制剂工艺：采用多层包衣、微丸压片或渗透泵技术 ( 如 OROSR) 实现差异化释放。 ● 临床阶段： o 临床前研究：已完成体外释放度、稳定性及动物药代动力学 (PK) 验证 (2021-2022 年 ) 。 o I 期临床试验： 72023 年启动，评估健康受试者中的生物等效性及缓释特性 (NCT0587XXXX) 。 6 II/I 期 计 划 ：预计 2025 年完成 HFrEF 患者的疗效与安全性验证。 ● 企业动态： 上传文档》 商洁深 度 探 索 您可以问我这些： 药物见争格局 siRNA 药物的适应症有哪些 ? 临床试验与潘证医学 度伐利尤单抗针对非小细胞肺癌的临床结果有哪些 ? 药 物研发策略 二代与三代 TKI 抑制剂差异性 ? 医药政策基于 FDA 的要求，临床试验中应如何确保受试者的知情同意 ? * 温馨提示：小程序仅支持简单问答，如需体验上面强大功能，请移步上述 PC pulmonary fibrosis: Preclinical pharmacological in vitro and in vivo evaluation 2. ◎ 临床试验 | EUCTR2019-003992-21- IT,A Multicenter,Randomized,Double-blind,Placebo-contrlled,Phase 2 Study of

AI+制药行业潜力巨大 [Table_Summary] 投资要点：  AI 技术蓬勃发展，AI+制药有望成为下一个黄金赛道。AI 技术通过机器学习和深 度学习等手段，已经在药物发现、临床前研究和临床试验等全流程中发挥重要 作用。从 2007 年的早期探索至今，AI 制药技术经历了技术积累、验证和快速发 展期，目前正处于一个技术创新活跃、政策扶持明显、市场前景广阔的阶段。 AI 制药投融资市场活跃，根据 药研发中的应用。AI 技术在新药研发领域中的应用推动行业快速变革，涉及靶 点发现、蛋白质结构预测、化合物筛选、ADMET 特性预测、临床试验结果预测、 药物重定位、晶型预测和逆向合成分析等多个关键环节。AI 制药技术的应用有 望缩短药物研发周期，降低成本，提高研发成功率。AI 技术使得从药物设计到 临床试验的全流程更加高效，为传统药物研发带来创新变革，并展现出在药物 研发领域的广阔前景和巨大潜力。  CRO 公司加速布局 2.4 ADMET 预测可提前考量药物成药可能性 .............................................................. 13 2.5 临床试验结果预测可有效节省失败临床的经费 .................................................. 14 2.6 人工智能促使药物重定位快速上市 ....

玩家逐渐增加；2）AI在多疾病领域广泛应用 ，肿瘤（37%）、免疫学（21%）及神经病学（14%）领域占比最大；3）AI可参与药物开发过程多个阶段。其中涉及AI虚拟筛选、药物发 现、优化药物结构、临床试验优化、建立疾病风险模型、肿瘤精准治疗等。商业化落地中等，仍处于临床早期阶段，数据获取成本高，依赖 文献数据及实验室数据。相关标的：晶泰科技、丽珠集团、药明康德、信立泰、成都先导、川宁生物、药石科技、健康元、美迪西、东阳光 设备互联互通 综合性解决方案 AI 基因测序 收集样本基因测序、 罕见病遗传病分析解读 多组学风险预测和评估 AI 制药 分子虚拟筛选、药物发现 优化药物结构 临床试验优化 建立疾病风险模型 肿瘤精准治疗 AI 医学影像 图像处理、 勾勒病灶大小、 特征识别、诊断建议 AI 健康管理 可穿戴设备 定制化干预方案 AI系统实时监测并预警 物研发周期。传统药物研发遵循“双十定律”（10年时间 、10亿美元投入），而AI模型可将化合物设计时间缩短 70%，成功率提升10倍。例如，医渡科技通过DeepSeek 处理55亿份医疗记录，加速药物靶点筛选与临床试验设计 ，研发效率提升显著。  模型训练与部署成本降低 DeepSeek通过强化学习技术减少对高成本标注数据的依 赖，结合开源策略，使企业能以更低成本实现本地化部署 。例如，方舟健客通过DeepSeek完成本地化部署，仅需

公司图迈于2022年1月27日获得NMPA批准上市（应用于泌尿外科），是国内首 款亦是唯一一款由中国企业自主研发并获得上市的四臂腔镜手术机器人，从临床数 据看，有效性不逊于达芬奇Si。同时图迈多学科、多中心注册临床试验于2021年 10月启动入组，涵盖普外科、胸科、妇科等多领域，并于2022年4月完成临床试 验，目前已处于NMPA注册申请中，预计2023年上半年获批。  截至22年底，公司在国内累计布局超 估多个ADMET参数间的隐藏关系和趋势， 预测化合物的药性，如代谢性、细胞渗透性、溶解性、毒性等性质 用药安全 临床试验 自然语言处理 通过自然语言处理和机器学习改善临床试验的设计、管理、监控和患者招募，从各种结构化与非结构化数据类型中提取信息， 找到符合临床试验入组标准的受试者，或关联各种大型数据集，找到变量间的潜在关系，改进患者与试验的匹配情况 机器学习 药物风险评估 机器学习 通过机器学习，实现从接收药物不良反应到报告全流程的自动化，提高药物警戒工作效率，并通过样本分析和预测进行药物 风险评估 真实世界研究 机器学习、深度学习 通过机器学习和深度学习对真实世界数据进行识别，提出新假设，同时为进行中的临床试验不断提供新的有效信息，优化药 物研发流程，提升用药安全 AI 制药：AI在新药研发各阶段、多疾病领域广泛应用 33  目前，AI平台主要在临床前阶段发挥效用。礼来研究院论文统计显示，一款新药的研发成本需要8

“722”事件后，NMPA（当时为 CFDA）相继发布了《关于开展药物临床试验数据自查核 查工作的公告》《关于调整药物临床试验审评审批的公告》等文件，引发了国内 EDC、 RTSM 市场的繁荣，太美医疗等企业在系统中植入 AI，使其顺势成为药企数字化的关键 要素。 如今 FDA 鼓励药企采用数字健康技术（DHT）进行临床试验申办，间接引导着药企的 进一步开展转型。以 eCOA 为例，美国约 已经采购了相应的数智化系统，率 先享受到了 AI 赋能后的管理红利。 制药 AI 方面，绝大多数创新药企都对医疗 AI 持积极态度。不过，大多数药企在药物发 现阶段均倾向于自研 AI，而到了临床试验，更多药企习惯于采购成熟的第三方综合解决 方案，降低成本并规避研发风险。 5 6 第二章：自我突破，医疗 AI 形态异变 政策与提效两大购置动力支持下，国内已经孕育了一大批医疗人工智能产品，嵌入了医 IT 大模型落地的典例。 2.3 制药 AI：下行时期，在变化之中寻找新的机遇 自 2020 年制药 AI 在一级市场迎来爆发性增长后，大量创业公司将其管线推至临床阶段。 此前，AI 主导的进入临床试验阶段的创新药项目仅为个位数。2021 年这一数字已迅速 增长至 100 多个，2022 年维持增势突破 200，2023 年进一步提升，管线数量迈入 300 大关。 趋势之下，阿斯利康、拜耳、罗氏、礼来及赛诺菲等等

供应商关系管理 获取 AI 收益 收益和效率的提高，具体取决于价值链所属环节 AI 主要应用领域 • 产品组合优化 • 药物发现 • 分子生成 • 生物标记开发 • 临床试验设计 • 临床试验数据分析和报告撰 写 • 市场研究 • 营销组合优化 • 现场人员优化 • 宣传材料制作 • 关键意见领袖（ KOL ） 管 理 • （医疗）知识管理 应用得当时， AI 对药物发现时间和成本减少的潜在影 响 到临床前候选药物 (PCC) 的成本 ( 百万美 元 ) 1 临床前候选药物 (PCC) 是指在早期实验室研究和动物模型中显示出良好效果、但尚未在人体临床试验中进行测试的化合物或候选药 物 到临床前候选药物 (PCC) 的时间 ( 年 ) 基线 AI 赋能流程 基线 AI 赋能流程 基线 AI 赋能流程 基线 AI 赋能流程 基线

管理营销素材 • 营销内容策划 • 客户精细化标签 • 个性化与医⽣互动 • 多源信息来源 • 互动性、个性化 患者流程 • 多重购买渠道 患者服务 多渠道营销 ⽣产与 供应链 新药研发与 临床试验 学术化推⼴ • 65岁以上⼈⼝占⽐从 2014年的10.1%升⾄ 2023年的14.9%，医 疗需求激增1 ⼈⼝⽼龄化 • 收⽀失衡加剧，控费 边际效应减弱2 • 职⼯医保：结余稳健但增速 以得到释放 医学数据结构化提取、标准化 24 新药研发：借助⼤模型，提升药品研发的效率和速度 • 检索药监、⽂献、临床指南、申报⼚家 数量等选择潜在靶点（需RAG未公开数据） • 知识图谱可关联临床试验数据与RWE 试验，去观察有潜⼒的适应症 研发⽅向探索 • 患者分层：基于⼤模型的语义理解能⼒， 从历史数据中识别符合⼊组标准的“数 字孪⽣”患者群体，提⾼招募效率 • 剂量探索：通过强化学习算法模拟不同 • 客户精细化标签 • 个性化与医⽣互动 • 多源信息来源 • 互动性、个性化患者流程 • 多重购买渠道 腾讯⼤数据 腾讯健康药箱 患者服务 多渠道营销 ⽣产与 供应链 新药研发与 临床试验 学术化推⼴ 云深智药 DeepSeekJ会给医药企业带来哪些变化？—“技术为⾈，业务为舵” 懂业务者锚定价值，好奇⼼驱动突破 31 ⼤模型虽好，使⽤需谨慎 数据授权和管理 • 避免透露个⼈信息：⽐如⼿机号码、

GSK、强生为代表的大药企亦在积极布局AI制药领域，一方面运用AI技术加强数据管理决策并 深度融合至药物开发流程之中，一方面不断加强与AI制药专业公司合作，运用后者专业的技术平台，赋能药物发现和临床试验。建议关注AI 制药领域进展及具备潜力的海内外前沿公司：晶泰控股-P、皓元医药、药石科技、药明康德、成都先导等。 请务必阅读正文之后的免责声明及其项下所有内容 医疗健康是AI最大的应用领域 01 Insight，国信证券经济研究所整理 全球AI制药的市场快速扩张，AI技术布局药物研发全产业链 ◼ AI技术参与药物研发的多个阶段。从靶点发现、虚拟筛选、蛋白质 结构预测、ADMET预测到临床试验等多个研发阶段，AI技术均能参与 其中，全面布局在药物研发的上、中、下游产业链。 ◼ AI制药行业市场规模快速增长。根据MedMarket Insights预测， 2023年全球AI制药行业的市场规模为12 02亿美元，2022-2031年复合增长率约为27.2%。 AIDD 制药流程 新药发现 蛋白质结构预测 AI应用模块 AI模型 药物从头设计 虚拟筛选 靶点的发现和识别 ADMET预测 晶型预测 逆合成预测 临床试验 新药开发 临床阶段 知识图谱 机器学习 深度学习 自然语言处理 大语言模型 请务必阅读正文之后的免责声明及其项下所有内容 数据来源：智药局，国信证券经济研究所整理 AI技术深度参与药物研发全产业链

敏感信息，因此 确保数据安全与病人的隐私至关重要。 通过以下几点，我们可以更清晰地理解 AI 生成式大模型在医 疗场景中的实际可行性：  数据来源：利用电子健康记录（EHR）、医学文献和临床试验 数据进行模型训练。  模型类型：根据应用需求选择合适模型，如 GPT、BERT 等进 行文本生成与理解。  场景应用：患者病历生成、智能问诊、个性化医疗方案制定、 决策支持等。  析，模型能够识别出不同患者病情的相似性，并为医生提供基于类 似病例的治疗建议。例如，通过输入患者的年龄、性别、病史等信 息，模型能够生成潜在的疾病风险评估，并推荐相应的检查和治疗 方法。 同时，AI 生成式大模型在药物研发及临床试验中也展现了其优 势。模型能够快速筛选潜在的药物分子，预测其生物活性和毒性， 从而缩短研发周期。通过模拟和生成数据，研究人员可以在不进行 实际实验的情况下，评估多种化合物的有效性和安全性，提高研发 AI 生成式大模型在治疗方案推荐中的具体应用。 首先，治疗方案推荐系统可以通过分析患者的病史、检查结果 及相关生物标志物数据，生成一套个体化的治疗建议。这种系统通 常集成了各种临床最佳实践指南和临床试验数据，确保推荐的方案 具有较高的有效性和安全性。 治疗方案推荐的流程一般包括以下几个步骤： 1. 数据收集：通过电子病历系统收集患者信息，包括但不限于年 龄、性别、既往病史、过敏史、实验室检验结果等。

产业发展阶段不同：美国部分医疗AI相关产业相对比较成熟，在AI出来之前便有一定的基础（算法等），AI进一步赋能产业；国内基础 相对比较薄弱。 ➢ 医疗卫生体制差异：美国医疗AI是偏严肃医疗的概念，管理模式类似于处方药，需要做临床试验、FDA审批，并可以医保报销。中国部 分医疗AI产品偏消费医疗的概念，跟公立医院的体系定位有差异。 图：TDOC的股价走势 图：HIMS的股价走势 -200% -100% 0% 100% 2023 扩展业务领域 Tempus 业务从癌症领域扩展至 神经疾病、糖尿病等慢性病领域 2018 收购肿瘤CRO企业 Highline Sciences 收购额为3550万美元，加 速临床试验的执行 2022 收购基因检测公司Ambry Genetics •收购额为6亿美元 •扩展至儿科、罕见病、免疫学、生殖 健康及心脏病学等领域 2024 ECG-AF被纳入CMS报销范围 数据与服务：2024年营收为2.42亿美元（yoy+43.2%，占比约35%），增速显著，如 “Insights” 数据库产品，授权药企使用结构化数据，并通过Tempus Compass部门协助后期临床试验。 ◥数据采集-分析-商业化”闭环构建： 1. 商业模式：1）基因测序服务产生数据；2）将数据卖给药企；3）开发AI辅助诊断（to B/C） 2. 与超过3,000家医疗机构合作,积累超24