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(fù)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)?;蚪M識別、蛋白組學(xué)、代謝組學(xué)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(fù)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(xué)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(fù)合年平均增長率超過40%,預(yù)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⒋x疾病特別是糖尿?。⒓毦腥镜认嚓P(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(xué)習(xí)三大人工智能核心技術(shù)以外,基因組學(xué)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(dǎo)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(xué)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?。?。該公司的專利申請數(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(yù)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(xué)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(dǎo)致學(xué)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(xué)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(fù)雜的生物學(xué)使得藥物研發(fā)的難度比預(yù)期大
由于生物學(xué)本身極其復(fù)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(yù)料的結(jié)果,可能與其他分子發(fā)生復(fù)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(fù)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。
?
評論
查看更多