AI 赋能创新药（AI 制药 / AIDD）

一、解决创新药什么痛点传统创新药：靶点发现→分子筛选→临床前→临床 ⅠⅢ 期，平均1014 年，投入 2030 亿美金，临床失败率极高。AI（AIDD，人工智能辅助药物研发）主要赋能全链条：

1.靶点挖掘：多组学+ 知识图谱，挖掘传统手段难发现的全新靶点，攻坚 “不可成药” 靶点。

2.分子生成& 虚拟筛选：AI 从头设计全新分子，预测毒性、成药性（ADMET），大幅压缩早期药物发现周期，减少化合物合成实验量。

3.临床前优化：合成工艺、晶型预测、动物实验结果预判。

4.临床试验环节：患者筛选入组、试验方案设计、医学文档自动生成、不良事件监测，降低临床运营成本，但Ⅱ/Ⅲ 期临床的时间、受试者成本 AI 很难大幅削减。

现实现状：AI 主要价值集中在早期药物发现；真正 AI 设计分子走到 Ⅱ/Ⅲ 期临床的国内项目依然不多，多数还处在技术服务阶段，直接自研新药商业化还在早期。

二、产业链三大方向1）CRO/CDMO拥有湿实验室，AI 算法 + 真实实验闭环，对外承接药企新药项目，已经产生业务收入2）传统创新药企自建 AI 平台（自研管线 + AI 加速）:药企本身有临床、CMC、商业化能力，AI 用来加速自有管线，未来可以对外 BD 授权项目3）AI 原生制药平台:端到端AI 药物发现平台，做分子设计、自研管线，A 股直接原生 AI 制药平台稀缺新华网。

三、核心博弈逻辑1.降本增效：早期药物发现周期由数年压缩至数月，减少无效合成实验，降低药物发现阶段成本。

2.攻克“不可成药靶点”，挖掘全新 firstinbestinclass 候选分子。

3.商业模式：①技术服务费；②项目里程碑 + 分成；③自研管线临床推进后对外授权 BD。

四、核心风险点1.AI≠神药：AI 输出分子依然需要湿实验验证，大量 AI 生成分子体外活性很好，但体内药效、毒性不达标，临床失败风险依旧很高。

2.数据壁垒是核心：公开数据训练模型效果有限，高质量私有实验数据才是核心，很多公司只有工具，缺少闭环实验数据。