AI药物研发行业趋势预测及人员培训策略研究报告

盛世华研·2008-2010年钢行业调研报告AI药物研发企业人员培训及培养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 42.1发展历程与发展现状 42.1.1发展历程 42.1.2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 72.2.3在研产品 82.2.4市场主体 112.2.5存在的问题 122.2.6发展趋势 122.32023年AI激发创新潜能生物医药业迎来“智药”新机遇 132.3.1“智药”成为药企新宠 132.3.2多家大型药企尝鲜“AI+” 142.3.3仍有发展痛点待解决 152.3.4药企加速布局AI制药 152.3.5主要行业观察和趋势 17（1）基于AI的生物学建模和靶点发现 17（2）利用AI破解结构生物学 18（3）使用AI开发小分子药物 19（3）超越小分子的人工智能驱动药物设计 192.4AI辅助药物研发的新兴趋势 212.4.1人工智能和机器人化实验室 212.4.2利用AI解决临床试验瓶颈 222.4.3CRO领域的人工智能 232.52023年人工智能打破医药研发“双十定律” 242.5.1加速建立“AI药研朋友圈” 242.5.2AI打破“双十定律” 252.5.3将药物在人体内精准递送 262.6大型药企在AI药物研发进展趋势 272.6.1大型药企整合AI进入药物开发流程 282.6.2与信息技术公司合作建立内部AI专业技术 282.6.3通过并购AI驱动生物技术公司快速获得AI技术 282.6.4与AI驱动生物技术公司合作以识别靶点、共同开发药物 302.6.5AI驱动生物科技公司发展趋势 302.6.6AI技术在临床上的转化 31三、AI药物研发企业人员培训策略及培养方法技巧 313.1让员工爱上培训 313.1.1认清行业的痛点 313.1.2那我们具体该怎么做呢？ 323.1.3培训员工的内容有哪些？ 333.2⼈才培养⽅法技巧 343.2.1定机制 343.2.2会选择 343.2.3输营养 353.3员工培训策略 363.3.1分析培训需求——方案设计的前提 363.3.2明确培训目标，分层设置总目标和具体目标 373.3.3遵循培训原则 373.3.4明确培训方案的适用对象 373.3.5设定合理的培训时间 373.3.6选定适宜的培训职责部门 383.3.7设计培训资料 383.3.8选取适宜的培训方式 383.3.9准备好相关的培训支持资源 383.3.10评估培训效果 383.4员工培训方案 393.4.1指导思想 393.4.2总体目标 393.4.3原则方法 403.4.4实施重点 413.4.5培训积分 433.4.6日常评估 453.4.7主要措施 453.5新员工培训方案 463.5.1目的 463.5.2对象 473.5.3培训时间 473.5.4培训方式 473.5.5培训教材 473.5.6培训内容 473.5.7培训负责 483.5.8培训考核 483.5.9效果评估 483.5.10培训工作流程 483.6医药企业员工培训策略 492.6.1明确培训目标 492.6.2制定系统的培训计划 492.6.3采用多种培训方式 492.6.4注重实践应用 502.6.5建立培训考核机制 502.6.6激励与约束相结合 50四、AI药物研发企业《人员培训及培养策略》制定手册 504.1动员与组织 504.1.1动员 514.1.2组织 514.2学习与研究 524.2.1学习方案 524.2.2研究方案 524.3制定前准备 534.3.1制定原则 534.3.2注意事项 554.3.3有效战略的关键点 554.4战略组成与制定流程 584.4.1战略结构组成 584.4.2战略制定流程 584.5具体方案制定 594.5.1具体方案制定 594.5.2配套方案制定 62五、AI药物研发企业《人员培训及培养策略》实施手册 625.1培训与实施准备 625.2试运行与正式实施 635.2.1试运行与正式实施 635.2.2实施方案 635.3构建执行与推进体系 645.4增强实施保障能力 655.5动态管理与完善 655.6战略评估、考核与审计 66六、总结：商业自是有胜算 66一、前言这些年我们见过太多的企业从红火到落幕，也接触了众多的企业老板，得出了一个结论。那就是员工素质往往会决定一家企业的生死存亡！这也正是为什么企业现在越来越注重培训的一个原因。但现在大部分的企业，并不知道如何去培训员工。那么，怎样的培训才是有效的？最重要的，我们怎样搭建出一个企业的培训体系和方法？从而使品牌达到高效扩张的效果。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药物研发企业人员培训策略及培养方法技巧3.1让员工爱上培训3.1.1认清行业的痛点大部分倒闭的企业都有一个通性，那就是他们的人员流动性都非常高。员工如果大量离职的话，是无法保证服务质量的，还会增加企业的再置成本，最可怕的是会将企业不断拉入招聘-培训-管理这样的一个死循环，增加管理人员的工作负担。并且随着我们现在消费观念的转变，顾客的要求也变得越来越高了，所以现在大部分做的比较好的企业，都是从基层的服务人员中开始培养人才了，因为他们更懂消费者，但是如果你的门店基层的人员流动性都那么大，那就算你想从中培养人才，也没地方下手呀。所以说当务之急，就是解决人员流动性这个问题，一个连员工都留不住的企业，怎么留住顾客呢？3.1.2那我们具体该怎么做呢？明确晋升空间“不怕苦，不怕穷，就怕日子没奔头。”这是当代年轻人大部分的一个写照，所以一个企业如果你想让员工的留存率高，那你就一定要给他们提供一定的发展空间，帮助他们成长。同时也可以根据他们的爱好来帮助他们进行提升，适当组织员工的进修，这绝对好过那些形式主义的“团建”。激励政策的落实现在这个年头，大家的肠胃都不是很好，所以没有人会吃你画的那些“大饼”和“鸡血”，那我们管理人员需要做的也就是能给到员工一个基础的保障和真正能让他们拿到手的东西。例如一些商业险，或者是一些绩效奖金的考核政策。例如我们可以拿出一个员工月工资的四分之一考核，也就是这个员工如果这个月的考核达标，那它的工资也就是基础的100%+绩效的25%，假设这个员工它的工资是5000，那它的绩效奖励就可以设定为1250，考核达标就可以拿到6250的工资。同时年底了也可以用一些年终奖来犒劳他们，比如说一些可以带回家的年货呀或者按工资比例发放的红包呀，这些东西加在一起的成本其实比你重新招一个员工低多了，但大部分的老板直到门店倒闭，都没有意识到这点，但这点其实是留住人才非常有效的手段之一。管理水平的提升一个企业的成功与否，跟它的管理水平是息息相关的，换句话来说，其实就是与我们管理者息息相关，你的一言一行，关系到整个员工团体的一个凝聚力，所以说我们在管理员工时，要先做到管理好自己。以上三点方向如果你已经清晰，那接下来我们就需要往里面填充一些具体可以落地执行的内容了3.1.3培训员工的内容有哪些？对于AI药物研发行业，肯定是服务至上。所以我根据我的经验，总结了一套培训五步曲，接下来，让我来一一给大家说明一下。辨主认位从顾客一进门，员工的工作就已经开始了，我们需要根据客人的寒暄谈话，来分辨主客次客，同时要注意客人谈话过程中的称呼，例如“张总、李经理、王主任、王哥、赵姐等等”然后再服务的过程中要做到可以准确叫出客人的称谓，这样不仅顾客会觉得很有面子，同时也会因为这点记住餐厅，并给他们留下一个好印象。询问在我们培训新员工的时候，一定要让他们养成走动的习惯，而不是点对点的站立。所以在服务的过程中，可以适当增加巡台的次数，但一定要把握好量，不要让客人觉得被打扰，而是被关怀。在顾客示意要结账的时候，员工要仔细的核对账单是否准确，再确认无误后，再告知客人的消费金额以及付账方式。这样不仅帮助收银人员解决了一部分工作压力，同时也会因为这样的细致服务让顾客产生再次消费的想法。公区管理意识我们的员工都会有自己负责服务的区域，所以往往公共区域的一个管理就容易被忽略，所以在员工培训时期，就一定要把这种公区管理意识建立起来，否则会很容易给顾客留下一个环境差的感觉。以上员工们理解透了，并且执行到位了，肯定比所谓的企业文化培训有意义的多。3.2⼈才培养⽅法技巧作为劳动密集型的⾏业，⼈才成为企业管理中很⼤的成本⽀出，那么⼈才应该如何培养呢?3.2.1定机制包含定岗位、定流程、定⽬标。1、定岗位。根据⾃⼰企业本⾝的现状，规划出各个岗位，并把每个岗位的岗位职责、任职资格、岗位薪酬等都明确出来。2、定流程、定⽬标。把⼀个岗位到这个岗位的选拔流程及每⼀个环节捋顺清晰，⽐如选拔周期、选拔考核项⽬等，并通过相应的⽅法让员⼯感受到整个流程的透明、公平与公正。通过定岗位、定流程使所有员⼯都知道企业的各个岗位分别是做什么的，应该承担的责任是什么，以及履⾏职责后的回报是什么，这样员⼯可以把⾃⼰的兴趣爱好、特点和各个岗位的职责、要求作对⽐，从⽽主动选择⾃⼰将来要做什么，产⽣初步的⾃我成长的欲望和动⼒，在此基础之上管理者再根据企业的岗位与员⼯本⾝的特点，帮助员⼯制定相应的⽬标，并通过过程中的管控，进⼀步的激发员⼯达成⽬标的.欲望，产⽣强烈的⽬标感，使其成长的欲望更加强烈，愿意学习和提⾼。3.2.2会选择企业培养⼈的标准应该是，⾼素质：有忠诚度，品质⾼。⾼技能：悟性，企业在筛选的时候可以采取以下两种⽅式：1、全员评价。根据企业本⾝特⾊制定《员⼯评价表》，并规定⼀些合适的项⽬，每⽉或半⽉评价⼀次，通过评价可以发现很多的问题和信息，从⽽对“⼈”的筛选和甄别提供了参考。2、《沟通记录》的使⽤。这种《沟通记录》分为两⽅⾯，⼀⽅⾯是企业准备培养的⼈所做的沟通记录，在确⽴被培养⼈的时候，可以给他们提要求，规定时间，⼀个⽉需要和⾃⼰的直接上级、间接上级、同事等必须沟通多少次，形成书⾯的记录，通过沟通记录可以明确的看出来他的思维、⼼态及沟通技能的现状。另⼀⽅⾯是我们⾃⼰针对被培养⼈的专项沟通，内容包括对当事⼈的沟通、对当事⼈同事的沟通、对当事⼈上级(或下级)的沟通等，通过这样的沟通可以看出被培养⼈素质、业务技能、思维⽅式、在团队中的被认可度等的信息为培养提供依据。3.2.3输营养通过定机制为员⼯的成长提供了平台，端正了员⼯的态度，接下来就要帮助员⼯提升⼯作能⼒。很多企业和管理者经常说培养下属，但是我们清醒的问⼀下⾃⼰：我们培养他什么，教给他什么，有没有养分可供给?鉴于此企业就需要有⾃⼰的管理模式及管理⽅法，⽐如⼋⼤管理技能：发现问题、计划、培训、授权、检查、激励、沟通、评审改进，凡是想做管理的员⼯必须经过对《⼋⼤管理技能》的学习，并且通过现实的检验达到相应的标准，然⽽企业⽋缺的就是类似“⼋⼤管理技能”的管理模式去教给员⼯，要培养⼈才企业就要“有料”可送，企业⾼管可以在参加完培训后带领管理者进⾏总结，结合本企业的现状提炼⾃⼰的管理模式和⼯具，凡是晋升的管理者必须更深⼊学习本企业的管理模式，即便是外聘的管理者也要学习本企业的管理，这样保证体系的⼀致性，才能减少内耗。具体在输送营养、培养能⼒的⽅式上有以下两种操作⽅式：1、外派受训。在培训前需要给其提要求，培训回来后，分享⾃⼰的⼼得，并总结提炼，之后运⽤，再进⾏评审从⽽判定其能⼒是否得到了提升。2、内部培训，最好的培训⽅式是案例分析。案例：员⼯⼩于在贵宾⼀号房间服务，客⼈离开⽐较早，20∶00就⾛了，于是就在房间吃泡⾯，恰好被主管巡台时发现，于是主管对⼩于说：“你不知道上班时间不允许吃东西吗?罚⼆⼗元”。⼩于答：“我饿了，昨晚我包房客⼈⾛的晚，没有⼈替换我去吃饭，我不服，我去找经理说。”但是⼩于说完并没有离开，于是主管找到经理向其求助，经理说：“这点事你都解决不了吗?把问题抛给我，你说我向着谁?”针对如上案例，思考下⾯的问题：Q:这个案例中都谁有错，错在哪⾥?Q:这个案例反应了管理中的什么问题?Q:假如你就是案例中的主管(经理)你该怎么做?Q:管理技能分别⽋缺在哪⾥?Q:以不同的⾓⾊对⼈怎么处理，对这个“事”怎么处理?通过对类似这样⼯作中的经典案例，让被培养⼈去分析，解决，之后进⾏点评，这样的学习⽅法是⾮常有效的。3、适当的授权。就是通过授权给被培养对象⼀定的权利，让其负责某专项业务，并给与相应的关注，按照授权管理图进⾏管理，是其能⼒提升的⼀种培养⽅式。专项业务可以是：部门的卫⽣、部门员⼯的仪表、例会超越组织、专项培训、专项活动组织等。3.3员工培训策略员工是企业最重要、最核心的资源要素，企业的所有价值都需要透过员工来创造。企业之所以能够长久生存发展就是因为不断地有新员工作为宝贵的新鲜血液注入到企业中，因此，企业就应重视对新员工的培养，帮忙他们成长，使他们尽快适应新的工作环境。新员工培训是专门为新员工设计并实施的培训形式，在塑造企业的合格员工、传承企业文化、建设高绩效团队、赢得企业的持续竞争优势等方面发挥重要的作用。我们根据多年的咨询服务实践，认为新员工培训方案务必“以人为本”，根据企业自身实际和新员工需求特征制定科学完善的新员工培训计划。透过总结归纳，认为企业在对新员工培训计划进行设计时，就应从以下方面入手。3.3.1分析培训需求——方案设计的前提培训专家就应采用各种方法和技术，分析培训的必要性，以及培训的目标和资料。需求分析是确定新员工培训计划的前提，也是培训评估的基础。培训需求可从三方面进行：1，组织分析。根据企业的远景和使命，确定对员工的要求，以保证培训方案的设计理念贴合企业的总体目标和战略要求。2，工作分析。新员工到达理想的工作绩效所务必掌握的知识、技能和潜力，如果已经有成熟的岗位说明书，能够直接参照书中对员工的要求。3，差距分析。指将员工现有的水平与未来工作岗位对其技能、态度的要求进行比照，研究两者之间存在的差距，确定需要哪方面的培训来提高员工的岗位胜任潜力。3.3.2明确培训目标，分层设置总目标和具体目标培训总目标是整个新员工培训计划的设计依据，具有宏观、不可操作性的特点。典型的表述如透过新员工入职培训帮忙新进员工了解和熟悉公司的一般状况，从而适应企业的各种环境，胜任新工作，使新员工在入职前对公司有一个全方位的了解，认识并认同企业的事业及企业文化，坚定自己的职业选取，理解并理解企业的共同语言和行为规范。培训的具体目标是对总目标的分解和细化，具备可操作性。它一般包括了解企业的文化和经营理念、熟悉企业的各种通用的政策、规章制度;了解企业的业务状况和产品基础知识、明白岗位的基本要求;能熟练应用各种基本的工作技能等。3.3.3遵循培训原则培训原则是对该方案在设计理念上的界定，常见的如以岗位时间锻炼为主，脱岗培训为辅，在实践中快速成长;针对不同类别的新员工制定不同的员工培训计划;培养过程严格管理，严格考核。3.3.4明确培训方案的适用对象如本员工培训计划适用于某公司或某部门的新员工培养。3.3.5设定合理的培训时间一般公司的职前培训在7—30天不等，少数大型公司的部分职位如销售则要2—3个月;到岗后的培训周期较长，会持续6个月—1年左右。3.3.6选定适宜的培训职责部门职前培训由企业总部统一安排，职责部门为人力资源部或专门的培训中心;在岗锻炼期间，由员工所在业务部门负责;若跨部门锻炼，则有多个业务部门共同负责。3.3.7设计培训资料一般来说，新员工培训计划应包括知识、技能和其他素质方面的培训，他们需要与需求分析的结果相贴合，并与工作的要求相关。知识方面应包括企业的地理位置和工作环境、企业文化和企业经营理念、战略和企业的发展前景、企业的标志及由来、企业的发展历史阶段、产品和服务等，专业性较强的岗位还需要增加对应的专业知识，如某公司的技术新员工需要在短时间内学习完10本专业相关图书并透过考试。技能方面应包括有效沟通、团队合作、时间管理、会议管理等通用技能。其他素质方面，主要指的是在价值观层面能认同企业的文化。此外，不同的培训层次有不同的资料重点，如企业层次的培训倾向于文化、政策等宏观层面，部门层次的培训倾向于部门结构职能、工作职责、关键绩效指标等。3.3.8选取适宜的培训方式培训方式通常包括如讲授法、演示法、案例法、讨论法、视听法、主角扮演法等，他们各具特色，在新员工入职培训中，要依据需要和可能，合理地选取采用。根据成人学习的规律，新员工入职培训就应尽量多采用学员参与度高的方式以提升培训效果。3.3.9准备好相关的培训支持资源培训资料及培训方法决定如何选取培训支持资源。一般应包括教室、会议室、工场、教材、笔记本、笔、模型、投影仪、电视、录像等，这些安排能让员工从不同的角度体会到企业的关怀，所以在设计时需要尽量思考员工的感受。3.3.10评估培训效果企业在实施新员工培训计划后，应采用必须的形式，把培训的效果用定性或定量的方式表示出来。我们推荐企业使用在国内外应用最广的培训效果四级评价模型，这个模型将培训的效果分为四个层次：1，反应层，在培训结束时，透过满意度调查了解员工培训后总体的反应和