近年來，隨著人工智能技術的發展，及醫療產業和人工智能技術結合的不斷深入，醫療已成為人工智能技術最重要的和最快速的落地應用場景之一，AI在影像輔診、藥物研發以及健康管理等各大方向的應用已成為未來明確的發展方向。

而新藥研發作為醫藥領域最重要的板塊，近年來確因風險高、成本高、研發周期過長等問題，呈現出發展速度漸緩的趨勢，但人工智能技術的應用，使得新藥研發中原本需要大量人力進行的重復性工作有了被機器替代的可能性，從而縮短了研發時間，降低了研發成本。

匯眾研究院對近年來全球人工智能新藥研發企業進行匯總梳理，結合近年來相關的統計數據，對行業整體情況進行綜合分析，以期幫助資本方發現好的投資機會，共同推動醫療產業的健康發展。

本報告包括以下內容

一、 行業背景和市場數據

二、 產業圖譜

三、 國內相關企業分析

四、 海外相關企業分析

五、 專利分析

六、 資本趨勢分析

七、 投資風險

一、 行業背景和市場數據

2017年7月，國務院發布《新一代人工智能發展規劃》，特別提出基于人工智能開展大規模基因組識別、蛋白組學、代謝組學等研究和新藥研發，推進醫藥監管智能化。這一政策的出臺，使得人工智能在新藥研發領域的應用得到了更多人的關注，也給行業的發展帶來了新的驅動力。

來源：德勤

據德勤發布的相關報告，2017年新藥研發的投資回報率僅為3.2%，回報率自2010年起呈現出明顯的下降趨勢，而上市一款新藥的成本卻在逐年上升，截至2017年，上市新藥的成本已高達19.9億美元。

來源：tdi.ox.ac.uk

新藥研發的流程復雜，研發周期較長，從最初的前期調研和基礎研究，到藥靶研究、生化研究、前臨床開發、臨床試驗（Ⅰ期、Ⅱ期、Ⅲ期）、藥物制劑階段以及上市后監測（Ⅳ期），平均一個藥物的開發周期超過6年，而最終的成功率不足10%，但人工智能技術可以對化合物結構、基礎生理機制和基因等數據進行快速分析，處理海量醫學數據，從而大大提高研發效率，縮短研發進程，為整個醫藥行業節省數十億美元的研發成本。

來源：因鉭數據、網絡公開數據

而從人工智能市場來看，中國近幾年發展速度很快，從2016年僅不足100億元，到2018年已上漲至約200億元，復合年平均增長率超過40%，預測到2020年，中國人工智能總市場規模將超過400億元。目前國內人工智能技術在醫療領域的應用普遍集中在影像輔診板塊，對新藥研發市場來說，仍有非常大的發展空間。

但從技術發展的較多來說，目前新藥發現還處于技術萌芽推動期，技術相對不成熟，未來該技術的成熟周期可能也會相對較長。國外市場已有一些相對成熟的企業和應用，而國內整體起步相對較晚，未來還有很長的路要走。

二、 產業圖譜

匯眾研究院根據人工智能新藥研發領域的特征，將其結構為產業鏈和業務版圖，如下圖所示：

1、產業鏈

來源：因鉭數據

AI+新藥研發所針對的方向相對較窄，產業鏈所包含的企業類型不多。上游主要包括科研輔助平臺、自動化實驗室以及大數據和人工智能工具化平臺，中游是最主流的藥物開發輔助平臺，下游主要是藥物研發機構，部分企業在研發藥物的同時，也自主開發藥物開發輔助平臺。產業鏈流動關系體現為從底層支持技術或工具流向研發輔助工具再流向研發。

2、業務版圖

2.1 根據研究階段劃分

從研究階段來看，人工智能技術已逐步滲透到新藥研發領域的各個階段，從基礎研究到藥靶、生化活性、前臨床和臨床以及藥物聯用等領域均有豐富的應用，其中以發現新靶點、藥物篩選和優化，以及藥物重定向最具代表性，同時也是各國新藥研發領域人工智能技術使用的重點所在。

2.2 新藥研發中AI技術的其他應用

來源：因鉭數據

除在新藥研發各階段的應用外，還有一些其他與藥物研發相關的應用場景，例如自動細胞計數、中藥材鑒別、個性化用藥、論文閱讀與信息提取，另有與自動化生產相關的如細胞治療自動化生產和自動化細胞培養等，各應用場景均對新藥研發有一定的支持作用。

2.3 主要針對的疾病方向及相關技術

AI在新藥研發中主要應用于一些較為嚴重的和難以攻克的疾病，如腫瘤、神經退行性疾病、阿爾茨海默病、自身免疫病等，在其他高發但研發周期較長、成本較高的相關疾病（如心血管、代謝疾病特別是糖尿病）、細菌感染等相關治療藥物的研發中也有較多應用。

從技術角度來看，除圖像識別、自然語言處理和機器學習三大人工智能核心技術以外，基因組學數據和云計算在AI+新藥研發領域也較為重要。

三、國內相關企業分析

匯眾研究院根據相關數據對國內相關領域企業進行綜合整理，

從目前國內的企業情況來看，僅有14家企業在人工智能新藥研發領域有所布局，且全部集中在江浙滬、北京和廣東。

整體來看，國內企業進入較少最可能的原因在于此板塊國內發展相對較晚，且技術上進入壁壘較高，且在國內的這些企業中，部分企業（如太美醫療、醫數據、嘉興麥瑞醫療等）早期業務主要在于醫療信息化系統業務，逐步拓展業務范圍至人工智能方向，此板塊并非企業的最主要和核心的業務。

2、產業鏈和業務梳理

匯眾研究院根據對該領域產業鏈、業務版圖的綜合整理分析，對國內企業涉及的業務板塊統計如下：

來源：因鉭數據

除百奧知為科研輔助平臺外，其他13公司均提供藥物開發輔助業務，其中醫智囊同時提供藥物開發輔助和科研輔助平臺服務。

來源：因鉭數據

根據對企業涉及業務板塊的分析，目前在創新靶點鑒定和化合物篩選方面，國內企業布局相對集中，在14家企業中有至少4家企業有所布局，論文閱讀與信息提取、選定先導化合物、藥物分子涉及、藥物警戒、藥物合成路線設計等業務在14家企業中均有至少2家有所布局，而其他各類業務均布局相對較少。

四、海外相關企業分析

匯眾研究院根據相關數據對全球其他國家AI+新藥研發相關企業進行整理，根據不完全統計，目前總計149家（含部分已被并購企業，不包含巨頭藥廠自主研發的相關新藥研發平臺，詳細列表參見附件1）。

1、全球企業數量分布情況統計

來源：因鉭數據

從目前的數據來看，美國在AI+新藥研發方面布局最深，企業數量多達86家，占比超過50%，其次為英國和加拿大，分別有27家和11家企業。法國、德國、日本、加拿大等地也有分布。

2、企業成立時間統計

來源：因鉭數據

從企業成立時間上來看，除部分2000年以前的老牌企業將AI+新藥研發作為轉型方向或業務拓展方向以外，2000年以后注冊成立的企業占絕大多數，尤其是2011年以后，每年注冊的企業數量均超過10家（2018年統計數據尚不完整，謹供參考），且2008-2016年間，每年成立的企業數量呈現明顯的逐漸上升趨勢，2017年開始有所下降。

從海外公司對于AI+新藥研發方向的布局情況來看，與國內企業有較為明顯的不同，海外企業更多集中在臨床試驗患者群體篩選、個性化用藥、藥物重定向、論文閱讀與信息提取，尤其是對臨床試驗患者亞型和群體的分層技術重視程度很高。

五、專利分析

匯眾研究院對AI新藥研發領域內包含國內國外的總計163家公司所有的專利申請情況進行統計，對相關領域的專利情況匯總如下：

根據AI新藥研發領域內包含國內國外的總計163家公司所有的專利申請統計數據，自2011年以來，該領域內專利在數量上具有明顯的提升，在2016年到達頂峰，2017年略有下降。

由此可知，近年來對于該領域的研發熱情整體上維持上升趨勢，于2016年的研發熱情和技術競爭激烈程度到達頂峰，2017年競爭程度略有放緩（由于專利數據的特殊性，2018年的統計數據尚不完善，該部分內容僅供參考）。

根據對AI新藥研發領域公司專利申請增長率進行統計，AI新藥研發領域整體維持了較高的增長率，在2013年后增長率有所放緩。

造成這一現象的原因主要是行業本身專利基數的逐漸增大，同時對新的進入者來說，進入難度正在逐漸提升。

根據領域內專利涉及的板塊分布情況，有機成分醫藥配方類專利占據最為主要的部分，由此可知，AI新藥研發的主要服務對象是化學藥。

占比排名第二的領域為特殊用途的數據計算或處理方法類專利，此板塊為AI制藥結合技術領域中競爭最為激烈的技術領域，以及企業實現自己競爭優勢最為重要的領域。

其他有一定代表性的領域包括酶或微生物的鑒定方法、非常見有效成分的醫藥配置品（如以各種生物因子為有效成分的配置品）、用于生物模型的計算機系統、非常規材料的自動分析技術以及物理圖像及文字識別技術類專利等。

對AI新藥研發領域公司的專利申請數量進行排名后可知：在該領域內，專利申請數量最多的公司是Pharnext（法國生物制藥公司，主要治療領域為神經系統疾病）。該公司的專利申請數量比排名第二的企業多一倍，該公司相較領域內的其他公司具有很強的技術競爭優勢。

排名第二和第三的分別為美國的生物技術公司Berkeley Lights和英國的臨床前外包公司Charles River，專利申請數量分別為212件和181件。其他的專利申請數量超過100件的公司分別為美國的微生物基因測序公司uBiome和英國的創新藥研發公司e-Therapeutics。

對專利申請數量排名在Top3的公司進行統計后可知，近五年來，Berkeley Lights公司的專利申請數量增長明顯，預計未來具有較為強勁的技術爆發潛力。而Pharnext和Charles River今年專利申請數量下降趨勢較為明顯，兩家公司近年來的創新活力不足。

六、資本趨勢分析

匯眾研究院對AI新藥研發領域內包含國內國外的總計163家公司的融資歷史進行統計分析，相關情況匯總如下：

來源：因鉭數據、Crunchbase、CBinsight

截至2019年3月，國內外共有140多家AI+新藥研發公司獲得融資，累計交易次數為342起，獲得融資總額為483億美元。其中，國外企業累計融資金額為455億美元，國內企業僅有1家未發生過融資，累計金額共計27.92億美元。領域內超過90%的企業有過融資歷史，資本熱度極高。

從每年獲投的事件分布上來看，從2001年起到2018年，交易次數和融資額逐年增多，其中2017年與2018年交易次數持平，但2018年融資額最高，達18億美元，獲投企業數量占比超40%。

從投資輪次來看，獲投項目多處于種子輪，交易次數占比超70%，融資額占比近30%，大額融資主要集中在B輪、C輪和D輪。此外，各國對于此領域發展的重視程度較高，通過政府補貼的方式獲得投資的次數高達32次，融資額超6億美元。

從公開歷史數據來看，參與AI+新藥研發的投資機構共計445家，其中交易5起以上的有11家，AME Cloud Ventures， Khosla Ventures 和Goole Ventures交易次數最多。值得一提的是，Bill Gates個人參投的交易事件有5起，且全部投給Nimbus Therapeutics一家企業。

七、 投資風險

1、AI+新藥研發人才匱乏

根據相關調查，330位藥物研發科學家中，41%的人并不了解AI技術，也就無法利用AI來進行新藥的篩選。AI人才匱乏和研發人員對于AI技術的不了解，可能會導致學科之間的融合度不能在短短幾年時間內達到較好的程度，未來跨學科人才的培養不足可能會對領域的發展產生制約作用。

2、復雜的生物學使得藥物研發的難度比預期大

由于生物學本身極其復雜的特性，理論和模型上能起效的新分子，在人體中可能會出現各種不可預料的結果，可能與其他分子發生復雜的反應，同時個體差異性也進一步增加了藥物研發的復雜程度，這也給AI技術的應用增加了很大難度。

3、優質數據不足

市場上被批準使用的新藥數量有限，這些數據量遠遠不夠。新藥研發規則不明確，數據不明晰而且充滿了高度不確定性，這給以數據集為基礎研究的人工智能帶來巨大的障礙。而在專利保護層面藥物專利，尤其是最核心的化合物專利，制藥公司通常不會公開太多數據，更不可能分享他們目前正在開發的最熱門靶點數據，這讓能利用的數據量較理論上更少，進而進一步限制了優質數據的可得性。

?