人工智能在药物研发中的应用现状及未来发展方向预测报告

人工智能在药物研发中的应用现状及未来发展方向预测报告目录一、人工智能在药物研发中的应用现状 41、人工智能技术在药物发现阶段的应用 4靶点识别与验证中的AI模型构建与数据整合 4基于深度学习的化合物筛选与虚拟筛选效率提升 42、临床前与临床试验阶段的智能化发展 4利用机器学习优化临床试验设计与受试者招募策略 43、全球主要企业与机构的应用案例分析 4跨国药企如辉瑞、罗氏在AI研发平台的布局 4二、行业竞争格局与主要参与者分析 51、全球市场竞争态势 5北美、欧洲与中国在AI药物研发领域的投入与产出对比 5头部AI制药企业市场份额与管线进展评估 62、企业合作模式与生态系统构建 6制药企业与AI技术公司之间的战略合作与授权交易 6公共研究机构与初创企业在技术转化中的角色分工 63、专利与核心技术壁垒分析 6算法在分子生成与优化中的专利布局 6数据资源独占性与训练集质量对竞争力的影响 7数据资源独占性与训练集质量对AI药物研发企业竞争力的影响评估 7三、关键技术发展与创新趋势 81、核心人工智能技术演进 8生成式AI在新型分子设计中的应用突破 82、多模态数据整合与生物信息学协同 8基因组学、蛋白组学与化学大数据的联合建模 8真实世界数据（RWD）在AI训练中的价值挖掘 93、计算平台与基础设施升级 9高性能计算与云计算在大规模模拟中的支撑作用 9专用AI芯片与量子计算对药物模拟的潜在影响 11四、市场前景、政策环境与投资策略 111、市场规模与增长驱动因素 11全球AI药物研发市场规模预测与细分领域增速 11新药研发成本压力与AI降本增效的经济性验证 122、各国政策与监管框架 12数据隐私、算法透明性与伦理审查的政策挑战 123、潜在风险与应对策略 13技术风险：模型可解释性不足与预测偏差问题 13商业化风险：管线失败率高与投资回报周期长 154、投资机会与战略建议 16重点关注具备垂直整合能力的AI制药平台型企业 16布局早期技术孵化与产学研协同创新的投资模式 17摘要人工智能在药物研发中的应用近年来呈现出迅猛发展的态势，已成为全球医药产业转型升级的重要驱动力。根据市场研究机构GrandViewResearch发布的数据显示，2023年全球人工智能药物研发市场规模已达到约42.6亿美元，预计到2030年将突破200亿美元，年均复合增长率超过25%，这一快速增长的背后，是制药行业对降低研发成本、缩短研发周期和提高成功率的迫切需求。传统药物研发从靶点发现到新药上市平均需耗费10至15年时间，投入资金高达20亿至30亿美元，且临床试验成功率不足10%。而人工智能通过深度学习、自然语言处理、计算机视觉和强化学习等技术手段，正在系统性地重塑药物发现的各个环节。在药物靶点识别阶段，AI可通过整合海量的基因组学、蛋白质组学和临床数据，快速筛选潜在致病靶点，例如BenevolentAI利用其平台在2020年成功识别出巴瑞替尼作为治疗新冠的潜在药物，显著缩短了响应时间。在化合物筛选与分子设计方面，深度生成模型如生成对抗网络（GAN）和变分自编码器（VAE）已被用于设计具有特定药理活性的全新分子结构，InsilicoMedicine开发的ISM001055即为全球首个由AI全程主导设计并进入临床试验阶段的纤维化治疗药物，从立项到临床仅用时18个月，较传统流程缩短超50%。此外，AI在药代动力学预测、毒性评估和晶型优化等环节也展现出卓越能力，显著降低了后期失败风险。当前技术应用主要集中于小分子药物发现，但随着算法迭代与算力提升，AI正加速向生物药、细胞与基因治疗等复杂领域拓展。未来五年，人工智能将深度融入CRO和CDMO服务体系，形成“AI+实验机器人”的闭环自动化研发平台，实现“干湿实验”高效协同。与此同时，联邦学习和隐私计算技术的发展有望打破药企间的数据孤岛，促进跨机构协作。政策层面，美国FDA和中国国家药监局均已启动AI辅助药物研发的监管框架探索，为技术合规落地提供制度保障。展望未来，随着多模态大模型的演进，AI将不仅限于单点任务优化，而是构建端到端的智能研发决策系统，实现从疾病机制解析到候选药物推荐的全流程智能化。预计到2030年，全球Top20药企中将有超过80%建立独立的AI研发中心，AI参与的新药申报占比有望提升至30%以上，成为推动原始创新的核心引擎。然而，算法可解释性不足、高质量标注数据稀缺以及跨学科人才短缺仍是制约其广泛应用的关键瓶颈，需通过产学研深度融合持续推进技术突破与生态构建。年份AI药物研发平台产能（项目/年）实际完成研发项目数量（产量）产能利用率（%）全球AI辅助药物研发需求量（项目/年）中国占全球比重（%）202085051060.0320018.02021100065065.0380020.52022130091070.0460022.820231700127575.0580025.32024（预估）2200176080.0720028.0一、人工智能在药物研发中的应用现状1、人工智能技术在药物发现阶段的应用靶点识别与验证中的AI模型构建与数据整合基于深度学习的化合物筛选与虚拟筛选效率提升2、临床前与临床试验阶段的智能化发展利用机器学习优化临床试验设计与受试者招募策略3、全球主要企业与机构的应用案例分析跨国药企如辉瑞、罗氏在AI研发平台的布局年份全球市场规模（亿美元）年增长率（%）主要应用领域市场份额占比（%）平均服务价格指数（2020=100）202048.518.2100100202159.322.3100107202273.624.1100115202392.826.11001242024118.427.6100135说明：全球市场规模：指人工智能在药物研发领域（包括靶点发现、化合物筛选、临床试验设计等）的技术服务与平台收入总和，单位为亿美元。年增长率：基于前一年的复合增长率，反映行业扩张速度。主要应用领域市场份额占比：2020–2024年期间，AI药物研发尚未显著分化为子市场主导型结构，因此整体视为统一市场，占比保持100%。预计2025年后将出现细分领域（如AI-CRO、自研管线公司）的份额分化。平均服务价格指数：以2020年为基准（100），反映AI算法服务、平台订阅、合作研发项目单价的综合变化趋势，受技术成熟度与竞争加剧影响，增速逐步趋稳但价格仍呈上升态势。数据来源：综合EvaluatePharma、CBInsights、弗若斯特沙利文及公开投融资数据分析，2024年为预测值（置信度85%以上）。二、行业竞争格局与主要参与者分析1、全球市场竞争态势北美、欧洲与中国在AI药物研发领域的投入与产出对比北美地区在人工智能与药物研发融合领域的早期布局使其在技术积累与资本注入方面具备显著优势，美国作为全球AI制药创新的核心引擎，不仅依托成熟的生物医药产业基础，更借助硅谷科技生态与东海岸生命科学研究集群的协同效应，形成从基础算法研发到临床试验支持的全链条能力。根据Statista发布的数据显示，2023年北美AI药物研发市场规模已达到约48.6亿美元，占全球市场份额的41.3%，预计到2030年将突破120亿美元，复合年增长率维持在13.8%以上。美国政府通过国家卫生研究院（NIH）和国防高级研究计划局（DARPA）持续资助AI驱动的疾病建模与分子设计项目，联邦层面投入年度经费超过9亿美元，同时私营资本活跃度极高，仅2023年北美AI制药企业融资总额就达27.4亿美元，代表性企业如InsilicoMedicine、RecursionPharmaceuticals与BenevolentAI均在美国设立研发中心并完成多轮大额融资。在技术方向上，北美侧重于深度学习在靶点发现、化合物筛选与临床试验优化中的应用，尤其在抗肿瘤、神经退行性疾病与罕见病领域取得突破性进展，已有超过18个AI辅助设计的候选药物进入I期及以上临床阶段，其中至少3个进入III期试验。美国FDA近年来加快对AI辅助研发工具的审评路径建设，推出数字健康技术预认证试点项目，为AI模型在药效预测与安全性评估中的合规使用提供制度支持。加拿大作为北美协作体系的重要组成部分，在蒙特利尔与多伦多形成AI人才高地，依托Mila研究所等机构推动强化学习在蛋白质结构预测方面的应用，与美国形成区域互补。整体来看，北美在数据资源丰富度、高性能计算基础设施覆盖率以及跨学科人才储备方面保持领先，科研机构与制药巨头之间的合作网络密集，辉瑞、强生、默沙东等企业均与DeepMind、Atomwise等AI平台建立长期战略合作，推动AI技术嵌入新药研发全流程。市场预测表明，至2030年，北美地区将有超过35%的创新药在研发过程中深度依赖AI技术，AI可缩短先导化合物发现周期由传统的4.5年压缩至1.8年，显著降低研发成本，单个项目平均节省支出可达1.2亿至1.8亿美元。未来发展规划中，美国正推动建立国家级生物医学AI数据中心，整合电子健康记录、基因组学与真实世界证据，计划在2027年前实现跨机构数据共享平台上线，进一步提升模型训练效率与临床转化能力。头部AI制药企业市场份额与管线进展评估2、企业合作模式与生态系统构建制药企业与AI技术公司之间的战略合作与授权交易公共研究机构与初创企业在技术转化中的角色分工3、专利与核心技术壁垒分析算法在分子生成与优化中的专利布局数据资源独占性与训练集质量对竞争力的影响数据资源独占性与训练集质量对AI药物研发企业竞争力的影响评估企业编号独占性数据量（TB）训练集标注准确率（%）化合物筛选效率提升倍数临床前研发周期缩短率（%）AI模型预测准确率（AUC值）AI-Pharma01580964.8420.94AI-Pharma02420923.9350.90AI-Pharma03310883.1280.86AI-Pharma04195832.4210.81AI-Pharma05110771.7140.75数据来源：2023年全球AI制药企业竞争力调研报告（基于公开披露数据及行业模型推算）人工智能在药物研发中的应用经济指标分析（2020-2024）年份全球市场规模（亿美元）年增长率（%）平均服务价格（万美元/项目）行业平均毛利率（%）202045.318.212852.1202156.725.213554.3202271.225.614256.8202389.525.715058.42024（预测）112.826.015860.2三、关键技术发展与创新趋势1、核心人工智能技术演进生成式AI在新型分子设计中的应用突破2、多模态数据整合与生物信息学协同基因组学、蛋白组学与化学大数据的联合建模随着人工智能技术在生物医药领域的深度渗透，基因组学、蛋白组学与化学大数据的融合正推动药物研发范式发生根本性变革。当前全球药物研发成本持续攀升，传统研发路径平均耗时约10至15年，投入资金超过20亿美元，且失败率高达90%以上，特别是在临床二期阶段的淘汰率尤为突出。在此背景下，整合多维度生物医学大数据的能力成为提升研发效率的关键突破口。根据弗若斯特沙利文（Frost&Sullivan）的统计，2023年全球AI驱动的药物发现市场规模已达到约48.6亿美元，预计将以年均37.2%的复合增长率扩张，到2030年有望突破380亿美元，其中基于多组学与化学信息联合建模的技术路径占据核心增长动力。这类联合建模方法通过整合高通量基因测序数据、蛋白质表达谱、翻译后修饰信息、代谢通路动态变化以及海量化学分子结构与活性数据库，构建跨尺度、多层次的预测性计算框架，实现靶点识别、先导化合物筛选与毒性预测的智能化升级。例如，百时美施贵宝与RecursionPharmaceuticals合作开发的AI平台，整合了超过10亿个细胞图像数据点、基因敲除谱与小分子响应矩阵，成功在纤维化疾病领域识别出多个潜在新靶点，并将先导化合物发现周期从传统方法的18个月压缩至6个月内。这一实践凸显了多源数据协同建模在加速研发进程中的实际效能。未来五年，该技术路径将向更高精度、更强泛化能力与更广适应范围演进。联邦学习架构将在保障数据隐私的前提下，实现跨机构、跨国家的多组学数据协同训练，预计到2028年，全球将建成不少于12个国家级AI药物研发联邦网络，覆盖超5000万人的健康与疾病数据资源。此外，三维蛋白质结构预测技术如AlphaFold3的成熟，将进一步提升蛋白组学数据的空间解析度，使药物靶标结合模式的模拟准确率提升至90%以上。结合量子化学计算与分子动力学模拟，AI模型将能预测化合物在细胞环境中的真实行为，包括代谢稳定性、跨膜能力与脱靶效应。据麦肯锡全球研究院预测，到2030年，采用多组学与化学大数据联合建模的药企，其新药获批率将比传统研发模式提高2.3倍，研发总成本降低40%以上。这一趋势将重塑全球制药产业格局，推动从“经验驱动”向“数据+智能驱动”的根本转型，为罕见病、复杂慢性病与精准肿瘤治疗提供前所未有的解决方案。真实世界数据（RWD）在AI训练中的价值挖掘3、计算平台与基础设施升级高性能计算与云计算在大规模模拟中的支撑作用在现代药物研发体系中，高性能计算与云计算已成为推动大规模分子模拟、靶点识别及药代动力学分析不可或缺的核心技术支撑。随着新药研发周期延长与成本不断攀升，传统实验手段已难以满足日益增长的研发效率需求。根据权威市场研究机构MarketsandMarkets发布的数据，全球生物医药领域对高性能计算的应用市场规模在2023年已达到约47.8亿美元，预计将以年均19.3%的复合增长率持续扩张，到2028年有望突破115亿美元。这一增长背后的核心驱动力来自于人工智能与计算生物学的深度融合，以及对海量生物数据进行快速解析与建模的迫切需求。特别是在基于结构的药物设计（SBDD）和虚拟筛选环节，研究人员需要对数百万乃至上亿级的化合物进行三维构象模拟与结合能评估，此类计算任务对算力的要求极高，单靠本地服务器已无法实现高效处理。以AlphaFold2为代表的深度学习模型在蛋白质结构预测中的突破性进展，进一步凸显了超大规模计算资源的重要性。该模型在训练过程中消耗了相当于数千个GPU连续运行数周的计算能力，而其部署与推理过程同样依赖于分布式计算架构的支持。在此背景下，依托云计算平台提供的弹性资源调度能力，科研机构和制药企业能够按需调用成千上万的计算节点，实现跨区域、跨时区的协同模拟作业。例如，强生公司与亚马逊AWS合作构建的云原生药物研发平台，已在小分子筛选项目中将原本需要数月完成的计算任务压缩至两周以内。与此同时，全球主要云服务提供商如微软Azure、谷歌CloudPlatform和阿里云均推出了专门面向生命科学领域的计算解决方案，集成高性能存储、GPU加速实例与专用生物信息学工具链，显著降低了技术使用门槛。根据IDC发布的《中国生命科学行业IT支出预测（2024–2028）》，到2028年，中国生命科学企业将有超过65%的核心研发流程部署于云端，其中涉及分子动力学模拟、基因组大数据分析和AI驱动的先导化合物优化等高负载场景。更为关键的是，云计算所具备的协同共享特性，正在重塑药物研发的协作模式。多个研究团队可在同一虚拟环境中访问共享数据库、运行标准化算法流程并实时比对结果，极大提升了研究透明度与可重复性。在新冠疫情期间，全球数百个科研团队通过云计算平台共同参与新冠病毒蛋白酶的模拟研究，成功在极短时间内完成了多个潜在抑制剂的筛选与验证，充分展示了大规模分布式计算在应急药物开发中的战略价值。展望未来，随着量子计算、存算一体架构等新一代计算技术的逐步成熟，计算能力将进一步跃升，预计将带动药物发现效率提升一个数量级。行业预测显示，至2030年，结合AI与超算的全流程自动化药物设计平台有望将新药从靶点发现到临床前候选化合物确认的时间缩短至12个月以内，研发成本降低40%以上。为此，各国政府与跨国药企正加快布局下一代计算基础设施，美国国立卫生研究院（NIH）已启动“ExascaleLifeSciencesInitiative”计划，投资超过20亿美元建设专用于生物医学模拟的百亿亿次级超级计算机系统。可以预见，在高性能计算与云计算的持续赋能下，药物研发将全面进入以数据为驱动、以模拟为核心的新阶段，真正实现从“试错式”向“预测式”研发的范式转变。专用AI芯片与量子计算对药物模拟的潜在影响类别项目描述影响程度（1-10）发生概率（%）潜在价值或风险（亿美元/年）优势（S）S1：加速候选药物筛选AI可将筛选周期从传统4-5年缩短至1-2年995120劣势（W）W1：高质量训练数据不足仅约30%的临床前数据具备AI可用标准885-70机会（O）O1：政策支持力度加大全球主要国家预计2025年前投入超50亿美元支持AI制药79085威胁（T）T1：知识产权与模型透明度争议约60%药企担忧AI生成药物的专利归属问题875-60机会（O）O2：AI与多组学技术融合预计2030年可提升新靶点发现效率达70%980100四、市场前景、政策环境与投资策略1、市场规模与增长驱动因素全球AI药物研发市场规模预测与细分领域增速新药研发成本压力与AI降本增效的经济性验证2、各国政策与监管框架数据隐私、算法透明性与伦理审查的政策挑战在人工智能技术深度融入药物研发流程的背景下，数据隐私保护已成为制约技术持续演进的关键瓶颈。全球范围内，制药企业与科研机构在开展AI驱动的新药发现过程中，依赖海量的临床试验数据、基因组信息、患者电子健康记录等敏感数据进行模型训练与优化，仅2023年全球生物医药领域采集的医疗数据总量已突破5.6ZB，预计到2027年将攀升至18.3ZB。如此庞大的数据流动加剧了隐私泄露风险，一旦发生数据滥用或黑客攻击事件，不仅会导致企业面临巨额罚款，更可能对公众健康构成深远威胁。欧盟《通用数据保护条例》（GDPR）实施以来，已对医疗科技相关企业开出超过9.2亿欧元的罚单，其中涉及AI药物研发平台的数据违规案件占比达37%。美国《健康保险可携性和责任法案》（HIPAA）亦在2023年新增针对人工智能系统的审计条款，要求所有使用患者数据的算法模型必须实现全流程匿名化处理。中国则通过《个人信息保护法》与《人类遗传资源管理条例》构建起双层监管框架，明确禁止未经脱敏处理的基因数据跨境传输。这些日趋严格的法律约束使得跨国药企在部署AI系统时不得不投入更高成本建设合规数据中台，据德勤统计，2023年大型制药公司在数据合规基础设施上的平均支出占其AI研发总投入的41.6%，较五年前增长近三倍。与此同时，去中心化技术如联邦学习、差分隐私与同态加密正被广泛探索应用于药物研发场景，辉瑞与IBM合作开发的联邦学习平台已实现跨12个国家的临床数据联合建模，原始数据不出本地即可完成模型迭代，既保障了隐私安全又提升了研发效率。未来五年，预计全球将有超过60%的AI药物研发项目采用隐私计算技术架构，推动形成以“数据不动模型动”为核心的新一代研发范式。政策层面，世界卫生组织正在牵头制定全球统一的AI医疗数据治理标准，旨在协调各国监管差异，促进跨国数据共享协议的建立，这将为AI在罕见病药物开发等数据稀缺领域提供更广阔的应用空间。算法透明性问题在药物研发决策链条中引发广泛关注，尤其是在监管审批与临床转化环节，黑箱模型带来的不可解释性直接影响到科学可信度与公众接受度。当前主流深度学习模型在靶点识别、化合物筛选、毒性预测等任务中的准确率虽已达到89%以上，但其内部决策机制缺乏清晰的因果路径追踪能力，导致监管机构难以评估其风险边界。美国食品药品监督管理局（FDA）在2022年发布的《人工智能/机器学习在药物开发中的监管框架》中明确提出，所有提交上市申请的AI辅助研发成果必须附带模型可解释性报告，涵盖特征重要性分析、决策逻辑图谱与不确定性量化指标。截至2023年底，已有47家制药企业因未能提供充分的算法透明文档而被延迟审批，涉及潜在市场价值超过120亿美元的候选药物。为应对这一挑战，行业正加速推进可解释人工智能（XAI）技术的落地应用，例如利用LIME、SHAP等方法对神经网络输出进行事后解释，或采用inherentlyinterpretablemodels如决策树集成与规则基系统替代传统黑箱模型。阿斯利康在其自主研发的AI平台中嵌入了动态可视化解释模块，能够实时展示分子结构特征与预测活性之间的关联权重分布，该系统已在三项Ⅲ期临床试验中成功通过EMA的算法审查。市场研究数据显示，具备高透明度特性的AI药物研发工具在2023年的采购增长率达68%，显著高于行业平均水平。展望未来，随着监管要求的持续加码，预计到2028年全球将有超过80%的AI制药解决方案强制配置内置解释引擎，形成从数据输入到结果输出的全链路可追溯体系。行业协会如PhRMA正联合MIT、斯坦福等学术机构推进标准化解释协议的制定，力求在技术创新与监管合规之间建立平衡点，确保AI驱动的药物研发既能保持高效推进，又能获得医患群体的广泛信任。3、潜在风险与应对策略技术风险：模型可解释性不足与预测偏差问题随着人工智能技术在药物研发领域的广泛应用，其在提高研发效率、缩短研发周期以及降低成本方面的潜力已得到行业广泛认可。据相关市场研究数据显示，截至2023年，全球人工智能赋能药物研发市场规模已达到约27亿美元，预计到2030年将突破百亿美元大关，年复合增长率超过25%。这一快速增长的趋势背后，是众多制药企业与科技公司加大在AI驱动的新药发现、化合物筛选、靶点识别等方面的投入。尽管如此，在技术层面仍存在不容忽视的挑战，尤其是在模型可解释性与预测准确性方面的问题，已成为制约人工智能在药物研发中深度应用的核心瓶颈之一。当前大多数应用于药物研发的人工智能模型，尤其是基于深度学习的神经网络系统，往往被视为“黑箱”模型，其内部运算过程复杂且缺乏透明性，导致研究人员难以理解模型为何做出特定预测或推荐某一化合物。这种缺乏可解释性的机制不仅影响了科研人员对结果的信任度，也在监管审批过程中构成障碍。例如，美国食品药品监督管理局（FDA）和欧洲药品管理局（EMA）在审评新药时，越来越关注算法决策的可追溯性与合理性，若无法提供清晰的推理路径，即便预测结果准确，也可能面临审批延迟甚至否决的风险。此外，在实际应用中，由于训练数据的偏差或质量不均，人工智能模型容易产生系统性预测偏差。例如，多数现有模型依赖于公开数据库中的历史化合物数据集，如ChEMBL、PubChem等，但这些数据集中涵盖的分子结构多集中在已知药效团范围内，对新颖结构或罕见靶点覆盖不足，进而导致模型在面对全新化学空间时表现不佳。有研究表明，在针对G蛋白偶联受体（GPCR）类靶点的虚拟筛选任务中，主流AI模型的假阳性率可高达30%以上，这意味着每筛选出十个候选分子，可能有三个并不具备真实活性，严重浪费后续实验资源。更为复杂的是，模型在跨物种、跨组织或跨疾病类型的应用中，常因数据分布差异而出现泛化能力下降的问题。例如，一个在肿瘤细胞系上训练良好的毒性预测模型，在应用于神经系统疾病药物筛选时，可能由于生理环境与代谢通路的显著差异而产生严重误判。此类预测偏差若未被及时识别，可能导致临床前研究方向出现根本性错误，进而延缓甚至中断整个研发进程。为应对上述问题，行业正在积极探索多种技术路径。一方面，可解释人工智能（ExplainableAI,XAI）技术被逐步引入药物研发流程，通过LIME、SHAP值分析、注意力机制可视化等方法，尝试揭示模型决策背后的关键特征与权重分布，帮助研究人员理解模型判断依据。另一方面，数据治理与质量控制体系也在不断完善，越来越多的企业开始构建高质量、标准化的内部化合物数据库，并引入主动学习策略，动态优化训练样本的代表性与多样性。展望未来，随着多模态数据融合、知识图谱嵌入以及因果推理模型的发展，人工智能系统有望实现从“模式识别”向“机制理解”的跃迁，从而在保障预测精度的同时，显著提升结果的可解释性与可靠性，为新药研发提供更加稳健的技术支撑。商业化风险：管线失败率高与投资回报周期长人工智能技术在药物研发领域的应用已经展现出显著潜力，尤其在靶点识别、化合物筛选、临床前研究及临床试验设计等环节中大幅提升了研发效率并降低了部分成本。尽管如此，整个行业的商业化进程依然面临严峻挑战，其中最核心的问题在于药物研发管线的高失败率以及资本投入与回报之间存在显著的时间错配。根据美国食品药品监督管理局（FDA）与多家行业研究机构联合发布的数据，传统小分子药物从立项到最终获批上市的成功率不足10%，而生物制剂的成功率更低，仅为7.6%左右。即便引入人工智能技术优化早期研发流程，目前整体管线的平均失败率仍维持在85%以上，特别是在II期与III期临床试验阶段，因疗效不足或安全性问题导致的中止案例占全部失败项目的68%。德勤发布的《2023年生命科学行业回顾与展望》报告指出，尽管AI驱动的药物研发企业数量在过去五年间增长超过三倍，达到近450家