人工智能辅助药物研发行业现状与商业化潜力预测报告

人工智能辅助药物研发行业现状与商业化潜力预测报告目录一、人工智能辅助药物研发行业现状分析 41、行业发展背景与驱动因素 4全球新药研发成本上升与周期延长催生AI技术介入需求 4深度学习、自然语言处理与生物信息学融合推动技术落地 52、技术应用场景与典型模式 5虚拟药企与传统药企合作模式的兴起与实践案例 53、主要参与者与竞争格局 5二、核心技术架构与数据生态体系 61、AI算法与计算平台发展现状 6高性能计算与云计算支持下的大规模模拟与训练能力 62、生物医药数据资源整合与挑战 6数据标准化、隐私保护与跨机构数据共享难题 63、AI模型可解释性与验证机制 8黑箱模型在监管审评中的接受度问题 8实验验证闭环构建与真实世界数据反馈路径 8三、市场前景与商业化潜力预测 101、市场规模与增长趋势 10辅助研发在小分子、大分子及罕见病药物中的渗透率变化 102、商业化路径与盈利模式 10技术服务收费、联合研发分成与自主新药管线并行策略 10从ToB服务向ToB+ToC延伸的商业模式创新 113、投资热度与资本布局动态 13近年融资事件分析：头部企业融资轮次与估值变化 13四、政策环境与行业风险评估 151、各国监管政策与支持措施 15国家“十四五”生物医药规划与人工智能融合发展方向 152、行业面临的核心风险 15技术不确定性与临床转化失败风险 15知识产权归属争议与数据合规风险 163、投资策略与未来展望 16重点关注具备自主算法+实验验证能力的垂直领域企业 16摘要人工智能辅助药物研发行业近年来呈现出快速发展的态势，随着全球新药研发成本持续攀升以及传统研发模式效率瓶颈日益凸显，人工智能技术凭借其在数据处理、模式识别与预测建模方面的显著优势，正在深刻重塑药物发现的全流程。据权威研究机构统计，2023年全球人工智能辅助药物研发市场规模已达到约32.5亿美元，年复合增长率超过35%，预计到2030年市场规模将突破180亿美元，显示出强劲的商业化潜力。从区域布局来看，北美地区依托雄厚的AI技术基础与成熟的生物医药产业体系，目前占据全球市场近50%的份额，但亚太地区尤其是中国和韩国，正以年均超过40%的增长速度快速追赶，成为全球增长的新引擎。驱动这一市场扩张的核心动力来自于多方面因素：首先，传统药物从靶点发现到上市平均耗时1015年，研发成本高达26亿美元，而AI技术可将早期药物发现周期缩短至1824个月，成本降低30%50%，显著提升研发效率；其次，海量生物医学数据的积累，包括基因组学、蛋白质组学、临床试验数据和电子健康记录，为AI模型训练提供了丰富“燃料”，使得深度学习、自然语言处理和图神经网络等技术得以在靶点识别、分子设计、毒性预测和临床试验优化等关键环节实现突破性应用。当前AI在药物研发中的主要应用方向集中在四大领域：一是靶点发现与验证，通过整合多源数据挖掘潜在致病通路与蛋白靶标，如BenevolentAI利用知识图谱技术成功识别出肌萎缩侧索硬化症（ALS）的新靶点；二是分子生成与优化，生成式AI模型如InsilicoMedicine开发的Pharma.AI平台已成功设计出多个具有专利保护的全新小分子化合物，并进入临床前研究阶段；三是临床试验智能化，通过AI预测受试者招募难度、优化试验设计与剂量选择，提升试验成功率；四是老药新用筛选，利用AI快速评估已有药物对新适应症的潜在疗效，大幅缩短上市时间。在商业化路径方面，行业已形成多元盈利模式，包括与大型药企签订战略合作（如Exscientia与辉瑞、赛诺菲的合作金额达数亿美元）、提供SaaS型AI研发平台、以及自建研发管线推进创新药上市。展望未来，随着算法迭代、算力提升与真实世界数据质量的改善，AI将在罕见病药物、肿瘤免疫治疗和基因疗法等高价值领域发挥更大作用。预计到2030年，全球将有超过30款AI完全或主要参与研发的新药获批上市，AI技术渗透率有望达到新药研发总数的40%以上。然而，挑战仍存，包括数据孤岛、模型可解释性不足、监管框架滞后以及跨学科人才短缺等问题亟待解决。总体来看，人工智能辅助药物研发已从概念验证迈向规模化落地阶段，其商业化前景广阔，将深刻推动生物医药产业向智能化、高效化和个性化方向演进。年份全球AI辅助药物研发项目数量（产能，项）实际完成研发项目数量（产量，项）产能利用率（%）全球AI药物研发需求量（项目/年）中国占全球项目比重（%）20202509839.242018.0202131012540.346019.5202239016542.351021.0202350021042.058023.52024（预测）62025040.366026.0一、人工智能辅助药物研发行业现状分析1、行业发展背景与驱动因素全球新药研发成本上升与周期延长催生AI技术介入需求全球范围内新药研发的成本在过去数十年间呈现持续攀升态势，已成为制药行业不可忽视的核心挑战。根据Deloitte发布的《2023年生命科学行业研发生产力报告》，大型制药企业在新药研发中的平均成本已达到26亿美元，相较于2010年的11.9亿美元增长超过一倍，年均复合增长率维持在6.5%以上。这一数字不仅包含化合物筛选、临床前研究、临床试验各阶段的直接支出，还涵盖了大量因研发失败而导致的沉没成本。更值得关注的是，新药从靶点识别到最终获批上市的平均研发周期已延长至12.5年，部分复杂适应症如神经系统疾病或罕见病的开发周期甚至超过15年。在如此漫长的过程中，临床I至III期试验阶段的失败率高达85%以上，尤其是II期向III期过渡的“死亡之谷”阶段，成为压制药企研发投入产出比的关键瓶颈。高昂的成本与漫长的周期共同导致制药企业的研发回报率持续走低，2023年全球前20大制药公司的研发投资回报率仅为1.8%，远低于2010年的10.1%。在此背景下，传统以人工实验与经验驱动的研发模式难以满足市场对高效、低成本创新药物的迫切需求。从市场发展规模来看，AI赋能药物研发的商业化生态正在快速成型。据CBInsights数据，2023年全球AI+DrugDiscovery领域的风险投资总额达48.7亿美元，较2020年增长近三倍，活跃企业数量超过350家，涵盖BenevolentAI、RecursionPharmaceuticals、Exscientia等代表性企业。其中，Exscientia与赛诺菲签署的价值高达52亿美元的合作协议，创下该领域最大规模商业授权交易记录。资本市场对这一赛道的持续看好，反映出产业界对AI重构研发范式的高度认同。需求端方面，全球前25大制药公司中已有超过80%与AI初创企业建立战略合作关系，平均每年在AI研发工具上的投入超过1.5亿美元。展望未来，随着多模态大模型、强化学习与自动化实验室（如“AI化学家”RoboRXN）的深度融合，AI将在ADMET性质预测、制剂优化、药物重定位等更多环节发挥关键作用。权威机构Frost&Sullivan预计，到2032年，全球AI驱动药物研发市场规模将突破450亿美元，年复合增长率保持在38%以上。这一趋势不仅将重塑制药行业的创新逻辑，也将推动整个医疗健康产业向数据智能驱动的新型研发范式演进。深度学习、自然语言处理与生物信息学融合推动技术落地2、技术应用场景与典型模式虚拟药企与传统药企合作模式的兴起与实践案例3、主要参与者与竞争格局年份全球市场规模（亿美元）主要企业市场份额（%）年复合增长率（CAGR,%）平均研发成本节约比例（%）AI药物研发项目平均周期（月）20207.842—2858202110.3453274842.73352202320.55139.536492024（预估）28.65439.33946二、核心技术架构与数据生态体系1、AI算法与计算平台发展现状高性能计算与云计算支持下的大规模模拟与训练能力2、生物医药数据资源整合与挑战数据标准化、隐私保护与跨机构数据共享难题人工智能在药物研发领域的应用正以前所未有的速度重塑整个生物医药产业链，其中数据作为核心技术驱动力之一，其质量与可获得性直接决定模型训练的有效性与研发结果的可靠性。当前全球人工智能辅助药物研发市场规模已突破百亿美元，据权威机构统计，2023年该领域市场规模约为127亿美元，预计到2030年将增长至近680亿美元，复合年增长率超过26%。这一迅猛发展的背后，是大量生物医学数据的积累与应用，包括基因组学、蛋白组学、临床试验数据、电子健康记录以及化合物结构信息等多源异构数据的融合分析。然而，尽管数据资源总量持续扩张，真实可用的高质量数据占比依然偏低。行业调研显示，超过70%的研究机构在构建AI模型时遭遇数据不一致、格式混乱、标注缺失等问题，导致算法训练效率下降30%以上，甚至引发模型偏差与误判。数据标准化缺失成为制约技术落地的核心瓶颈之一。不同实验室、医院、药企所采用的数据采集标准、存储格式、元数据描述方式存在显著差异，例如基因测序数据在不同平台间可能存在命名不统一、坐标系不一致的情况，临床试验数据的字段定义在各国监管体系下也不尽相同。这不仅增加了数据预处理成本，还限制了跨项目、跨区域的联合建模能力。为应对这一挑战，国际上已有多个组织推动数据标准建设，如CDISC（临床数据交换标准协会）制定的SDTM标准被广泛应用于临床试验数据规范，FAIR原则（可发现、可访问、可互操作、可重用）也被越来越多机构采纳作为数据管理指南。国内近年来也加快了相关标准体系的建设步伐，国家药监局下属信息中心已启动医药健康大数据标准框架研究，部分领先企业开始内部推行统一数据湖架构，尝试打通研发各环节的数据孤岛。但从整体来看，行业级统一标准尚未形成强制执行力，中小型研发机构受限于资源投入，往往难以长期维持高标准的数据治理流程。与此同时，隐私保护问题在数据应用过程中日益凸显。药物研发涉及大量个人敏感健康信息，包括患者的遗传信息、病史记录、用药反应等，这些数据一旦泄露或被滥用，将对个体隐私权造成严重侵害。各国法律法规对健康数据的处理提出了严格要求，欧盟《通用数据保护条例》（GDPR）规定医疗数据属于特殊类别信息，必须获得明确授权并采取强加密措施；美国《健康保险流通与责任法案》（HIPAA）则对去标识化标准作出详细规定；中国《个人信息保护法》《数据安全法》同样强调医疗数据处理需遵循最小必要原则，并建立全流程风险防控机制。在此背景下，如何在保障数据安全的前提下实现有效利用，成为行业共同面临的难题。实际操作中，即便经过传统去标识化处理的数据，仍存在通过关联分析被重新识别的风险。研究证实，仅凭出生日期、邮编和性别三项信息，即可在美国范围内对87%的人口实现唯一匹配。这表明单纯依赖匿名化手段已不足以应对现代数据分析技术带来的隐私威胁。为此，多方计算、联邦学习、差分隐私等新兴技术正逐步被引入药物研发场景。例如，联邦学习允许各参与方在不共享原始数据的情况下联合训练模型，已在跨国多中心临床研究中展现出应用潜力。有企业通过部署跨医院的联邦学习平台，在肿瘤疗效预测项目中成功整合来自五家三甲医院的上万例病例数据，模型准确率相较单中心提升19个百分点，同时满足各地数据合规要求。预计未来三年内，结合加密计算与可信执行环境的技术方案将在行业内实现规模化部署，推动形成兼顾效率与安全的数据协作新模式。跨机构数据共享机制的构建则面临更为复杂的制度与信任障碍。尽管学术界普遍认同数据共享对加速科学发现的重要性，但现实中由于知识产权归属不清、竞争利益冲突、责任划分模糊等因素，多数机构仍倾向于保守策略。一项针对全球TOP50药企的调查显示，仅不到35%的企业建立了系统化的外部数据合作机制，超过60%的研发主管认为数据共享带来的法律与商业风险高于潜在收益。打破这一僵局需要政策引导、技术支撑与行业共识的共同作用。近年来，由政府或非营利组织主导的公共数据平台正在兴起，如美国国立卫生研究院（NIH）运营的dbGaP数据库汇集了数百万份受控访问的基因与表型数据，欧洲开放科学云（EOSC）也在推进跨境科研数据共享基础设施建设。中国则通过国家人口健康科学数据中心、国家生物信息中心等平台，逐步开放部分高质量医学数据资源。此类平台通过设立严格的申请审核机制与使用审计流程，在一定程度上缓解了数据提供方的顾虑。与此同时，区块链技术因其不可篡改、可追溯的特性，被探索用于构建去中心化的数据共享账本，记录每一次数据调用的行为轨迹与权限变更，增强协作透明度。展望未来，随着监管框架的逐步完善、技术工具的持续演进以及行业协作文化的培育，数据要素的流通效率有望显著提升，为人工智能驱动的药物研发注入更加强劲的动力。预计到2027年，具备规范化数据治理体系的企业在新药发现阶段的研发周期将比行业平均水平缩短40%以上，临床前候选化合物的成药性预测准确率有望突破85%，从而大幅降低研发失败率与综合成本。3、AI模型可解释性与验证机制黑箱模型在监管审评中的接受度问题实验验证闭环构建与真实世界数据反馈路径人工智能辅助药物研发的加速演进正在重新定义传统药物发现与开发的流程体系，其中实验验证闭环的构建与真实世界数据反馈路径的系统化整合，已成为提升研发效率与商业化转化成功率的核心要素。当前全球药物研发面临周期长、成本高、失败率大的固有挑战，传统模式从靶点发现到新药上市平均耗时超过十年，研发投入超过20亿美元，且临床试验阶段的失败率超过90%。在此背景下，借助人工智能技术打通从虚拟筛选、分子设计、体外体内实验到临床验证的全链条数据反馈机制，正在成为行业突破瓶颈的关键路径。近年来，随着高通量筛选平台、自动化实验系统、生物传感器和真实世界临床数据采集体系的不断发展，AI驱动的实验验证闭环已逐步从理论构想转向可落地的工程化实践。据弗若斯特沙利文报告数据显示，2023年全球AI辅助药物研发市场规模达到约45.8亿美元，预计到2030年将突破230亿美元，年均复合增长率高达26.3%，其中实验数据闭环系统的建设投入占比已超过38%。这一增长背后反映出产业界对数据反馈机制重要性的认知深化，尤其是在候选化合物筛选优化、毒理预测、适应症拓展和患者分层等关键环节中，实时实验数据与AI模型的动态迭代显著提升了决策质量。多个领先企业已建立起高度集成的实验验证平台，例如Exscientia与巴斯夫合作建设的自动化药物发现实验室，实现每日超过10万次化合物活性测试，并通过机器学习模型实时调整分子设计策略，将先导化合物优化周期缩短至传统方法的三分之一。与此同时，InsilicoMedicine开发的Pharma.AI平台整合了基因组数据、病理图像与临床记录，构建起从靶点识别到临床前验证的端到端闭环体系，其自主设计的特发性肺纤维化候选药物ISM001055已进入II期临床试验，整个过程仅耗时18个月，远低于行业平均周期。这些案例表明，实验验证闭环不仅是技术集成的体现，更是研发范式变革的标志。真实世界数据反馈路径的成熟正在为人工智能模型提供持续优化的数据燃料，推动药物研发向精准化、动态化方向演进。传统临床试验依赖有限样本和严格入排标准，难以全面反映药物在广泛人群中的实际疗效与安全性，而真实世界数据（RWD）涵盖电子健康记录、医保理赔、可穿戴设备监测、患者报告结局等多种来源，能够提供更丰富、更具代表性的临床证据。根据IQVIA统计，2023年全球真实世界证据（RWE）在药品注册与监管决策中的应用案例同比增长47%，美国FDA在该年度批准的新药中，超过三分之一提交了RWE支持材料。在中国，国家药监局发布的《真实世界证据支持药物研发指导原则》进一步推动了RWD在创新药审评中的制度化应用。AI技术的介入使得海量异构的真实世界数据得以高效清洗、结构化和建模分析，从而反哺于药物研发的早期阶段。例如，通过自然语言处理技术提取病历文本中的症状演变信息，结合基因检测结果与用药史，可识别潜在的药物响应亚群，为临床试验设计提供精准入组策略。更进一步，基于真实世界患者随访数据建立的预测模型，能够动态评估药物在不同人群中的长期效果与风险收益比，为商业化阶段的市场定位、定价策略和医保谈判提供数据支撑。辉瑞在Ibrance（哌柏西利）的市场推广中即运用RWE分析其在绝经前乳腺癌患者中的使用模式与疗效差异，成功拓展适应症并优化推广路径。预测性规划显示，到2027年，全球将有超过70%的大型制药企业建立专属的真实世界数据湖，并与AI研发平台实现系统级对接，形成“研发—验证—反馈—优化”的持续学习体系。该体系不仅降低研发不确定性，还显著提升药物上市后的生命周期管理能力，增强商业回报的可持续性。在政策、技术和数据基础设施多重驱动下，实验验证与真实世界反馈的深度融合正成为人工智能辅助药物研发商业化成功的关键支点。年份全球AI辅助药物研发项目数量（个）行业总收入（亿美元）平均单项目服务价格（万美元）行业平均毛利率（%）202012018.515442.3202116526.315945.1202223038.716847.6202331054.217549.82024（预测）42075.618052.4三、市场前景与商业化潜力预测1、市场规模与增长趋势辅助研发在小分子、大分子及罕见病药物中的渗透率变化2、商业化路径与盈利模式技术服务收费、联合研发分成与自主新药管线并行策略在联合研发分成模式中，AI企业与制药公司以战略合作形式共同推进特定药物项目的开发，双方共享资源、共担风险、共获收益。该模式通常以签署长期合作协议为起点，约定在药物发现、临床开发、上市销售等不同阶段的投入比例与利益分配机制。若药物成功上市，AI企业可获得数千万至数亿美元的里程碑付款，并在后续销售中提取1%至10%不等的销售分成。近年来，此类合作案例显著增加，2022年至2023年间全球共签署超过90项AI驱动的联合研发协议，总潜在交易价值超过230亿美元。典型案例如Exscientia与安进的合作，涉及心血管与肿瘤领域多个项目，最高里程碑金额达12亿美元；英矽智能与复星医药就fibrosis领域候选药物达成协议，首付款达1300万美元，潜在总价值超过12亿美元。联合研发分成模式的核心优势在于能够撬动大型药企的研发资源与临床推进能力，同时保留AI企业对核心技术与知识产权的控制权。此外，该模式有助于降低单方面资金压力，特别是在高风险的临床试验阶段，形成风险共担机制。从商业化潜力来看，若合作项目中有一款药物成功上市并实现年销售额超5亿美元，AI企业即可获得可观的长期收益。行业预测显示，到2030年，通过联合研发分成模式产生的累计收入有望占AI药研企业总收入的40%以上，成为仅次于技术服务收费的第二大收入来源。在持续积累技术能力与行业资源的基础上，头部AI药物研发企业逐步布局自主新药管线，形成以自我主导为核心的第三类发展模式。该策略强调从靶点发现到临床开发的全流程自主掌控，目标是打造拥有完全知识产权的创新药物，并通过自建团队或与CRO合作推进至上市阶段。目前，英矽智能、晶泰科技、敬科医药、InsilicoMedicine等企业均已建立涵盖肿瘤、纤维化、神经系统疾病等领域的自主研发管线，其中部分项目已进入II期临床试验阶段。以英矽智能的ISC5314项目为例，该化合物用于治疗特发性肺纤维化，从靶点发现到临床申报仅耗时18个月，开发效率较传统模式提升三倍以上，显示出AI驱动研发的显著优势。自主新药管线的成功将极大提升企业的市场估值与行业地位，一旦实现商业化，单个药物的年峰值销售额预计可达10亿至30亿美元，为企业带来爆发式收入增长。尽管该模式前期投入大、周期长、风险高，需承担临床失败的可能，但其带来的回报也最为丰厚，是实现技术价值最大化的终极路径。据预测，到2030年，全球将有超过15款由AI主导发现的药物获批上市，其中中国企业的贡献比例预计将超过25%。综合来看，三种模式并非相互排斥，而是形成互补协同的生态体系——技术服务收费保障短期现金流，联合研发分成拓展中期增长空间，自主新药管线则奠定长期竞争壁垒，三者并行构成AI药研企业可持续发展的核心战略架构。从ToB服务向ToB+ToC延伸的商业模式创新人工智能辅助药物研发领域在过去十年中以技术驱动型的ToB服务模式为主，主要客户集中于大型制药企业、生物技术公司和科研机构。这类服务通常聚焦于靶点发现、分子设计、临床前试验优化、药物重定位等环节，通过算法模型缩短研发周期、降低失败率并提升研发效率。根据弗若斯特沙利文的统计数据，2023年全球AI药物研发市场规模达到约42.6亿美元，其中超过87%的收入来源于ToB端的服务合同，尤其集中在北美和欧洲市场。中国的AI药物研发企业如晶泰科技、英矽智能、湃隆生物等也大多采用类似的商业模式，与药企达成联合研发或技术授权合作，形成稳定的收入来源。然而，随着技术成熟度提升、数据积累加快以及公众对个性化医疗需求的增长，行业开始探索将服务链条从单纯的ToB模式向外延展，逐步渗透至终端消费者（ToC）市场，形成更具延展性和可持续性的商业生态。这种转型并非简单的客户群体扩张，而是基于底层技术能力的再整合与价值链重塑。市场规模的潜力进一步验证了这一路径的可行性，据麦肯锡预测，到2030年，全球AI在精准医疗和个性化用药领域的潜在市场规模将突破1800亿美元，其中面向个人用户的健康管理、遗传风险预测、用药建议等服务占比将提升至35%以上。这一趋势推动AI药物研发企业重新审视自身数据资产与技术接口的开放性，探索以药物研发能力为基础，构建面向消费者的健康服务平台的可能性。部分领先企业已开始布局基因组数据分析服务，结合AI模型为用户提供疾病易感性评估、药物反应预测等增值服务，例如通过唾液样本采集与基因检测联动AI算法，提供个体化用药指南。这类服务不仅增强了用户对药物研发过程的参与感，也为企业积累了大量真实世界数据（RWD），反向优化研发模型，形成数据闭环。在方向选择上，企业普遍优先切入慢性病管理、肿瘤预防、罕见病筛查等高需求场景，依托已有的药物靶点数据库和药效预测引擎，开发轻量级C端产品。例如，针对携带BRCA基因突变的高风险人群，AI企业可联合医疗机构推出定制化乳腺癌预防方案，包括定期检测提醒、生活方式干预建议及潜在治疗药物推荐。这种服务模式既保留了ToB端的技术深度，又实现了ToC端的价值传递。从预测性规划来看，未来五年内，具备双轨服务能力的企业将在估值和融资能力上显著优于纯ToB企业。资本市场已开始关注AI医疗企业的用户基数、数据活跃度和C端转化率等新型指标，而不再局限于研发管线数量和技术专利数。预计到2028年，头部AI药物研发企业中将有超过40%实现ToB与ToC收入的均衡分布，部分企业C端收入占比有望突破50%。这种商业模式的演进还将带动产业链上下游的协同变革，例如推动监管机构制定AI驱动个性化用药的审批路径，促进保险机构将AI辅助健康评估纳入理赔依据，以及激励医院系统接入AI健康服务平台以提升患者管理效率。可以预见，AI药物研发不再局限于实验室中的技术工具，而是逐步成长为连接制药产业与公众健康的中枢平台，其商业价值也将从单一的技术服务费，拓展为涵盖数据授权、订阅服务、健康管理、保险联动在内的多元化收入结构。年份ToB服务收入（亿元）ToC延伸业务收入（亿元）ToC收入占比（%）总营收（亿元）研发投入占比（%）用户转化率（B→C）（%）202345.03.06.248.035.02.1202452.07.512.659.533.54.3202558.014.219.572.232.07.8202663.024.527.987.530.512.6202767.038.036.2105.029.018.43、投资热度与资本布局动态近年融资事件分析：头部企业融资轮次与估值变化近年来，全球人工智能辅助药物研发领域的融资动态呈现出显著增长态势，资本对技术创新与商业落地能力兼具的头部企业保持高度关注。根据公开融资数据统计，2018年至2023年期间，全球范围内与AI驱动药物研发相关的融资总额已突破250亿美元，年均复合增长率接近38%。其中，2021年达到阶段性峰值，全年融资额超过65亿美元，涵盖超过70起融资事件，反映出资本市场在疫情后对生物医药科技创新的高度期待。进入2022年与2023年，尽管全球宏观经济环境趋紧、二级市场估值回调，AI制药领域的融资节奏有所放缓，但头部企业的融资能力依然坚挺，单笔融资规模普遍维持在1亿至3亿美元区间，部分领先企业完成超大规模的C轮及以后轮次融资。例如，美国企业InsilicoMedicine在2022年完成由淡马锡领投的6000万美元D轮融资，投后估值达到20亿美元，成为全球少数实现D轮以上融资的AI制药公司之一。另一代表性企业RecursionPharmaceuticals在2021年完成2.39亿美元F轮融资后，于2022年成功登陆纳斯达克，首发市值超过30亿美元，进一步验证了资本市场对AI驱动新药研发模式的