根据美国Tufts药物研发中心（Tufts Center for the study of Drug Development）统计，一款新药的面市从药物发现到获得FDA批准平均需要10年时间。每个新药研发成本大约25.58亿美元，而药物的研发时间至少也需要5年，整体周期大约为10年，其中6-7年都是临床试验阶段，只有12%的药物可以通过临床验证。这种高成本低成功率的投资阻碍了新药的研发，也抬高了新药研发的门槛。

德勤的数据显示，自2010年以来，12家主要制药公司的获批药物开发成本已经增加了33％，至每年约16亿美元。开发一款成功药物的成本持续增加，但由于报销制度中的不利因素、患者量的降低和企业间的竞争等，新药研发的收入回报环境也不容乐观。虽然高盛研究预计2010-2020年的研发回报相对与2000-2010年会有所提高，但实际上二者之间的变化微不足道。此外，影响研发回报最重要的不利因素之一在于那些失败的研发产品，特别是那些已经达到后期试验阶段的药物；这些药物的成本每年估计就占到了400亿美元以上。

另一方面，即使已经进入市场的药物也将面临仿制药或新其他企业新药的竞争。

任何加速新药研发的手段都可以极大的刺激新药研发市场，研发周期的缩短将节省大量研发成本，同时加速产品迭代，新药市场将更具可替代性，竞争也会更加激烈。消费者可以从中收益，企业也不再像过去那样进行孤注一掷的投资。高盛2017年出具的AI生态报告提到，机器学习和人工智能可以将新药研发过程中的风险减半：到2025年，全球制药行业每年即可节省约260亿美元。

新药的开发流程可分为药物发现、临床研究和晶型研究三个部分。现代药物发现在技术上又可以大致分为三个阶段：靶点的发现和确证、先导物的发现、先导物的优化（有机合成）三个阶段；临床试验大致可分为GLP毒理试验、I期临床研究、II期临床研究、III期临床研究；晶型研究阶段包括晶型的预测，最后形成成品药申报FDA。

下图列示人工智能在新药研发下图列示人工智能在新药研发上药物发现阶段、临床前研究阶段和临床研究阶段的应用。

 “AI+新药”主要可以从以下几个角度出发提高新药研发效率。

1、AI用于筛选生物标记物或靶点，用于靶点药物研发

现代新药研究与开发的关键首先是寻找、确定和制备药物筛选靶—分子药靶。靶点药物是指药物在体内的作用结合位点，包括基因位点、受体、酶、离子通道、核酸等生物大分子。选择确定新颖的有效药靶是新药开发的首要任务。利用机器学习算法，能够复合设计、评估编码深层次的知识，从而可以全面应用于传统的单目标药物发现项目。为了确定那些最易于化学处理的靶点，研究者首先研究靶点选择性地结合平衡良好的小分子的可能性。针对双特异性小分子，设计过程与单目标药物类似，关键的区别是，效力必须同时满足两个不同的目标。

化合物ADMET（药物动力学，包括药物的吸收、分配、代谢、排泄和毒性）预测，是当代药物设计和药物筛选中十分重要的方法。药物早期ADMET性质研究主要以人源性或人源化组织功能性蛋白质为“药靶”，体外研究技术与计算机模拟等方法相结合，研究药物与体内生物物理和生物化学屏障因素间的相互作用。目前市场中有数十种计算机模拟软件，包括ADMET Predicator 、MOE、Discovery Studio、Shrodinger等等。此类软件现已在国内外的药品监管部门（FDA、CFDA、EMA、EPA等）、各制药企业（罗氏、诺华、礼来、药明康德等）、研究单位（中国科学院、上海药物所、协和药物所、军科院、上海医工院、中国药科大学、上海中医药大学等）得到了广泛的应用。为了进一步提升ADMET性质预测的准确度，已有生物科技企业探索通过深度神经网络算法有效提取结构特征（包括处理小分子与蛋白质结构），加速药物的早期发现和筛选过程，极大减小研发投入和风险。 

药物挖掘的方式多种多样，Benevolent AI是运用NLP算法对海量的化学库、医学数据库和常规途径发表的科学论文进行扫描，识别新颖药物、药物基因和其他与治疗有关的联结，寻找潜在的药物新分子。医学、物理学或材料科学领域的专业论文浩如烟海，而这些专业论文中存在有大量孤立的专业知识和发现。如果能够快速而有针对性地将这些知识和发现有机地进行组织和连接，对于药物发现的意义是十分重大的。沿着上述思路，研究者尝试使用人工智能技术，从科技论文、专利、临床试验信息，以及大量结构化数据集中的非结构化信息中，自动生成有用的知识。例如通过深度学习优化的自然语言处理算法来分析和理解语境来理解信息，然后理解、学习、探索、创造和翻译它所学到的东西来产生独特的假设。该技术通过找到本来可能会漏掉的连接，使以前不可能的科学发现成为可能。通过系统能够自动提取生物学知识，找出关联并提出相应的候选药物，进一步筛选具有对某些特定疾病有效的分子结构，从而使科学家能够更有效地开发新药。

以生物标记物或靶点作为“AI+新药”应用方向的企业数量最多，也是大药企的重点研究方向之一。

代表企业：IBM Watson、Exscientia、Numerate、Benevolent AI

2、AI用于高通量筛选/虚拟筛选　　

药物化合物在考虑参数的情况下存在1060种可能，目前最高通量的筛选技术每天可以筛选106个分子。人工智能在这一阶段可以通过不同的形式对分子进行筛选，以提高筛选速度。德国明斯特大学有机化学家和人工智能研究员Marwin Segler以及他的同事开发了一款新AI工具，使用深度学习神经网络来吸收所有已知的约1240万种单步有机化学反应，这使它能够预测在任何单一步骤中可以使用的化学反应。工具重复应用这些神经网络来规划多步骤合成，解构所需的分子，直到它最终得到可用的启动试剂。通过这种方式AI能够加速逆解构的进程，节省大量的时间，自然也节约了大量成本。

3、AI用于构建新型药物分子

用AI构建新型药物分子存在一定难度，不同的企业构造药物的目的不同。一些企业尝试用AI技术帮助寻找某一药物不受专利保护的相似的化学结构，加速仿制药的研发。而Insillico Medicine研究靶标生物大分子的结构来进行药物分子设计。该公司的GANs平台通过使用两个竞争神经网络模型，创建不同于真实数据的新数据，从而训练心得分子结构的方法，大幅减少寻找潜在药物特性物质的时间和成本。

代表企业：Insilico Medicine、Numedii

以Numedii为例，研究人员通过AI对上亿个经过标准化注释的生物学、药理学和临床数据进行分析，以获得候选药物和生物标记物。最近的研究显示NuMedii的技术找到的抗抑郁药在小细胞肺癌试验模型中有效。一旦找到新适应症和在适当的临床前模型中得到证实，NuMedii还将就药物的新用途做制剂和给药的设计优化，来推进项目进入早期临床阶段。

4、AI用于新药有效性、毒副作用测试(AI化合物筛选)

化合物筛选，是指通过规范化的实验手段，从大量化合物或者新化合物中选择对某一特定作用靶点具有较高活性的化合物的过程。而要从数以万计的化合物分子中筛选出符合活性指标的化合物，往往需要较长的时间和成本。

一些制药公司、创业公司和研究机构提供候选药物预测服务。Molplex公司研发了AI技术平台Optiplex，从大数据中提取疾病和化合物之间的联系，预测潜在药物的有效性和毒副作用，帮助选择最佳的候选药物。

代表企业：Molplex、Atomwise

5、AI加速临床试验

临床试验作为新药研发的最后一阶段，难度相对较小，但如果能加速临床实验过程，同样可以加速新药研发进度。为此一些AI公司选择了临床实验为突破点进行优化设计。不同的AI所面向的临床时期不同，但其根本目的是缩短临床试验周期，在AI指导下的临床设计更加客观准确。一些AI公司可以通过算法从数据库中寻找细节相符的患者，准确的匹配率将降低临床测试的时间，从而减少临床实验中的人力成本。如零氪科技就利用于大数据整合患者资料，加速临床试验寻找患者这一流程。

代表企业：零氪科技

6、AI+药物晶型预测

药物分子通过结晶形成原料药，最后形成成品分子的排列组合不一样，形成不同的结构，若有序，则成为晶型。不同晶型导致提纯、溶解度、稳定性等影响不同。总体来说，就是晶型不同影响1、能否成药2、药效。如果一个药物分子拥有不止一种晶型，就叫多晶型。

多晶型现象是一种物质能以两种或两种以上不同的晶体结构存在的现象。对于化学药物，几乎所有的固体药物都存在着多晶型状态。由于晶型的变化可以改变固体化学物质的诸多物理性质和化学性质，如：稳定性、熔点、溶解度、溶出速率等，从而导致固体化学药物在临床治疗中的差异、毒副作用与安全性差异、产品品质与稳定性差异等。曾有数个药因为晶型问题导致延迟上市或撤市，损失惨重。因此，晶型预测在制药工业具有重要的意义。

晶泰科技利用人工智能，高效地动态配置药物晶型，可以完整预测一个小分子药物的所有可能的晶型。相比传统药物晶型研发，制药企业无需担心由于实验搜索空间有限而漏掉重要晶型，可以更加自如地应对来自仿制药企的晶型专利挑战。此外，晶型预测技术也大大缩短了晶型开发的周期，更有效地挑选出合适的药物晶型，缩短研发周期，减少成本。

代表企业：晶泰科技

AI除可以切入上述新药研发流程之外，还可以运用于一般研究性流程，如：

7、AI用于基因分析

对于单一结构、海量的基因数据，AI能够有效的从数据中挖掘到有价值的信息，这是人类所无法做到的。Engine Biosciences利用人工智能了解并测试基因的相互作用，分析产生的数据，破译复杂生物网络，测试针对这些相互作用的疗法，对精准医学应用进行分析与预测。此外，Envisagenics通过AI帮助研究人员确定受到选择性剪接（包括癌症和遗传疾病中发现的）错误影响的基因。    

代表企业：Engine Biosciences

8、AI+辅助病理生物学研究

病理生物学（pathophysiology）是一门研究疾病发生、发展、转归的规律和机制的科学，是一门沟通临床医学与基础医学的“桥梁”性学科。病理生物学研究是医药研发的基础，至今许多疾病尚无治疗方法，是由于在病理生物学研究方面没有取得进展。

比如说，肌萎缩侧索硬化（ALS，又名渐冻症）是一种破坏性的神经退行性疾病，确切的发病机制至今不明。ALS的一个突出病理特征是，一些RNA结合蛋白（RNA binding proteins, RBPs）在ALS中发生突变或异常表达/分布。人类基因组中至少有1542个RBPs，那么除现已发现的17个相关RBPs外，是否有其他RBPs与ALS有关？这成为当前全新的研究领域。IBM Watson基于相关文献的大量学习，建立模型预测RBPs与ALS相关性。为了测试其模型的预测能力，研究者首先将IBM Watson的知识库限制在2013年之前的学术出版物上，并要求Watson使用这些可用的信息来预测与ALS相关的其他RBPs。而后Watson在2013年到2017年期间，对4个导致突变的RBPs给出了高度评价，证明了模型的有效性。而后，Watson对基因组中所有的RBPs进行筛选，并成功鉴定在ALS中改变的5种新型RBPs。

代表企业：IBM Watson

2017年全球药企营收排名前十名 

2017年全球药企研发投入前十名 

整体来看，研发投入较高的大型药企更倾向于选择在药品研发领域与AI科技企业进行合作，该类型合作在2017年数量达到最高点，共有5家大型药企与AI科技企业达成合作。

1、默沙东与Atomwise

2015年，默沙东与美国的Atomwise合作，其开创性的AtomNet技术平台能像人类药物化学家一般逻辑思考，它每天使用强大的深度学习算法和超级计算机工具分析数百万的潜在疗法，从而加快药物研发进程。主要针对的是新药的有效性和安全性预测。

硅谷的AI公司Atomwise，开发AIMS（Artificial Intelligence Molecular Screen）项目，计划通过分析每一种疾病的数百万种化合物，以加快对救命药物的研发速度。同时，该公司开发了基于卷积神经网络的AtomNet系统，该系统大量学习了化学知识及研究资料，而后测试其是否能预测过去物理实验中发生的事情。研究者发现，AtomNet已经学会识别重要的化学基团，如氢键、芳香度和单键碳。该系统可以分析化合物的构效关系，识别医药化学中的基础模块，用于新药发现和评估新药风险。目前，AtomNet已经在肿瘤药物、神经系统疾病药物、抗病毒药物、抗寄生虫药和抗生素药物的药物筛选方面体现出色。典型的案例是，2015年AtomNet仅用时一周，即模拟出两种有前景用于埃博拉病毒治疗的化合物。2017年，Atomwise利用AI技术，在不到一天的时间内对现有的7000多种药物进行了分析测试，为寻找埃博拉病毒治疗方案做出了贡献。根据该公司的统计，如果利用传统方法，这项分析需要花费数月甚至数年才能完成。Atomwise正在与全球知名药企及大学院校进行合作，其中包括默克、abbvie、哈佛大学、多伦多大学、卡罗林斯卡学院等。

2018年5月，Atomwise获得4500万美元的融资，百度风投和腾讯都参与了投资。Atomwise开创性的软件技术AtomNet通过强大的深度学习算法和超级运算，可以像人类化学家一样每天分析千万级的分子来筛选潜在药物。在过去的两年内，Atomwise发展迅速，已与美国前十大制药公司，多家生物技术公司，四十多所主要研究型大学建立了合作关系。同时，有50多个研发项目正在进行。Atomwise与包括Merck等四家大型药企达成了合作关系，还和很多其他的生物技术公司、研究机构和大学关系密切。

2、强生与Benevolent AI

2016年11月，BenevolentAI与强生达成合作，强生把一些尚处于试验中的小分子化合物转交给了BenevolentAI，进行新药开发。

英国的新药研发公司Benevolent AI开发的JACS（Judgment Augmented Cognition System）人工智能系统，能够从散乱无章的海量信息中提取出能够推动药物研发的知识，提出新的可以被验证的假设，从而加速药物研发的过程。Benevolent AI通过深度学习和自然语言处理理解和分析大量的生物科学信—专利，基因组数据，生物医学期刊，和数据库每天上传的10,000多份出版物，现已获得了一定数量的临床阶段的新药物，以及相关专利的独家许可证。Benevolent AI与强生达成战略合作，利用JACS系统来指导临床试验的进行和数据的收集。详细信息请参阅文章：《Benevolent AI ：这家欧洲最大的人工智能+新药研发公司，两种在研药就卖了8亿美元》。

3、辉瑞与IBM Watson 

IBM Watson与辉瑞达成了一项新协议，会将前者的超级计算能力用于癌症药物研发。辉瑞将用上Watson for Drug Discovery的机器学习、自然语言处理及其它认知推理能力，用于免疫肿瘤学(Immuno-oncology)中的新药物识别，联合疗法和患者选择策略。Watson for Drug Discovery是一个新的云平台，旨在帮助生命科学家发现新的药物靶点和替代性的药物的适应症。

IBM Watson旨在帮助生命科学家发现新的药物靶点和替代性药物。可以帮助研究人员查看不同的数据集，通过动态可视化来发现药物与疾病的新联系。将Watson的超级计算能力用于其研发新型抗癌药中，分析大量公开的可用数据以及公司自己的数据，不断假设药物靶点，然后实时交互得到有证据的结果。主要用于免疫肿瘤领域新药物靶点的发现，组合疗法的研究，及患者的治疗策略。IBM Watson Health和辉瑞签署协议来加快研发新型抗癌药，已有化合物在临床实验阶段用于帕金森症的治疗。

按辉瑞的说法，许多研究人员都认为，免疫肿瘤学的未来在于针对独特肿瘤特征的组合，这会改变癌症治疗范式，让更多肿瘤患者得到治疗。而免疫肿瘤学是一种使用人体免疫系统帮助对抗癌症的癌症治疗方法。

4、赛诺菲与Exscientia

2017年5月，据GEN网站报道，赛诺菲与Exscientia签订了一项潜在价值为2.5亿欧元(约2.76亿美元)的合作和许可交易。这一交易旨在开发针对代谢疾病的双特异性小分子药物。

Exscientia将利用其人工智能驱动平台(AI－driven platform)以及自动化设计能力鉴定具有协同作用的药物靶点组合，然后，利用其lead－finding平台鉴定针对这些靶点的双特异性小分子药物。Exscientia将负责所有化合物设计，赛诺菲提供化学合成。此外，赛诺菲保留了许可“相关化合物”的选择权，将承担未来的临床前和临床开发。Exscientia将获得用于鉴定“靶点对”以及优先候选药物的研究经费，并有资格获得未来非临床、临床以及销售相关的里程碑付款。

Exscientia的药物研发“引擎”建立在一个AI平台上。公司能够利用该平台设计和评估新化合物，包括效力、选择性和ADME等。公司正利用该平台搭建一些合作关系，开发针对单靶点的小分子药物以及针对靶点组合的双特异性小分子候选产品。 

除了这项新交易，2016年4月，Exscientia与德国Evotec达成了一项Immuno-Oncology合作。在上个月的AACR年会上，双方公布了选择性adenosine 2A受体拮抗剂以及双特异性小分子药物（靶向A2AR 和CD73）的细节。此次Exscientia的伙伴赛诺菲与Evotec也有合作关系。双方曾在2015达成合作，其中，合作内容包括开发基于β细胞的糖尿病疗法。 

5、武田制药与Numerate

2017年6月，Numerate公司与武田药业正式签约，就使用Numerate公司的人工智能技术寻找肿瘤学、胃肠病学和中枢神经系统疾病的小分子药物展开合作。

Numerate首席执行官Guido Lanza表示，他们将AI应用于各个阶段的化学设计。Numerate和东京Takeda公司合作，筛选靶标分子，设计和优化化合物，对药物吸收、分布、代谢和排除以及毒性进行建模，为Takeda提供临床试验候选药物。该协议的金额和特许权使用费并未披露。 

在日本，除了武田药品，富士胶片及盐野义制药等企业将利用人工智能(AI)推进新药开发。包括富士通和NEC等IT企业在内，大约有50家企业参加该项目。计划与理化学研究所和京都大学合作，开发研究新药用的人工智能，以快速寻找能够用于制作新药的候选物质。目前开发新药需要巨额费用，而成功率只有2万-3万分之1。使用人工智能将提高开发效率，在激烈的全球新药开发中提高竞争力。企业与研究机构组成的联盟将于近期启动。不仅是日本国内，预计海外的IT企业和制药企业也会参与。力争以3年后为目标，普及基于人工智能的新药开发。日本文部科学省将在2017年度的预算概算要求中增加25亿日元为该项目提供支援，预计最终总额将达到100亿日元规模。

6、葛兰素史克与Exscientia

2017年7月，大型药企葛兰素史克宣布，与英国AI企业Exscientia达成约4300万美元的交易。Exscientia会使用其人工智能平台，协助葛兰素史克药厂进行10款药品研发。Exscientia将按研发成果获得款项，总计3300万英镑，折合约4300万美元。

Exscientia 通过AI药物研发平台为GSK的10个疾病靶点开发创新小分子药物，并且针对这些靶点药物发现临床候选药物。Exscientia系统可以从每个设计周期的现有数据资源和实验数据中学习。其原理与人类的学习方式相似，但AI在识别多种微妙而复杂的变化以平衡药效、选择性和药代动力学标准方面要有效得多。Exscientia首席执行官Hopkins表示，其AI系统只需相当于传统方法四分之一的时间和成本即可完成新药候选。目前该公司与国际多家知名药企形成战略合作，包括强生、默克、Sunovion、赛诺菲、Evotec等。

Exscientia首席执行官Hopkins表示，该公司的AI系统只需相当于传统方法四分之一的时间和成本即可完成新药候选。Exscientia也在5月与赛诺菲签署了协议。包括默克、强生和赛诺菲安万特等其他大型药企也在开发人工智能的潜力，以帮助药物开发程序变得更加顺畅。这些制药商希望借助现代化的超级计算机和机器学习系统，来预测药物中的各种分子将如何表现，以及这些药物成功的机率有多大，从而不用为那些不必要的测试花费时间和金钱。

7、阿斯利康与Berg Health

2017年，阿斯利康与马萨诸塞州的初创公司BERG建立了合作伙伴关系，利用后者的人工智能平台寻找帕金森症等神经疾病的生物靶标和药物。如何利用人工智能？ BERG公司CEO尼文·R·纳拉因表示，首先要“回到生物学上来”。从健康者和患者身上提取组织样本，进行各种分子分析，结合临床数据，然后通过BERG的人工智能平台找出靶标。纳拉因表示，在进行数据分析时，BERG会避开“公开的数据库。”他说道：“我们使用贝叶斯方法，而不是神经网络。并不是把一批数据放到模型里然后得出某种相关性这么简单。开始的时候并没有一个预先决定的假设，而是把所有数据都输入系统，让数据自己生成假设。”

早在2016年10月，Berg Health公司与美国国防部宣布达成合作，利用人工智能技术开展新药研发。以寻找应对现有药物不起反应的侵入性乳腺癌治疗方案，将筛选多达25万个样本来寻找早期癌症的新生物学指标和生物标记。

8、辉瑞与晶泰科技

2018年5月，以算法驱动创新的AI医药研发公司晶泰科技宣布与辉瑞制药签订战略研发合作，融合量子物理与人工智能，建立小分子药物模拟算法平台，显著提高算法的精确度和适用广泛度，驱动小分子药物的创新。

药物模拟这一技术被广泛应用于药物发现与设计，让科学家可以从原子层面对药物的生物学、药学性质和反应进行研究与预测。在这次合作中，晶泰科技将发挥其量子力学、人工智能、云端高性能科学计算的技术优势，对现有的药物模拟技术进行改进与突破，让这一平台可以覆盖更广泛的化学空间，并生成更精确的药物分子模型。

在这一基础上，平台还将实现对药物若干项关键性质的准确预测，进一步赋能药物发现与发展中的重要环节。本次战略研发合作的确立，得益于晶泰科技与辉瑞已有的良好合作基础。其药物晶型预测技术受到辉瑞的青睐，而这一药物模拟算法平台将进一步增强双方在计算辅助药物设计与药物固相筛选方面的技术实力。为了促进产学研界的技术交流，此次研发成功后还将面向学界开源分享一部分基于公开数据库产生的分子力学参数，以此促进和支持相关领域的持续进步与创新。

9、药明康德与Insilico Medicine

2018年6月11日，美国新一代人工智能公司Insilico Medicine宣布与中国医药研发服务行业龙头药明康德签署一项合作协议。根据协议，Insilico Medicine公司使用其独有的生成对抗网络和强化学习等新型算法生成的新药研发管线将在药明康德的新药研发服务平台上进行测试。两家公司制定了一系列里程碑计划，旨在针对全新的以及具有挑战性的生物靶点，例如未知晶体结构或配体的靶点，利用下一代人工智能技术开发理想临床前药物候选分子。

自2016年以来，Insilico Medicine发表了多篇研究论文展示采用GAN和RL人工智能技术生成全新的具有所需性质的各种药物分子的能力，并且通过初步的实验验证筛选出一些最有前景的管线分子。此次与药明康德的合作将使该公司能够对其发现的候选药物分子进行快速地进一步实验验证，并同时生成有价值的数据以推进其人工智能技术的开发。

药明康德与Insilico Medicine

2018年6月11日，美国新一代人工智能公司Insilico Medicine宣布与中国医药研发服务行业龙头药明康德签署一项合作协议。根据协议，Insilico Medicine公司使用其独有的生成对抗网络和强化学习等新型算法生成的新药研发管线将在药明康德的新药研发服务平台上进行测试。两家公司制定了一系列里程碑计划，旨在针对全新的以及具有挑战性的生物靶点，例如未知晶体结构或配体的靶点，利用下一代人工智能技术开发理想临床前药物候选分子。 

自2016年以来，Insilico Medicine发表了多篇研究论文展示采用GAN和RL人工智能技术生成全新的具有所需性质的各种药物分子的能力，并且通过初步的实验验证筛选出一些最有前景的管线分子。此次与药明康德的合作将使该公司能够对其发现的候选药物分子进行快速地进一步实验验证，并同时生成有价值的数据以推进其人工智能技术的开发。

目前除药明康德外，尚未有其他国内药企宣布与AI企业合作药品研发，但目前已有5家国内科技企业在研究如何将AI应用到药品研发中。

1、晶泰科技

融资历史：B轮（2018/1）1500万美元

合作药企：辉瑞药业 

晶泰科技是第一家由谷歌与腾讯两大科技巨头共同投资的AI公司，也是国内首家与世界顶级药企宣布战略合作的AI药物算法公司。公司将量子物理、人工智能与超大规模云计算相结合，突破性地实现对小分子药物重要特性的快速、准确预测，在药物设计和药物固相筛选等领域拥有多项行业领先的技术。具体而言，晶泰科技从药物结晶的预测切入，将技术运用于计算一些传统上极大依赖实验试错的药物研发步骤，用极度精确、快速的算法预测到结果，帮助药企提高研发效率、成功率、降低风险，最终加速药物研发。

2、深度智耀

融资历史：Pre-A轮（2017/12）数百万美元

合作药企：未披露 

深度智耀于7月25日宣布已开发出新一代的人工智能药物合成系统，这一内部代号为“菩提”的系统通过大量学习公开的专利和论文数据库，目前已经能大幅提高化学家的工作效率：输入一个化学结构式，系统可以瞬间推送数条优化的合成路线。公司接下来会继续加大研发投入，将反应条件和工艺指标构建入系统模型，并且进行训练优化。人工智能化学合成系统不仅可以用于药物研发，并且也可以广泛的用于日化、新材料、能源等其他合成领域。

3、智药科技

融资历史：天使轮（2018/7），青松科技， 近千万人民币

合作药企：未披露

智药科技在研的人工智能产品涵盖了从药物发现（Drug Discovery）到临床试验（Clinical Trial）的各个阶段，希望通过对研发各环节效率的提升，系统性、全局性地提高新药研发成功率，从而降低研发成本。智药科技开发的虚拟药物筛选分子对接工具KangDock，在测试数据集上的预测准确度(AUC)已经达到了93%，超出美国独角兽公司AtomWise公司同类产品AtomNet近4个百分点。应用这一技术，有望为制药业节约数亿美金研发经费。

4、Accutar Biotech(Accutar Biotech)

融资历史：战略投资（2017/12） 1500万美元

合作药企：未披露

AccutarBio的方向是通过AI技术辅助药物分子设计及提高筛选药物的准确性和消息。迄今为止，AccutarBio已经利用人工智能方法基于蛋白晶体学数据进行药物设计，并在美国申请2项专利；下一阶段的任务主要是打造一个AI算法平台，如果这个研究进入到临床应用，新药开发的前期海量筛选和粗选的阶段会大大缩短。

5、零氪科技

融资历史：最新融资D轮（2018/7），10亿人民币

合作药企：未披露

零氪科技是一家肿瘤大数据解决方案提供商，通过临床数据融合系统，帮助医院和科室建立结构化病历数据库，提高诊断、随访、科研等各环节的效率，同时建立了结构化电子病历，覆盖3000余种疾病，帮助医生进行临床研究和决策。在众多数据的支撑下，零氪科技可以运用其AI系统帮助医生寻找临床试验需要的患者，从临床试验这一环节入手加快新药研发。 

目前，零氪科技主要业务为建立医疗大数据平台并提供医疗数据解决方案，将AI融入新药研发只是其最近涉足的领域。

 从资金流入来看，截至2017年6月，动脉网统计的14家“AI+新药”企业总计获得融资2.7682亿美元；截至2018年7月，新流入的资金超过6亿美元，超过过去14家公司融资数目总和，出现井喷式增长。 

从下表中可以看到，在上次盘点（2017年6月）的基础上，共22家公司获得新的融资，部分公司如Berkeley Lights C轮融资达5650万美元，Datavant融资4050万美元，Recursion Pharmaceuticals融资6000万美元，Nimbus Therapeutics融资6500万美元，BenevolentAI则获最多的11.5亿美元融资。

这些AI+新药的公司分布以英美为主，其次是中国（5家）和加拿大（3家），新加坡、韩国、德国均有一家公司。  

目前，传统医药研发具有高投入、高风险、长周期、低效率的特色。AI科技在药品研发中的应用能大幅提升药品研发效率，降低药品研发成本。AI科技公司在药品研发领域仍处于摸索阶段，因此该类合作模式（AI+药企）应还需要长期的磨合已达到高效研发的目的。总体来看，大型药企将会成为AI科技企业的首选合作伙伴。大型药企提供长期积累的大量数据，AI科技企业提供挖掘并运用海量数据的新技术，两者达成互补。在未来，若更多大型药企能进一步开放数据共享，计算密集型的AI药品研发将事半功倍。在国外，AI科技公司、大型药企、研究机构之间有稳固的合作机制，以最优的合作配置高效完成一种药的生产过程。因此，未来在中国国内也有望看到各方（如AI科技企业，药企，研究院，医院等）整合数据和技术，在药品研发上达成通力合作，合作共赢。

参考文献来源

1. 《超10亿美元砸入“AI＋新药研发”，药企巨头图什么？》，LinkDoc视界，2018年8月

https://new.qq.com/omn/20180806/20180806A1QKGB.html

2. 《高盛AI生态报告：人工智能可解决药物研发等难题》，钛媒体，2017年2月

http://tech.163.com/17/0223/15/CDVGN2NF00097U84.html

3. 《2017医疗大数据与人工智能报告》，健康智谷，2017年9月

https://www.sohu.com/a/193537147_793413

4. 《AI+医药研发的七大应用（上篇）》 ，亿欧智库，2018年3月

https://m.iyiou.com/intelligence/insight68679

5. 《AI+医药研发的七大应用（下篇）》 ，亿欧智库，2018年3月

https://www.iyiou.com/intelligence/insight68682

6. 《AI生物医药的现在、未来和挑战》，亿欧智库，2017年11月

https://www.iyiou.com/p/60389

7. 《10+药企案例，人工智能正在改变新药研发进程》，2018年7月

http://www.sohu.com/a/238858835_690242

8. 《强生、辉瑞等大药企与医疗AI公司签约，这是医疗AI公司新出路？》，动脉网，2018年6月

https://baijiahao.baidu.com/s?id=1603934914586854145&wfr=spider&for=pc

9. 《热点｜药物研发变局：我不是药神，AI是药神吗？》，田汇聚金，2018年7月

https://baijiahao.baidu.com/s?id=1607046259363011453&wfr=spider&for=pc