近年來，隨著人工智能技術(shù)的發(fā)展，及醫(yī)療產(chǎn)業(yè)和人工智能技術(shù)結(jié)合的不斷深入，醫(yī)療已成為人工智能技術(shù)最重要的和最快速的落地應(yīng)用場景之一，AI在影像輔診、藥物研發(fā)以及健康管理等各大方向的應(yīng)用已成為未來明確的發(fā)展方向。

而新藥研發(fā)作為醫(yī)藥領(lǐng)域最重要的板塊，近年來確因風險高、成本高、研發(fā)周期過長等問題，呈現(xiàn)出發(fā)展速度漸緩的趨勢，但人工智能技術(shù)的應(yīng)用，使得新藥研發(fā)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(fā)時間，降低了研發(fā)成本。

匯眾研究院對近年來全球人工智能新藥研發(fā)企業(yè)進行匯總梳理，結(jié)合近年來相關(guān)的統(tǒng)計數(shù)據(jù)，對行業(yè)整體情況進行綜合分析，以期幫助資本方發(fā)現(xiàn)好的投資機會，共同推動醫(yī)療產(chǎn)業(yè)的健康發(fā)展。

本報告包括以下內(nèi)容

一、 行業(yè)背景和市場數(shù)據(jù)

二、 產(chǎn)業(yè)圖譜

三、 國內(nèi)相關(guān)企業(yè)分析

四、 海外相關(guān)企業(yè)分析

五、 專利分析

六、 資本趨勢分析

七、 投資風險

一、 行業(yè)背景和市場數(shù)據(jù)

2017年7月，國務(wù)院發(fā)布《新一代人工智能發(fā)展規(guī)劃》，特別提出基于人工智能開展大規(guī)模基因組識別、蛋白組學、代謝組學等研究和新藥研發(fā)，推進醫(yī)藥監(jiān)管智能化。這一政策的出臺，使得人工智能在新藥研發(fā)領(lǐng)域的應(yīng)用得到了更多人的關(guān)注，也給行業(yè)的發(fā)展帶來了新的驅(qū)動力。

來源：德勤

據(jù)德勤發(fā)布的相關(guān)報告，2017年新藥研發(fā)的投資回報率僅為3.2%，回報率自2010年起呈現(xiàn)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(fā)的流程復雜，研發(fā)周期較長，從最初的前期調(diào)研和基礎(chǔ)研究，到藥靶研究、生化研究、前臨床開發(fā)、臨床試驗（Ⅰ期、Ⅱ期、Ⅲ期）、藥物制劑階段以及上市后監(jiān)測（Ⅳ期），平均一個藥物的開發(fā)周期超過6年，而最終的成功率不足10%，但人工智能技術(shù)可以對化合物結(jié)構(gòu)、基礎(chǔ)生理機制和基因等數(shù)據(jù)進行快速分析，處理海量醫(yī)學數(shù)據(jù)，從而大大提高研發(fā)效率，縮短研發(fā)進程，為整個醫(yī)藥行業(yè)節(jié)省數(shù)十億美元的研發(fā)成本。

來源：因鉭數(shù)據(jù)、網(wǎng)絡(luò)公開數(shù)據(jù)

而從人工智能市場來看，中國近幾年發(fā)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(guī)模將超過400億元。目前國內(nèi)人工智能技術(shù)在醫(yī)療領(lǐng)域的應(yīng)用普遍集中在影像輔診板塊，對新藥研發(fā)市場來說，仍有非常大的發(fā)展空間。

但從技術(shù)發(fā)展的較多來說，目前新藥發(fā)現(xiàn)還處于技術(shù)萌芽推動期，技術(shù)相對不成熟，未來該技術(shù)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(yè)和應(yīng)用，而國內(nèi)整體起步相對較晚，未來還有很長的路要走。

二、 產(chǎn)業(yè)圖譜

匯眾研究院根據(jù)人工智能新藥研發(fā)領(lǐng)域的特征，將其結(jié)構(gòu)為產(chǎn)業(yè)鏈和業(yè)務(wù)版圖，如下圖所示：

1、產(chǎn)業(yè)鏈

來源：因鉭數(shù)據(jù)

AI+新藥研發(fā)所針對的方向相對較窄，產(chǎn)業(yè)鏈所包含的企業(yè)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(shù)據(jù)和人工智能工具化平臺，中游是最主流的藥物開發(fā)輔助平臺，下游主要是藥物研發(fā)機構(gòu)，部分企業(yè)在研發(fā)藥物的同時，也自主開發(fā)藥物開發(fā)輔助平臺。產(chǎn)業(yè)鏈流動關(guān)系體現(xiàn)為從底層支持技術(shù)或工具流向研發(fā)輔助工具再流向研發(fā)。

2、業(yè)務(wù)版圖

2.1 根據(jù)研究階段劃分

從研究階段來看，人工智能技術(shù)已逐步滲透到新藥研發(fā)領(lǐng)域的各個階段，從基礎(chǔ)研究到藥靶、生化活性、前臨床和臨床以及藥物聯(lián)用等領(lǐng)域均有豐富的應(yīng)用，其中以發(fā)現(xiàn)新靶點、藥物篩選和優(yōu)化，以及藥物重定向最具代表性，同時也是各國新藥研發(fā)領(lǐng)域人工智能技術(shù)使用的重點所在。

2.2 新藥研發(fā)中AI技術(shù)的其他應(yīng)用

來源：因鉭數(shù)據(jù)

除在新藥研發(fā)各階段的應(yīng)用外，還有一些其他與藥物研發(fā)相關(guān)的應(yīng)用場景，例如自動細胞計數(shù)、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(chǎn)相關(guān)的如細胞治療自動化生產(chǎn)和自動化細胞培養(yǎng)等，各應(yīng)用場景均對新藥研發(fā)有一定的支持作用。

2.3 主要針對的疾病方向及相關(guān)技術(shù)

AI在新藥研發(fā)中主要應(yīng)用于一些較為嚴重的和難以攻克的疾病，如腫瘤、神經(jīng)退行性疾病、阿爾茨海默病、自身免疫病等，在其他高發(fā)但研發(fā)周期較長、成本較高的相關(guān)疾?。ㄈ缧难堋⒋x疾病特別是糖尿?。?、細菌感染等相關(guān)治療藥物的研發(fā)中也有較多應(yīng)用。

從技術(shù)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(shù)以外，基因組學數(shù)據(jù)和云計算在AI+新藥研發(fā)領(lǐng)域也較為重要。

三、國內(nèi)相關(guān)企業(yè)分析

匯眾研究院根據(jù)相關(guān)數(shù)據(jù)對國內(nèi)相關(guān)領(lǐng)域企業(yè)進行綜合整理，

從目前國內(nèi)的企業(yè)情況來看，僅有14家企業(yè)在人工智能新藥研發(fā)領(lǐng)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(nèi)企業(yè)進入較少最可能的原因在于此板塊國內(nèi)發(fā)展相對較晚，且技術(shù)上進入壁壘較高，且在國內(nèi)的這些企業(yè)中，部分企業(yè)（如太美醫(yī)療、醫(yī)數(shù)據(jù)、嘉興麥瑞醫(yī)療等）早期業(yè)務(wù)主要在于醫(yī)療信息化系統(tǒng)業(yè)務(wù)，逐步拓展業(yè)務(wù)范圍至人工智能方向，此板塊并非企業(yè)的最主要和核心的業(yè)務(wù)。

2、產(chǎn)業(yè)鏈和業(yè)務(wù)梳理

匯眾研究院根據(jù)對該領(lǐng)域產(chǎn)業(yè)鏈、業(yè)務(wù)版圖的綜合整理分析，對國內(nèi)企業(yè)涉及的業(yè)務(wù)板塊統(tǒng)計如下：

來源：因鉭數(shù)據(jù)

除百奧知為科研輔助平臺外，其他13公司均提供藥物開發(fā)輔助業(yè)務(wù)，其中醫(yī)智囊同時提供藥物開發(fā)輔助和科研輔助平臺服務(wù)。

來源：因鉭數(shù)據(jù)

根據(jù)對企業(yè)涉及業(yè)務(wù)板塊的分析，目前在創(chuàng)新靶點鑒定和化合物篩選方面，國內(nèi)企業(yè)布局相對集中，在14家企業(yè)中有至少4家企業(yè)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(shè)計等業(yè)務(wù)在14家企業(yè)中均有至少2家有所布局，而其他各類業(yè)務(wù)均布局相對較少。

四、海外相關(guān)企業(yè)分析

匯眾研究院根據(jù)相關(guān)數(shù)據(jù)對全球其他國家AI+新藥研發(fā)相關(guān)企業(yè)進行整理，根據(jù)不完全統(tǒng)計，目前總計149家（含部分已被并購企業(yè)，不包含巨頭藥廠自主研發(fā)的相關(guān)新藥研發(fā)平臺，詳細列表參見附件1）。

1、全球企業(yè)數(shù)量分布情況統(tǒng)計

來源：因鉭數(shù)據(jù)

從目前的數(shù)據(jù)來看，美國在AI+新藥研發(fā)方面布局最深，企業(yè)數(shù)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(yè)。法國、德國、日本、加拿大等地也有分布。

2、企業(yè)成立時間統(tǒng)計

來源：因鉭數(shù)據(jù)

從企業(yè)成立時間上來看，除部分2000年以前的老牌企業(yè)將AI+新藥研發(fā)作為轉(zhuǎn)型方向或業(yè)務(wù)拓展方向以外，2000年以后注冊成立的企業(yè)占絕大多數(shù)，尤其是2011年以后，每年注冊的企業(yè)數(shù)量均超過10家（2018年統(tǒng)計數(shù)據(jù)尚不完整，謹供參考），且2008-2016年間，每年成立的企業(yè)數(shù)量呈現(xiàn)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(fā)方向的布局情況來看，與國內(nèi)企業(yè)有較為明顯的不同，海外企業(yè)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(shù)重視程度很高。

五、專利分析

匯眾研究院對AI新藥研發(fā)領(lǐng)域內(nèi)包含國內(nèi)國外的總計163家公司所有的專利申請情況進行統(tǒng)計，對相關(guān)領(lǐng)域的專利情況匯總?cè)缦拢?/p>

根據(jù)AI新藥研發(fā)領(lǐng)域內(nèi)包含國內(nèi)國外的總計163家公司所有的專利申請統(tǒng)計數(shù)據(jù)，自2011年以來，該領(lǐng)域內(nèi)專利在數(shù)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(lǐng)域的研發(fā)熱情整體上維持上升趨勢，于2016年的研發(fā)熱情和技術(shù)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(shù)據(jù)的特殊性，2018年的統(tǒng)計數(shù)據(jù)尚不完善，該部分內(nèi)容僅供參考）。

根據(jù)對AI新藥研發(fā)領(lǐng)域公司專利申請增長率進行統(tǒng)計，AI新藥研發(fā)領(lǐng)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(xiàn)象的原因主要是行業(yè)本身專利基數(shù)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(jù)領(lǐng)域內(nèi)專利涉及的板塊分布情況，有機成分醫(yī)藥配方類專利占據(jù)最為主要的部分，由此可知，AI新藥研發(fā)的主要服務(wù)對象是化學藥。

占比排名第二的領(lǐng)域為特殊用途的數(shù)據(jù)計算或處理方法類專利，此板塊為AI制藥結(jié)合技術(shù)領(lǐng)域中競爭最為激烈的技術(shù)領(lǐng)域，以及企業(yè)實現(xiàn)自己競爭優(yōu)勢最為重要的領(lǐng)域。

其他有一定代表性的領(lǐng)域包括酶或微生物的鑒定方法、非常見有效成分的醫(yī)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(tǒng)、非常規(guī)材料的自動分析技術(shù)以及物理圖像及文字識別技術(shù)類專利等。

對AI新藥研發(fā)領(lǐng)域公司的專利申請數(shù)量進行排名后可知：在該領(lǐng)域內(nèi)，專利申請數(shù)量最多的公司是Pharnext（法國生物制藥公司，主要治療領(lǐng)域為神經(jīng)系統(tǒng)疾?。Ｔ摴镜膶＠暾垟?shù)量比排名第二的企業(yè)多一倍，該公司相較領(lǐng)域內(nèi)的其他公司具有很強的技術(shù)競爭優(yōu)勢。

排名第二和第三的分別為美國的生物技術(shù)公司Berkeley Lights和英國的臨床前外包公司Charles River，專利申請數(shù)量分別為212件和181件。其他的專利申請數(shù)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(chuàng)新藥研發(fā)公司e-Therapeutics。

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

六、資本趨勢分析

匯眾研究院對AI新藥研發(fā)領(lǐng)域內(nèi)包含國內(nèi)國外的總計163家公司的融資歷史進行統(tǒng)計分析，相關(guān)情況匯總?cè)缦拢?/p>

來源：因鉭數(shù)據(jù)、Crunchbase、CBinsight

截至2019年3月，國內(nèi)外共有140多家AI+新藥研發(fā)公司獲得融資，累計交易次數(shù)為342起，獲得融資總額為483億美元。其中，國外企業(yè)累計融資金額為455億美元，國內(nèi)企業(yè)僅有1家未發(fā)生過融資，累計金額共計27.92億美元。領(lǐng)域內(nèi)超過90%的企業(yè)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(shù)和融資額逐年增多，其中2017年與2018年交易次數(shù)持平，但2018年融資額最高，達18億美元，獲投企業(yè)數(shù)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(shù)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(lǐng)域發(fā)展的重視程度較高，通過政府補貼的方式獲得投資的次數(shù)高達32次，融資額超6億美元。

從公開歷史數(shù)據(jù)來看，參與AI+新藥研發(fā)的投資機構(gòu)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(shù)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(yè)。

七、 投資風險

1、AI+新藥研發(fā)人才匱乏

根據(jù)相關(guān)調(diào)查，330位藥物研發(fā)科學家中，41%的人并不了解AI技術(shù)，也就無法利用AI來進行新藥的篩選。AI人才匱乏和研發(fā)人員對于AI技術(shù)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(nèi)達到較好的程度，未來跨學科人才的培養(yǎng)不足可能會對領(lǐng)域的發(fā)展產(chǎn)生制約作用。

2、復雜的生物學使得藥物研發(fā)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(xiàn)各種不可預料的結(jié)果，可能與其他分子發(fā)生復雜的反應(yīng)，同時個體差異性也進一步增加了藥物研發(fā)的復雜程度，這也給AI技術(shù)的應(yīng)用增加了很大難度。

3、優(yōu)質(zhì)數(shù)據(jù)不足

市場上被批準使用的新藥數(shù)量有限，這些數(shù)據(jù)量遠遠不夠。新藥研發(fā)規(guī)則不明確，數(shù)據(jù)不明晰而且充滿了高度不確定性，這給以數(shù)據(jù)集為基礎(chǔ)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(shù)據(jù)，更不可能分享他們目前正在開發(fā)的最熱門靶點數(shù)據(jù)，這讓能利用的數(shù)據(jù)量較理論上更少，進而進一步限制了優(yōu)質(zhì)數(shù)據(jù)的可得性。

?