网有关的行业都没啥影响，跟互联网无关的行业都很痛苦，对不对，没有永远成功的企业，所以说紧跟时代的成功企业。3.1.4必须要有多个盈利点就像蓄水池呀，又有多条管道往里面流水，不然如果只有一条管道，这条管道一堵你立马就歇菜了。3.1.5信息更迭互联网时代，信息传播速度这么快，信息在十天半个月后已经无效了，也就是没用没价值了。所以我们必须要不断的干什么？大脑里的信息进行更迭不断更新，我们大脑里的信息，不然我们就会被淘汰。只有让大脑里的知识不断更迭，才能继续不败之地。3.2增强企业的抗风险能力，不断地提高企业的经营业绩业务与财务相互融合、相互监督、相互促进，将企业打造成强大的财经共同体。这样才能提升企业的管理水平，增强企业的抗风险能力，不断地提高企业的经营业绩。3.2.1出台相应的治理机制与财务监管体系推进业财融合不是某个业务部门的事情，更不是光靠财务部门一己之力能够实现的。业财融合需要公司最高领导人牵头，全公司上下达成共识，并出台一套完整的治理机制与财务监管体系。在这套体系里，约束并激励着业务人员和财务人员的行为，他们之间相互协作、相互监督，共同促进企业经营业绩的提升。合理、充分地将绩效考核运用于业财融合的推进过程中，这样才能提高各个部门落实业财融合的积极性，合理利用全面预算与KPI关键绩效指标等工具共同推动公司业财务融合管理机制的实现。3.2.2招聘专业的人才，加大培训力度，提高业财融合相关人员的参与度俗话说“专业的人做专业的事”，公司需要引进一些业财融合方面的专业人才。这些人不光有业财融合方面的专业知识，也要具备一定的业财融合方面的工作经验。这样一来，不仅能够帮助公司业财融合尽快地落地，更能够提高公司业财融合的成功率。光靠这一点还不够，推进业财融合需要经常组织相关人员进行业财融合方面的知识与技能讲座；让参会人员了解到业财融合的必要性与紧迫性，进而提升相关人员的参与度。要多召开业财务融合做得比较好的部门，给其他部门分享成功的经验，并给予相应的激励措施；甚至可以组织公司管理人员去业财融合做得比较优秀的企业进行参观取经。3.2.3借助于信息化的力量业财务融合是一项浩大的系统性工程，对各项业务数据的及时性、准确性、连贯性都提出了更高的要求。光靠人工统计的方式肯定达不到要求，所以一定要借助于信息化的力量，打破各部门之间信息传递的闭塞。加大力度推动信息化等大数据的建设，借助于信息化强大的功能，全过程、无死角地监控企业整个生产经营的过程。一是将财务软件的其他模块进行充分的利用。财务软件，登记会计分录、记账、结账并出具财务报表，仅仅只是软件很小的一部分功能而已，它还具备了相当完备的供应链模块、资产管理模块、成本核算模块等。但现状是很多公司只购买了其财务模块，所以要打造业财融合，必须将其他模块一并购买过来，并找专业的实施人员将各个模块进行串联起来。最主要的是要将业务模块与财务模块打通，业务模块里所有的数据最终都能够完整地传递到财务模块；财务模块所有的基础数据都是业务模块经过一定的流程传递上来的。财务人员在做账前将会对各个业务模块进行复核、结账，然后才能将数据过到财务模块，财务人员在对各个业务模块复核的过程中，自然地形成了对业务上的监督。二是生产部门使用的是MES系统。虽然MES系统功能非常强大，能够简化流程、引导生产，并将所有车间、各个班组乃至所有机台每时每刻的生产动态及时地展现出来，但也仅仅停留在生产系统自己这个封闭的圈子里面。整个系统的运转，财务的参与度几乎少之又少，财务与业务之间的相互协同几乎没有。所以对业财融合来说，这远远不够！我们必须将财务软件与MES系统打通，通过软件之间的交互对接，将生产动态第一时间传递给财务软件。只有这样，财务人员才能够对整个生产系统进行及时的监督，及时地对各车间、班组、机台之间人工、能耗及机物料等的消耗进行对比、分析。从而知道哪里成本管控得比较好，已经很难再有改进的空间；哪里管控没到位，改善空间在哪里等等。三是流程审批软件与财务系统的交互对接。信息化的时代已经到来，肯定不能用之前老土的纸质传递形式进行流程审批。也有很多企业在使用免费版的钉钉软件。不过，还是建议切换成收费版的OA软件，因为OA软件可以买断，这样便于OA系统与财务软件或者MES系统进行交互对接。这样，业务中遇到的任何情况都能够在第一时间传递到相关管理者这里，便于领导批示，便于业务的快速、高效开展。四是大数据的到来，云平台的搭建。很多公司的机房现场简直不忍直视，犹如盘丝洞一般，到处散落着插板、电线、网线等；更有甚者连个服务器机柜都没有，大大小小好几台服务器，并排地堆放在桌子上。信息化建设在硬件方面的投入也同样非常重要！如果自己搭建机房有一定的困难，最迅速、有效的方式可以购买公有云，这样省去了自己维护机房那么多台服务器的麻烦，只需保证网络的畅通即可；但如果资金实力允许，个人还是建议公司组件私有云。无论采用哪种模式，通过云平台，带来的速度、效率及数据的安全性都将提高到一个新的水平。3.2.4加大财务成本管控力度要不断加大财务成本管控力度，财务部不能仅仅只做成本核算的角色，更多的时候应主动出击，追查成本超标的责任部门和责任人。不仅如此，而且还要携手业务部门一起追查成本超标的原因，提出对下一个会计期间进行成本改善的建议。褒奖对成本节约作出贡献的责任部门和责任人，处罚成本浪费比较严重的责任部门和责任人，考核成本管控不力的责任部门和责任人，分享与借鉴对成本改善有帮助的经验。根据成本报表与现场所做的成本分析，完成成本分析报告，并向管理者提出合理化建议。3.2.5推行全面预算管理大力推进全面预算管理，因为全面预算可以说是为业财融合量身定制的。从销售计划为起点，经过生产计划、采购计划等最终到各个部门的费用预算计划等，将整个公司所有的业务非常完美地串联在一起。各部门之间、各部门的业务之间相互联系、相互影响、相互促进，最终朝着全面预算指标的实现而努力。全面预算的推行，使每个部门都清楚自己的财务指标，并且每天都为完成这些财务指标而努力；财务部门时刻关注着业务部门计划的实际完成情况，并向管理层进行反馈，从而完成业务部门的绩效考核。3.2.6努力提高财务数据分析水平业财融合的核心就是财务全过程的介入生产经营的整个过程，所以需要努力提高财务部门的数据分析水平，针对不同的业务类型展开不同角度的分析。例如，可以将车间划分为成本中心，因为它消耗了原辅材料、机物料、水、电、气、人工费等，而且这些消耗都是可以进行货币计量的。财务人员可以对各生产要素的耗费进行同比、环比等比较分析，也可以根据产成品最终的实际消耗与定额进行比对，再分析超支与节约的原因，并提出合理化建议等。可以把销售部作为了一个利润中心了，销售部所销售的产品可以作为销售部门的销售收入，并将所销售的产品核定出一个成本价，那么销售价与成本价之间的差额就是毛利，再减去销售部门的各项开支与人工费、业务提成后就是销售部的净利润。不同的部门、不同的业务类型，或者相同的部门、相同的业务类型根据实际经营过程中的需要也可以有很多种不同的分析方法。所以，努力提高财务部门的数据分析水平也是推进业财融合的关键之一。随着时代的发展，继续沿用之前粗放的经营管理模式、财务管理模式会很难跟上时代的步伐，想要在激烈的市场竞争中取胜将会变得愈发困难！3.3“专精特新”企业面临的风险及保险应对策略3.3.1“专精特新”企业发展中面临的风险尽管我国“专精特新”企业的发展势不可挡，但不可否认的是，“专精特新”企业的培育和成长依然面临着诸多风险。（一）行业风险在我国A股上市的“专精特新”企业中，有90%以上集中在制造业，这意味着我国“专精特新”企业的发展面临着严重的行业壁垒。首先，在国家重点支持的领域和产业发展方面，由于政策性的限制，“专精特新”企业难以在此类行业中占据一席之地。其次，在自然垄断行业，比如交通、能源、烟草、金融业等，由于存在着资源稀缺性和规模经济效应、范围经济效应，这些行业对中小企业有着天然禁锢，“专精特新”企业无法在这些领域发展壮大。A股上市的“专精特新”企业，在金融业和交通运输业分别都仅有一家。再则，在出口贸易方面，由于“专精特新”企业专注于细分领域，产品结构较为单一，无法应对国际市场风险，并受到安全、绿色、品质等因素的制约，在国际竞争中处于劣势地位。最后，由于很多行业准入条件偏高，再加上产业的高投入、高退出壁垒，在很大程度上限制了“专精特新”企业的发展壮大。（二）经营风险由于企业自身的特点和局限性，以及外部环境的冲击，“专精特新”企业面临着一定的经营风险。首先，“专精特新”企业的数字化经营程度低，数字化转型的内生动力不足，企业数据资产的积累水平较低，试错成本和风险较大。其次，“专精特新”企业专注于细分领域，为大企业、大项目提供关键零部件、元器件和配套产品，涉及与上下游企业之间的交易。在我国商业环境中，原材料等货物的购入普遍采用预先支付账款的形式，而产品销售与下游企业之间总是采用承兑的支付方式；再加上此次新冠肺炎疫情的暴发，许多原材料厂商无法按照生产周期复工复产，原材料供不应求、价格居高不下，导致“专精特新”企业盈利不稳定，影响长期发展。最后，“专精特新”企业中占据绝大部分的制造业采购经理指数（PMI）滑落荣枯线，本文选取了近一年以来的制造业PMI数值。2021年9月、2021年10月、2022年3月以及2022年4月，我国制造业PMI均低于50%，位于收缩区间，处于荣枯线之下，并且在多个月份呈现负增长，我国“专精特新”企业发展面临的经济下行压力仍在不断增大。（三）融资风险融资难是众多中小企业发展面临的难题，在“专精特新”企业中表现得更为明显。首先，“专精特新”企业前期需要大量的资金运作，其主要的融资渠道是银行贷款，但是其资产中知识产权等无形资产的占