AI药物研发企业薪酬绩效设计策略研究报告

盛世华研·2008-2010年钢行业调研报告AI药物研发企业薪酬绩效设计策略研究报告内容目录TOC\o"1-3"\u一、前言 3二、AI药物研发行业发展分析及趋势预测 32.1发展历程与发展现状 32.1.1发展历程 32.1.2目前发展现状 52.1.3现有竞争格局 52.22022-2023年AI药物研发现状及趋势分析 62.2.1市场规模 62.2.2融资能力 62.2.3在研产品 72.2.4市场主体 102.2.5存在的问题 112.2.6发展趋势 112.32023年AI激发创新潜能生物医药业迎来“智药”新机遇 122.3.1“智药”成为药企新宠 122.3.2多家大型药企尝鲜“AI+” 132.3.3仍有发展痛点待解决 142.3.4药企加速布局AI制药 142.3.5主要行业观察和趋势 16（1）基于AI的生物学建模和靶点发现 16（2）利用AI破解结构生物学 17（3）使用AI开发小分子药物 18（3）超越小分子的人工智能驱动药物设计 182.4AI辅助药物研发的新兴趋势 202.4.1人工智能和机器人化实验室 202.4.2利用AI解决临床试验瓶颈 212.4.3CRO领域的人工智能 222.52023年人工智能打破医药研发“双十定律” 232.5.1加速建立“AI药研朋友圈” 232.5.2AI打破“双十定律” 242.5.3将药物在人体内精准递送 252.6大型药企在AI药物研发进展趋势 262.6.1大型药企整合AI进入药物开发流程 272.6.2与信息技术公司合作建立内部AI专业技术 272.6.3通过并购AI驱动生物技术公司快速获得AI技术 272.6.4与AI驱动生物技术公司合作以识别靶点、共同开发药物 292.6.5AI驱动生物科技公司发展趋势 292.6.6AI技术在临床上的转化 30三、AI药物研发企业薪酬绩效设计策略 303.1要明确薪酬设计的三个基本原则 303.1.1公平原则 303.1.2成本原则 313.1.3合力原则 313.2薪酬绩效具体设计方法 323.2.1薪酬机制的基本框架 323.2.2薪酬机制具体设计步骤 32（1）明确各岗位薪资总额 32（2）确定底薪、绩效考核工资、分红比例等。 323.3薪酬机制的注意事项 353.3.1工资不宜频繁变更 353.3.2考核工资不是一成不变的 353.3.3太阳底下发工资 353.3.4不能直接从原有底薪中拿钱考核 363.4把固定工资调整为绩效考核和提成？ 363.4.1管理层用KSF薪酬绩效模式 363.4.2普通员工用提成制（或提成+KSF） 373.4.3以一餐厅厨师长的薪酬模式为例 373.5医药企业薪酬绩效设计策略 383.5.1市场定位与内部公平性 383.5.2与绩效紧密挂钩 393.5.3激励长期绩效 393.5.4个性化与差异化设计 393.5.5透明与沟通 393.5.6合法合规 393.5.7定期评估与调整 39四、AI药物研发企业《薪酬绩效设计策略》制定手册 404.1动员与组织 404.1.1动员 404.1.2组织 414.2学习与研究 414.2.1学习方案 424.2.2研究方案 424.3制定前准备 434.3.1制定原则 434.3.2注意事项 444.3.3有效战略的关键点 454.4战略组成与制定流程 474.4.1战略结构组成 474.4.2战略制定流程 484.5具体方案制定 494.5.1具体方案制定 494.5.2配套方案制定 51五、AI药物研发企业《薪酬绩效设计策略》实施手册 525.1培训与实施准备 525.2试运行与正式实施 525.2.1试运行与正式实施 525.2.2实施方案 535.3构建执行与推进体系 535.4增强实施保障能力 545.5动态管理与完善 555.6战略评估、考核与审计 56六、总结：商业自是有胜算 56一、前言同样的工资，别人家的员工拼命干，你家的员工拖着干。这就是薪酬绩效激活员工自驱性后，带来的组织变化。那么，怎么设计合理的薪酬绩效，不仅能够激活员工工作动力，而且还能合理控制公司成本呢。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、AI药物研发行业发展分析及趋势预测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、AI药物研发企业薪酬绩效设计策略3.1要明确薪酬设计的三个基本原则3.1.1公平原则《论语·季氏》道：“闻有国有家者，不患寡而患不均，不患贫而患不安”。应用到企业也是一样，你永远不会嫉妒马云比你有钱，但同事老张多发了两百块钱，你会嫉妒的要死。尤其是同一岗位员工，唯恐别人比自己多拿。但在实际工作中，一定有人干得好，有人干得不好，怎么平衡内部矛盾呢。这就需要制定一套员工认可的绩效考核标准，多劳者多得。比如办卡数量、客户投诉率等，让少拿钱的人没话说，多拿钱的人有明确的赚钱方法。3.1.2成本原则很多企业设计薪酬，习惯性就薪酬研讨薪酬，实际上薪酬设计关于企业的整体运营战略。海底捞的人工成本明显比同行要高出30%以上，而租金却远低于同行。说明了海底捞的运营策略非常清晰，只选择地段相对较好租金便宜的铺位，投入重金在“服务”上，形成企业核心竞争力。所以，一般情况我们给企业设计薪酬，先确定薪酬成本占据企业运营成本的百分比，比如营业额的30%作为人员工资。然后根据当地工资标准，确定各岗位的收入上线，最后反算到具体的岗位工资，这样能最大限度的保证企业人力成本的控制，也能保证员工的实际收入不至于无法控制，避免出现业绩增长员工丰收，老板反而亏损的情况。3.1.3合力原则每个老板都希望员工能拧成一股绳，大家劲往一处使，齐心协力。问题是企业的劲应该往什么地方使呢。员工拧成一股绳，绳子是什么。老板希望员工自驱动，团队驱动的方向又在哪里。以上三点，其实问的都是同一个问题，企业的目标是什么。第一，今年的保底目标是多少，保底目标解决企业基本增长问题；第二，超出部分给团队分多少，明确分配比例；第三，每个岗位贡献价值不同，给每个人应该分多少。把分钱的事情解决了，团队才能拧成一股绳干活，大家多干的都是自己多赚的。出来工作这么辛苦，有钱赚谁会不拼命呢。这才是能够让老板解放，团队自驱动的根本点。一套合理的薪酬机制相当于企业的发动机，只要给油（钱），员工会推着汽车往前跑，而不是像以前一样，老板推着员工跑。也能留住想张姐一样优秀的员工。3.2薪酬绩效具体设计方法3.2.1薪酬机制的基本框架公司由于规模大小、店面类型等原因，最终用的薪酬框架会有区别，但大致相同，分为以下几个部分。薪资总和=基本工资+绩效考核工资+提出+分红+福利这里面，基本工资、绩效工资、奖金、工龄一般都会有，根据店面情况会加入超额奖金和分红等。比如增加新品研发奖励和岗位补贴。3.2.2薪酬机制具体设计步骤（1）明确各岗位薪资总额以收银员为例，如果是新店，建议参照同街道、同业态、同岗位收银员工资，老店则需要参照以往收银员工资和同行工资标准设定。根据企业实际情况，着急用人，可以适当增加工资，但原则上基层员工不超过同行业20%，高层员工不超过30%。为什么不能太高？因为人员工资后期必定根据市场情况水涨船高，不可能降低。过高的用工成本会压缩企业利润空间，企业没有利润就没办法投入研发和培养员工，最终彻底丧失核心竞争力。海底捞超同行30%的高工资，那是因为品牌对租金的议价能力强，可以把租金节省下来的成本分配到人员工资。其他企业租金、人员、原料三大成本可压缩空间有限，建议还是控制在合理范围，保证良性发展。（2）确定底薪、绩效考核工资、分红比例等。薪资总和=基本工资+绩效考核工资+提成+福利。大致可以分为浮动工资和固定工资两部分。浮动工资包含提成、阶段性激励和分红等。具体数字，根据业绩目标和个人贡献度制定。固定工资包含基本工资、绩效考核和福利。福利相对好确定，例如五险一金、孝顺基金、工龄工资，金额基本固定。难点在于基本工资和绩效考核的比例，以及绩效考核的指标如何设计。比如经理和招商团队工作差异大，各自绩效考核工资的比例是多少，考核的指标是什么。要想明确绩效考核比例，首先应该搞清楚什么是绩效考核，为什么要做绩效。A、为什么要设计绩效考核薪酬机制设计的目的只有一个，让员工具有自驱性，充分发挥个人才能，让能者多劳，弱者自然淘汰。所以，驱动的方向是什么就非常关键。绩效考核就是员工驱动的方向，绩效考核分为两部分，绩效和考核。绩效关注结果，与业绩目标直接挂钩，千斤重担人人挑，人人头上有指标。当公司目标和个人目标一致后，团队才有可能拧成一股绳，否则各干各的，形同散沙。考核则更关注过程，做过销售得到人都知道，业务人员要想完成业绩，必须先完成足够量的陌拜和电话量，不排除个别人运气好，只打了一个电话就完成了任务。如果单纯看绩效，他是合格的，但傻子都知道，这种情况和守株待兔的概率差不多，过程不对结果却对的事情，必须要警惕，毕竟做企业不能全靠运气说话。正确的企业管理，首先要考核员工的关键行为，比如每天拜访量完成率，然后再考核绩效指标完成情况，保证过程和结果都正确。绩效关注结果，考核关注过程。过程对了，结果完成了，这样组织才会走向良性发展。绩效考核就像上大学，老师会在考前画的重点，一般老师画什么我们才去背什么。员工也是一样，你考核什么员工就关注什么，考核就是企业经营的指挥棒，也是企业战略落地的关键点。马云讲过，企业战略如果落地不到员工的绩效考核指标，等于空喊口号。比如公司今年战略目标是拓展新店100家，老板在台上喊得震天响，底下人的考核指标依旧是基本功训练、公司文化建设等内功提升，完全与公司战略脱节。你说，这100家的目标有可能完成吗。有人会问，难道非要考核员工吗，有些员工自觉性挺好的，不考核行不行。我们公司去年业绩也不错，也没有用绩效考核，大家干的挺起劲儿。但是没有考核标准，大家干多干少，干好干坏都是一个样，优秀人才的价值得不到体现，最后只能流失。在公司业绩好的时候，大家都赚到了钱，问题一般不会暴露出来。市场环境稍微恶劣，团队负能量会成倍的扩散，到时候亡羊补牢又何必呢。另外，一个优秀的团队时刻要有危机感，稳稳当当的拿着死工资，危机感谈何而来，狼之所以变成了羊，就是标准越来越低了。一个人对自己没要求，不出三年就会废掉；一个组织对员工没有要求，不出三个月就会倒闭。我们不能把希望寄托于市场环境好，打铁还需自身硬，严格等于大爱。真正优秀的企业是对员工收益和成长双重保障的，收益来自于绩效指标达成后的丰厚奖励，成长则是考核指标持续达标下的个人能力提升。所以，绩效考核势在必行，重点考虑如何设计的科学合理。B、如何设计绩效考核Ø

首先明确各岗位的绩效比例。还是前文的问题，管理和运营团队工作差异大，各自绩效考核工资的比例是多少，考核的指标是什么。根据岗位性质不同，一般把职责分为三种类型。上山型——50%：50%（业绩部门、高管岗位）平路型——70%：30%（职能部门）下山型——85%：15%（技术、研发类）上山型，适合高管和招商销售团队，因为该岗位绩效考核的重点是业绩完成，所以在绩效考核中为突出对绩效目标的要求，考核比例最高。平路型，适合财务、人事等职能部分，这类岗位的稳定性较高，但事务性工作繁杂，需要强化工作的完成效率，但又没有太多的业绩任务，所以考核指标重点是岗位职责，比例30%为宜。下路型，需要稳定性高的岗位，而且人员流失不利于产品更新迭代，所以该类型岗位重点是稳定，公司波动不宜过高，考核比例15%最佳。Ø

其次如何对各岗位进行考核为了让大家方便理解，我简单的把绩效考核按照职级分为两类，基层员工用考核工资，中高层用绩效打分表。为什么要这么分，因为对于基层员工而言，最重要的是听话照做，能把公司安排的事情做好已经是优秀员工了，过多的个人想法只会破坏团队执行力。所以直接制定好具体的考核指标，每月定量考核就行，达标奖励，不达标按照标准扣除考核工资，简单高效。而中高层作为领导者，经营思维是第一位，他们必须有领导者意识，知道如何提升业绩，如何带领团队，所以用绩效打分表考核。月初自己制定计划，老板审核结果，培养干部独立的经营思维，月底按照自己月初制定的计划考核完成率以及业绩达标率。数据清晰明了，一切以结果导向，久而久之，员工养成了独立思考的能力，老板在不在区别就不大了。考核工资操作要点：l

考核价值行为要低标准、严要求；基础员工之所以是基层，就是因为他们的能力有限，过高的要求只会逼迫他们作假和消极怠工，回归考核的本质，为了让他们关注成长，先做到再做好。l

考核工资价值行为3-5条；考核指标不宜过多，很多企业恨不得把所有的事情都拿来考核，这就像老师画重点，告诉你整本书都是重点，还有意义吗。3-5条数量不多，任何人都能记住，方便结果管控。l

考核标准来源（全勤/盈亏平衡点/核心基本功/核心所需资源）。每家企业对员工的要求不一而同，所以，针对企业实际制定的考核指标也千差万别，下图为我服务的两家企业收银员的考核指标，你会发现指标完全不同。所以，不要去试图抄袭别人的考核指标，各家情况不同，考核指标是基于企业问题、企业战略等综合因素制定的企业经营指挥棒，需要因地制宜，适合大于更好。绩效打分表的操作要点：l每个月月初由各岗位负责任填写计划表，并在月度会议公开汇报；l月度计划中，所有工作必须清晰可量化，不存在模棱两可的描述性语言，比如努力完成工作、认真对待客户。l月底质询会，对月度制定的每项工作逐项审核，最终打分成绩，以工作完成率计算，比如计划了10项工作，最后只完成了5项，绩效工资就只有一半。l绩效工资与职级晋升、奖金提升挂钩，提高员工的自驱性。比如，连续一年绩效考核90%以上，方可参加晋升考试的机会；绩效考核全年完成率超85%以上，方有有资格参与年终分红等。Ø

最后，重要岗位绩效面谈。绩效考核指标在制定的过程，由于领导打鸡血、自己爱面子、市场情况发生变化，难免有不合理的地方。因此月底人事要对重要岗位的人员进行绩效面谈，给到大家倾诉和申诉的机会，消除内部矛盾，真正做到有人情味的管理。3.3薪酬机制的注意事项3.3.1工资不宜频繁变更永远没有最好的薪酬机制，老板也总是想优化调整，但是对于员工而言，稳定的收入预期大于一切，频繁的工资变革，会增加员工的不安全感，甚至无所适从，出现大面积离职。根据我自己的服务经验，薪酬机制整体变革最快是一年，绩效考核最快是半年（特殊情况除外）。3.3.2考核工资不是一成不变的考核工资就是老板手中的指挥棒，老板指到那儿，员工就关注那儿。公司每年、每季度的战略主题都会发生改变。因此考核指标也要随之改变，但仍然不建议太过频繁调整，最好的时机是等员工对原有的指标已经形成了工作习惯，逐步迭代，团队运作才会趋于良性。3.3.3太阳底下发工资很多老板喜欢偷偷摸摸的发工资，尤其喜欢给员工发红包，美其名曰人性化管理。不患寡患不均，这是人性，不可逆。把工资放到明面上，你有多大本事拿多少钱，赚的再多别人也无话可说，只会激励那些想赚钱的人奋进。悄没声的发红包，不让员工知道彼此的收入情况，大家就真的不知道了吗，人言可畏，悄悄话多了只会增加团队的负能量。另外，员工都不知道领导赚多少钱，怎么有动力成为领导，把薪酬制度公开，让员工知道自己几斤几两，努力之后未来能赚多少钱，永远是最好的留人方式。3.3.4不能直接从原有底薪中拿钱考核对于员工而言，绩效考核工资不管标准再低，依旧有拿不到的可能性，所以一个原来没有实行过考核的餐厅，一定不能从底薪中直接拿钱考验，这样很容易引起员工对绩效考核的反感。一般在落地薪酬制度时，先按比例从底薪中拿一部分，同时也会额外增加一部分考核工资作为对员工考核达标的奖励。比如服务员原有工资3000，实行绩效考核后，基本工资变成2500，考核工资500，员工肯定会有情绪。为了平息员工情绪，会在考核工资中多加100-200。只要员工能按照考核指标完成工作，把活干好了，对于老板而言，多加一两百也是愿意的。这样，员工干好多拿钱，企业盈利老板也开心。皆大欢喜。很多老板为发工资发愁，不是不愿意给钱而是担心多发了没用，少发了又闹事，最后薪酬变“心愁”，一套科学的薪酬机制不仅不会让老板发愁，还会解放老板，激发员工动力。一个自驱性的员工和一个被老板整天追着干活的员工做出来的工作能一样吗。因此，做好店面管理，从一套科学的薪酬机制开始，解放自己，激发员工，让优秀的人才发挥价值，让企业的利润倍增。3.4把固定工资调整为绩效考核和提成？如果用固定工资，生意好时老板很开心，但是员工不开心！生意不好时，员工觉得很舒服，但是老板会很焦虑，好的企业老板和员工的思维和想法应该是一样的，生意好时大家都很开心，生意不好时大家都会一起想办法，这样的企业才会有未来，才会得到越来越多的顾客消费。3.4.1管理层用KSF薪酬绩效模式1、找出每一个管理者的薪酬绩效指标（这是由公司根据战略需求来设计的）；2、每一个指标找出利益分配点；3、超过利益分配点即奖励，低于即少发，做到奖罚分明；3.4.2普通员工用提成制（或提成+KSF）1、提成反推法方法很多企业现在给员工是固定工资，那么如何才能给员工从固定工资改为“固定工资+提成”呢？如服务员工资为3000元，改为提成制具体操作如下：1）确认营业提成单位，如桌数2）从原来工资拿出20-50%工资出来，如原工资3000元，30%即900元；3）找出指标个人历史月平均营业额数据：如300桌；4）反推提成单价：900元÷