东北证券研究所发布的AI+新药研发系列报告（一）指出，新药开发面临研发时间长、研发综合成功率低、研发平均成本不断增加等挑战。2023年美国创新活性物质从首次专利申请到获批的中位时间为13.3年，研发综合成功率仅10.8%，开发新药的3年滚动平均成本已增至37.2亿美元。2024年诺贝尔化学奖授予在蛋白质结构预测与设计领域做出开创性贡献的科学家，人工智能在两项成果中均占据核心地位。人工智能有望在新药研发的靶点确认、化合物筛选、ADMET预测、化学合成、临床试验等各阶段发挥关键作用。
新药研发面临时间、成本、成功率三重挑战
开发一种新药从最初的想法到最终产品的推出是一个复杂的过程，大致可分为药物发现、临床前研究、临床研究和上市四个阶段。近年来，新药研发中位时间长期保持在10年以上。根据IQVIA Institute for Human Data Science，2023年美国创新活性物质的中位时间为13.3年，高于2022年的11.4年，自2020年以来整体呈现小幅增长趋势，意味着新药研发过程的效率小幅降低。
获批新药数量增长缓慢，研发支出快速增长。根据研究，假设研发支出与新药获批之间存在5年滞后，开发新药的3年滚动平均成本已从1998年的7.2亿美元增加到2023年的37.2亿美元。新药研发效率自2005年跌破0.4后一直处于低位，但近年来下降速度减缓，主要原因可能是基因组学/蛋白质组学、化学/生物信息学、大数据分析、机器学习和人工智能等工艺创新的突破。
研发综合成功率仅10.8%，临床试验为最大瓶颈
2023年研发综合成功率跃升至10.8%，但仍低于2010-2019年平均值13.16%。I期临床成功率升至48%，II期临床稳定在39%，III期临床升至66%，监管提交升至87%。临床试验是新药研发过程中成本最高、耗时最长且成功率较低的阶段。仅40%左右的化合物可以进入II期临床；进入II期临床的化合物中，大约1/3能进入III期临床；进入III期临床的化合物中，大约2/3可以获批上市，约90%的化合物会在临床试验阶段被淘汰。
患者招募是临床试验延迟的主要原因：86%的临床试验未按时完成患者招募，近1/3的III期临床试验因患者招募问题失败。人工智能可以帮助优化患者队列选择，为患者招募提供帮助并改善患者监测，通过减少人群异质性、预后富集和预测富集等方式增强患者队列选择，从而有望显著提高临床试验成功率。
AlphaFold2获诺贝尔化学奖，AI验证蛋白质研究核心价值
2024年诺贝尔化学奖授予大卫·贝克（开发Rosetta实现蛋白质从头设计）、戴米斯·哈萨比斯和约翰·江珀（利用AlphaFold2从氨基酸序列预测蛋白质三维结构）。人工智能在两项成果中均占据核心地位。
2016年DeepMind开发的AlphaGo击败围棋世界冠军后，2018年AlphaFold在CASP比赛中达到近60%的蛋白质结构预测准确率（此前最高40%）。约翰·江珀加入后，AlphaFold2在2020年CASP比赛中表现几乎与X射线晶体学一样好。蛋白质折叠问题是一维分子链如何折叠成特定三维结构的问题，如果能从一维分子编码准确预测三维结构，将对人类了解疾病产生的原理、新药研发、理解生命形成的机制产生重要影响。
AI赋能新药研发全流程，降本增效潜力巨大
人工智能在新药研发的靶点确认、化合物的虚拟筛选和从头设计、ADMET预测、化学合成、菌群标志物发现、药物再利用和临床试验等各个阶段均有应用潜力。在靶点确认阶段，AI通过使用公开获取的组学数据和文本数据，应用多种靶点选择标准，有望加快药物靶点的选择与确认。在化合物筛选阶段，AI可有效提高虚拟筛选的效率，RosettaVS平台在七天内针对两个靶点分别发现7个和4个苗头化合物。在ADMET预测阶段，AI可在早期阶段发现导致化合物难成药的特征。在临床试验阶段，AI可优化患者队列选择、辅助患者招募、改善患者监测。
AI技术有望解决新药研发长期面临的高成本、长周期、低成功率等核心痛点。随着深度学习算法（CNN、RNN、GNN、GAN、VAE、Transformer等）的持续发展，AI在新药研发中的应用将更加深入和广泛。
| 指标 | 数据 |
|---|
| 2024年FDA获批新药数量 | 50款 |
| 美国创新活性物质中位研发时间（2023年） | 13.3年 |
| 2023年研发综合成功率 | 10.8% |
| 2010-2019年研发综合成功率平均值 | 13.16% |
| 开发新药3年滚动平均成本（2023年） | 37.2亿美元 |
| III期临床试验因患者招募问题失败比例 | 近1/3 |
| 临床试验中约被淘汰的化合物比例 | 约90% |
