AI在新药研发中的应用与价值提升

20XX/XX/XXAI在新药研发中的应用与价值提升汇报人:XXXCONTENTS目录01

AI新药研发的发展背景02

AI在新药研发的核心应用场景03

AI新药研发的产业落地案例04

AI新药研发的价值边界分析05

AI时代对医学生的启示AI新药研发的发展背景01研发周期漫长传统新药研发从靶点发现到上市需10-15年，如某抗癌药物历经12年才完成临床验证，耗时极长。研发成本高昂一款新药平均研发成本超26亿美元，辉瑞曾有药物因成本过高，中途被迫终止研发项目。成功率极低传统新药研发整体成功率不足10%，多数候选药物在临床试验阶段因疗效或安全性问题被淘汰。传统新药研发的痛点AI介入的行业发展趋势靶点发现智能化提速AI通过分析海量生物数据，如DeepMind的AlphaFold助力精准识别潜在药物靶点，缩短研发前置周期。临床试验设计高效化升级AI可模拟患者入组和试验流程，像RecursionPharmaceuticals用AI优化试验方案，降低试错成本。药物合成自动化普及AI驱动的自动化合成平台逐渐推广，如Merck的AI合成系统，提升化合物合成的效率与成功率。AI在新药研发的核心应用场景02靶点发现与验证

AI挖掘潜在致病靶点借助AI分析基因、蛋白组数据，如DeepMind利用AlphaFold发现与阿尔茨海默病相关的新靶点。

AI验证靶点成药性通过AI构建虚拟模型模拟靶点作用，加速验证如PD-1这类热门靶点的临床应用潜力。

AI优化靶点筛选流程AI可快速筛选海量化合物库，像InsilicoMedicine用AI筛选出特发性肺纤维化的潜在靶点。基于AI的虚拟化合物库筛选借助AlphaFold等AI工具，快速从海量化合物库中筛选出潜在活性分子，大幅缩短筛选周期。AI辅助靶向化合物设计针对特定靶点，AI可模拟分子结合模式，设计出如针对PD-1的高特异性候选化合物。基于生成模型的全新化合物创造通过生成式AI模型，能创造出现有数据库中不存在的全新化合物，如InsilicoMedicine研发的特发性肺纤维化候选药。化合物筛选与设计药物晶型预测

基于AI的晶型结构快速筛选借助机器学习算法，AI可快速筛选潜在晶型结构，如默沙东用其缩短糖尿病药物晶型研发周期。

晶型稳定性智能评估AI通过模拟不同环境参数，精准评估晶型稳定性，助力药企规避后期因晶型变化导致的研发风险。

多晶型成药性预测AI结合药理数据预测多晶型的成药性，像辉瑞利用该技术优化心血管药物的晶型选择方案。临床试验方案优化

患者招募精准匹配AI可通过分析海量患者数据，像辉瑞在新冠疫苗试验中，快速筛选适配受试者，缩短招募周期。

试验设计智能化调整AI能基于过往试验数据优化对照组设置，如诺和诺德用AI调整降糖药试验，提升结果可靠性。

终点指标精准设定AI可挖掘疾病关联数据，助力药企设定更精准的试验终点，比如百济神州优化肿瘤药试验指标。药物重定位研究AI挖掘老药新适应症借助AI分析海量临床数据，发现西地那非除治疗勃起功能障碍外，可用于肺动脉高压治疗。AI筛选跨适应症药物靶点AI通过靶点关联算法，筛选出治疗糖尿病的二甲双胍，可作用于衰老相关靶点延缓衰老。AI预测药物跨界治疗潜力利用AI模型预测抗疟药青蒿素，具备治疗红斑狼疮的潜力，已进入临床试验阶段。AI新药研发的产业落地案例03靶点发现AI平台案例

InsilicoMedicine靶点发现平台该平台生成全新特发性肺纤维化靶点IDO2，仅用18个月推进到临床1期，刷新新药研发速度纪录。

百度飞桨靶点发现平台依托AI技术挖掘潜在肺癌靶点，与药企合作完成靶点验证，为肺癌靶向药物研发提供核心支撑。

RecursionPharmaceuticals靶点平台通过AI分析海量细胞影像数据，发现罕见病新靶点，推动多款罕见病候选药物进入研发管线。小分子药物研发案例

01AI辅助发现新冠口服药靶点辉瑞利用AI平台筛选出3CL蛋白酶抑制剂靶点，加速Paxlovid研发，大幅缩短药物研发周期。

02AI优化小分子药物分子结构默沙东借助AI算法优化MK-7117的分子结构，提升药物对流感病毒的抑制活性与安全性。

03AI预测小分子药物临床试验结果诺华运用AI模型预测小分子心衰药物的临床试验数据，降低研发风险，提高试验成功率。抗体药物设计案例AI辅助抗体亲和力优化案例信达生物借助AI平台优化PD-1抗体亲和力，大幅提升药物疗效，加速达伯舒的临床落地进程。AI驱动抗体序列从头设计案例InsilicoMedicine利用AI从头设计靶向DDR1的抗体，成功推进至临床前研究，缩短研发周期超50%。AI筛选抗体候选物案例再生元依托AI算法从数十亿抗体库中筛选出新冠中和抗体，为REGEN-COV2的获批提供核心支撑。临床试验设计案例

AI优化肺癌临床试验患者入组标准强生借助AI分析海量患者数据，精准筛选符合条件的受试者，使试验入组效率提升30%。

AI预测阿尔茨海默病临床试验终点礼来用AI模型预测患者认知衰退进程，提前确定试验终点，将试验周期缩短18个月。

AI优化糖尿病临床试验分组策略诺和诺德通过AI平衡组间患者特征差异，减少试验偏差，让试验数据可信度大幅提升。AI新药研发的价值边界分析04加速药物靶点发现借助深度学习算法，AI可快速筛选海量生物数据，如DeepMind的AlphaFold助力确定蛋白靶点结构。提升化合物合成效率AI能模拟化合物合成路径，减少实验试错次数，像InsilicoMedicine用AI设计候选分子节省研发成本。优化临床试验设计AI可精准筛选受试者、预测试验结果，如辉瑞利用AI缩短新冠疫苗临床试验周期。当前AI应用的核心价值现阶段AI技术的局限性

依赖高质量训练数据AI新药研发需海量精准实验数据，如缺乏真实靶点数据，模型易出现偏差，影响研发准确性。

难以突破底层科学认知AI无法自主理解药物作用的深层机制，像无法解释某些化合物与靶点的非常规结合逻辑。

临床试验模拟能力不足AI难以精准模拟人体复杂生理反应，如无法准确预测药物在特殊体质人群中的副作用风险。未来价值提升的方向

AI辅助罕见病药物研发借助AI挖掘罕见病致病基因与靶点，如利用AlphaFold助力渐冻症潜在药物靶点的筛选。

AI驱动个性化精准用药方案开发通过AI分析患者基因数据与临床特征，为癌症患者定制适配性更强的靶向治疗方案。

AI优化药物临床试验设计利用AI模拟临床试验流程，像辉瑞借助AI缩短新冠疫苗临床试验的周期与成本。AI时代对医学生的启示05跨领域能力培养建议强化AI工具实操能力医学生可学习AlphaFold等AI工具，掌握蛋白结构预测技能，助力药物靶点挖掘等科研实践。补充数据科学知识医学生需学习统计学、Python编程等内容，能独立分析新药研发中的海量生物医学数据。参与跨学科科研项目医学生可加入药企与AI企业合作的研发项目，在实践中融合医学与AI技术解决实际问题。相关职业发