百企大戰AI+新藥研發:全視野透視78家AI創新企業、26家全球制藥巨頭【蛋殼研究院研究報告】

前言

經過「熱身」階段後,「人工智能+新藥研發」目前已經進入快速成長期,非常引人註目。

動脈網·蛋殼研究院對最近2年半以來國內外人工智能+新藥研發創新企業進行全面盤點,推出《AI+新藥研發市場發展現狀及趨勢報告》,總共整理分析了78家人工智能+新藥研發創新企業,覆蓋靶點發現、化合物合成、化合物篩選、晶型預測、患者招募、優化臨床試驗設計、藥物重定向七大環節。

而且,部分企業已和羅氏、輝瑞、賽諾菲、默沙東等傳統制藥巨頭合作,共同推進人工智能在新藥研發領域的應用。

從融資情況看,已有53家企業獲得融資,累計融資總額達到13.1億美元。這表明,人工智能+新藥研發已經進入快速成長期。

本報告有如下重要發現:

  • 1、人工智能的應用為藥企每年節約540億美元的研發費用
  • 2、靶點發現環節的人工智能企業數量最多,占企業總數的50%
  • 3、傳統制藥巨頭與人工智能創新企業共同推進人工智能在新藥研發領域的應用
  • 4、全球53家人工智能+新藥研發企業累計獲得13.1億美元融資
  • 5、數據體系、人才隊伍和商業模式的優化升級成為人工智能+新藥研發企業未來的發展方向

值得一提的是,動脈網·蛋殼研究院曾在2016年5月發布《人工智能在醫療健康領域的應用(三):藥物挖掘》報告,梳理了國內外人工智能企業在新藥研發領域的發展情況,出現了Atomwise、Numerate、晶泰科技、雲勢軟體等十餘家代表性企業,整個人工智能+新藥研發還處於早期探索階段。

《AI+新藥研發市場發展現狀及趨勢報告》,內容如下:

一、行業洞察:需求旺盛,研發面臨3大困境

1、醫藥市場需求穩步增長,發展潛力大

從全球醫藥市場銷售額看,2017年已經突破12000億美元,預計到2021年銷售總額可達到14750億美元,2012~2021年的年均復合增長率為4.9%。

而同時期中國醫藥市場的銷售額將從2012年的770億美元增長到2021年的1780億美元,年均復合增長率達到9.8%,是全球醫藥市場的2倍。這表明全球醫藥市場在穩步增長,而中國醫藥市場的增長更快,具備更好的發展潛力。

2017年,全球藥企TOP10處方藥銷售總額3284億美元,平均值為330億美元,有3家藥企的銷售額超過400億美元。

根據醫療健康領域全球領先的行業及市場調研公司Evaluate可能,2024年全球藥企TOP10的處方藥銷售總額將達到4206億美元,增長幅度為28%,排名第一的諾華的銷售額將達到532億美元。

而從各大藥企的年均復合增長率看,2017~2024年,年均復合增長率的均值為4%,增長最快的為阿斯利康。這表明未來全球的藥品市場規模將保持較快增長,企業需要持續加大新藥研發來滿足市場需求。

2、新藥研發面臨3大困境,亟待破局

新藥研發主要包括藥物發現、臨床前研究、臨床研究以及審批與上市4個階段。藥物發現階段主要涉及疾病選擇、靶點發現和化合物合成;臨床前研究階段則以化合物篩選、晶型預測、化合物驗證為主,包括藥物的構效關係分析、穩定性分析、安全性評價和ADMET分析等;臨床研究階段以患者招募、臨床試驗和藥物重定向為主,涉及用藥方案、藥效試驗、患者觀察記錄、優化改進等;審批與上市階段主要是政府藥品主管機構對藥企研發的新藥進行審批,是新藥流入市場的最後關口。

從新藥研發的流程可以看出,一款藥物從靶點發現——化合物合成——制劑生產——臨床試驗——批准上市所經歷的複雜過程,需要大量的人力、物力和財力投入。正因為如此,新藥研發面臨研發周期長、研發成功率低以及研發費用高3大困境。

  • 研發周期長

根據美國藥物研究和製造商協會PhRMA的統計,藥物研發階段要對5000-10000種化合物進行篩選,其中僅有250種能夠進入臨床前研究階段,僅有5種進入臨床研究階段。

藥物發現和臨床前研究階段耗時約3-6年,I/II/III 期臨床試驗需耗時6-7年,提交上市申請後經過0.5-2年時間獲批後方能進行規模化生產。根據德勤會計事務所的分析報告,現階段新藥研發的平均耗時約為14年。

  • 研發成功率低

可以看出,風險一直伴隨著新藥研發的全過程,特別是II~III期臨床試驗階段,研發成功率處於低谷,即使是仿制藥,其研發成功率也不足50%。從三大類新藥研發的成功率看,原研化藥的成功率最低,僅為6.2%,原研生物藥的研發成功率也不過為11.5%。

因此,可以說新藥研發是個高失敗率的過程,任何一款新藥的上市都是千萬次失敗嘗試的結果。

  • 研發費用高

新藥研發的「雙十宿命論「(研發周期超過10年,研發費用超過10億美元)一直以來成為各大藥企不可逾越的痛點。

從各年研發費用看,全球處方藥研發總費用都在1300億美元以上,2012~2017年,研發總費用平均值為1485億美元,增長率達到3.8%;2018~2021年,研發總費用平均值為1800億美元,2021年研發總費用將達到1880億美元,比2012年增長了38%。

而從各年研發費用占銷售收入的比重看,2012~2021年,研發費用占比均值達到20%,雖然在2017年以後將呈現逐年下降的趨勢,但仍然占到19%。這表明,新藥研發費用投入高,蠶食了藥企能夠獲得的利潤空間。

動脈網·蛋殼研究院整理了2017年全球藥企研發費用TOP10名單,10家藥企研發費用總額達到765.3億美元,平均每家投入76.5億美元。

羅氏的研發費用高居榜首,是唯一一家超過百億美金的藥企。而從各大藥企研發投入占制藥業務收入比重看,平均值高達24.6%,且有6家的比重超過25%。這表明,各大藥企的研發費用較高,成為藥企的重要成本支出。

各大傳統藥企在面臨研發周期長、研發成功率低以及研發費用高的困境下,都在努力嘗試通過技術創新來加快新藥研發速度、提高成功率和降低成本,以能更好地滿足日益增長的用藥需求。這為AI技術在新藥研發領域的應用帶來了契機。

二、技術破局:AI助力,解決新藥研發困境

1、AI應用於新藥研發多個環節,提高研發效率

AI主要應用其強大的發現關係能力和計算能力助力新藥研發,在發現關係方面,包括藥物與疾病的鏈接關係、疾病與基因的鏈接關係等。

AI具備自然語言處理、圖像識別、機器學習和深度學習能力,不僅能夠更快地發現顯性關係,而且能夠挖掘那些不易被藥物專家發現的隱性關係,構建藥物、疾病和基因之間的深層次關係。

在計算方面,AI具備的強大認知計算能力,可以對候選化合物進行虛擬篩選,更快的篩選出具有較高活性的化合物,為後期臨床試驗做準備。蛋殼研究院通過對國內外近80家AI企業的研究發現,AI在新藥研發領域主要應用於靶點發現、化合物合成、化合物篩選、晶型預測、患者招募、優化臨床試驗設計和藥物重定向7大場景。

AI在化合物合成和篩選方面比傳統手段可節約40%~50%的時間,每年為藥企節約260億美元的化合物篩選成本。在臨床研究階段,可節約50%~60%的時間,每年可節約280億美元的臨床試驗費用。也即是說,AI每年能夠為藥企節約540億美元的研發費用。

  • 靶點發現

傳統靶點研究以直觀的方式定性推測生理活性物質結構與活性的關係,進而發現機體細胞上藥物能夠發揮作用的受體結合點(靶點)。藥物學家參考相關科研文獻和個人經驗去推測靶點,需用2~3年的時間,而且發現靶點的可能性極低。

AI通過自然語言處理技術(NLP)學習海量醫學文獻和相關數據,通過深度學習去發現藥物和疾病之間的作用關係,找到有效靶點,縮短靶點發現周期。

  • 化合物合成

化合物合成主要通過分析小分子化合物的藥物特性,包括與靶點結合的能力、藥物動力學、藥物代謝學等等,挖掘藥物活性、藥效較好的化合物,然後按照特定路徑進行合成設計。

在該環節,藥物學家和化學家會對數千萬種化合物依次進行計算機模擬試驗,需要耗費幾年時間才能找到活性較好的化合物進行合成,成本通常在上百億美元。

而AI利用其機器學習和深度學習的能力,模擬小分子化合物的藥物特性,能夠在數周內挑選出最佳的模擬化合物進行合成試驗,而且能夠將每個化合物的測試成本控制在0.01美分,大幅降低了化合物合成的成本。

  • 化合物篩選

每一種藥物作用的靶向蛋白和受體並不專一,如果作用於非靶向蛋白和受體就會引起副作用。對於尚未進入動物試驗和人體試驗階段的新藥,需要提前對其安全性和副作用進行檢測判斷,已篩選出安全性較高的藥物。

目前,主要採用高通量篩選方式進行化合物篩選,在同一時間由機器人進行數以百萬計的試驗,其篩選成本該打數百億美元。

而AI可以從兩方面切入化合物篩選場景,一是利用深度學習和計算能力開發虛擬篩選技術以取代高通量篩選,二是利用圖像識別技術優化高通量篩選過程。這樣,每年可以節約260億美元的化合物篩選費用。

  • 晶型預測

小分子晶型不同,藥物穩定性和溶解度就不同,因此,穩定的晶型結構關係到藥品質量,特別是對於已上市藥品,如果發生轉晶現象,將會給藥企帶來災難性的損失。

而小分子存在多晶型現象,有的晶型穩定性強但溶解度差,有的晶型溶解度好但穩定性差。如果單純依賴人工去獲得穩定性強且溶解度好的晶型,不但需要耗費大量時間進行試驗嘗試,而且成功的可能性也極低。

AI的出現,可以在很大程度上改善晶型預測效果,其依靠深度學習能力和認知計算能力,處理大量的臨床試驗數據,能在幾小時甚至幾分鐘內找到藥效最好的晶型。

  • 患者招募

新藥在進入審批前,需要進行3個階段的臨床試驗,找到合適的患者是臨床試驗得以開展的前提和基礎。試驗管理人員需要從海量的病例中找出那些符合藥物試驗的患者,並且通知受試者,該過程需要大量的時間去篩選病歷。

而AI依靠深度學習能力,能夠從海量的臨床試驗的數據中提取相關信息,將試驗結果與病人情況進行自動配對,提高精準匹配效率,在較短時間內完成試驗招募入組工作。

  • 優化臨床試驗設計

藥物臨床研究階段包括試驗方案設計、試驗流程管理、試驗數據管理統計分析等內容,如果僅僅依靠人工,不僅工作量大,而且容易出錯。AI具備的機器學習和認知計算能力,能夠廣泛應用到試驗研究設計、試驗流程管理、試驗數據統計分析等各個環節,提升整個臨床試驗的效率。

  • 藥物重定向

老藥新用是目前尋找藥物的常用方式,它的做到方式是將市面上已曝光的藥物及人身上的1萬多個靶點進行交叉研究及匹配。

依靠AI強大的自然語言處理能力和深度學習能力,從散亂無章的海量信息中,提取出能夠推動藥物研發的知識和新的可以被驗證的假說,將給試驗的速度帶來指數級的提升。

AI在藥物重定向環節的應用,可以省去靶點發現和藥理作用評估等環節,有望將藥物研發成本降至3億美元甚至更低,研發周期也縮短至6.5 年。

2、AI在新藥研發的應用場景企業圖譜

根據前文所訴,AI在新藥研發領域的7大應用場景,蛋殼研究院通過實地調研和案頭研究,整理出共計78家涉足新藥研發AI企業(圖譜中列出了各個應用場景的代表性企業)。

靶點發現環節的IBM Watson Health、Nimbus Therapeutics、冰洲石科技等,化合物合成環節的深度智耀、Virvio、Nuritas等。其中,靶點發現環節的AI企業數量多達39家,占企業總數的50%。

3、AI+新藥研發七大應用場景實例研究

為了方便讀者更好地理解AI在新藥研發相關環節的應用,我們選取了7大應用場景的代表性企業進行案例剖析,主要涉及企業的概況介紹、主要產品以及企業的融資情況。

  • IBM Watson Health

IBM Watson Health開發了一款藥物發現軟體—— Watson for Drug Discovery,它是一個新的雲端平台,旨在幫助生命科學家發現新的藥物靶點和替代性的藥物的適應症。

利用它的NLP、機器學習和深度學習能力,已經閱讀了2500 萬份 Medline 上的論文摘要,一百多萬篇醫學雜誌文章的全文及 400 萬份專利文件,而且所有資料都會定期更新(而研究員每年平均只能閱讀300篇左右的醫學論文)。這可以較好地幫助科學家發現新聯繫,並揭示那些隱藏較深的聯繫,更快地發現靶點。

2016年12月,IBM Watson Health與輝瑞達成合作協議,輝瑞將使用 Watson 分析大量的異構數據,共同致力於癌症藥物研發。

  • AccutarBio

2016年,AccutarBio(冰洲石科技)自主研發的藥物數據AI平台,已經完成了基於十幾萬晶體學數據的學習運算,搜尋能夠與化合物相結合的靶點,為先導化合物的篩選與合成奠定基礎。通過該平台可以將靶點發現耗費的時間從數年降低至幾月、幾天甚至幾個小時,為藥物發現帶來突破性進展。

AccutarBio目前已在上海、紐約布局了AI計算實驗室、生化實驗室。公司已完成兩輪共計1500萬美元的融資,投資方包括真格基金、IDG資本和依圖科技。

  • 深度智耀

深度智耀致力於用AI賦能新藥研發全流程,覆蓋範圍從新藥早期研發到產品上市。

在新藥早期研發階段,包括 AI 驅動的藥物合成、藥物設計、藥物活性預測等產品。特別是在2018年7月,深度智耀對外宣布內部代號為「菩提」的AI藥物合成系統,其通過大量學習公開的專利和論文數據庫,能夠協助化學家進行化合物合成,即化學家只需要輸入一個化學結構式,「菩提」系統就能在瞬間推送出數條優化的合成路線供其選擇,而且還包括部分通過人工分析無法獲得的高質量合成路線,該系統能夠將化合物合成環節的效率提高50% 以上。

在臨床研究階段,包括 AI 驅動的藥物警戒系統、註冊事務系統、寫作翻譯系統、臨床數據編程系統等產品。

其中,AI 藥物警戒系統(Deep-PV)和AI 自動翻譯寫作申報系統已經做到大規模商業化。

Deep-PV依靠自然語言處理技術,做到個例藥物不良反應/不良事件報告的快速無人化采集、翻譯、編碼、評估和評價,支撐藥企臨床研究以及上市後的藥物安全監測。

另外,公司的AI 自動翻譯寫作申報系統做到集醫學寫作、醫學翻譯和註冊申報「三位一體」的人機交互自進化平台,改變以往上述三大環節的割裂狀況,重構了傳統的數據文件整合模式。

公司目前已有 50 多家合作客戶,客戶既包括排名前十的跨國藥企,也包括國內一線藥企以及中小藥企,合作方式包括 SaaS 服務、本地部署、戰略咨詢等。

在融資方面,公司已累計獲得3輪融資,目前已完成1500萬美元的B輪融資,由紅杉中國獨家投資。

  • Virvio

Virvio公司成立於2014年,致力於利用深度學習算法模擬蛋白質合成,用於滿足分子靶標和適應症的要求,其合成的蛋白質結構超穩定性和可製造性。

針對美國每年56000例的流感死亡人數和市場上流感疫苗的高耐藥性、低效率的狀況,Virvio蛋白質合成平台模擬出一款名為HB36.6的蛋白質結構,能夠加強對諸如H1N1和H5N1型流感的免疫能力,降低感染風險,將很快應用到藥物制備。

  • Insilico Medicine

Insilico Medicine公司使用其獨有的生成對抗網路(GAN)和強化學習(RL)等新型算法來加快化合物的篩選進程,採用先進的端對端技術,對化合物的活性、安全性等方面進行分析對比,以篩選出最佳的臨床前候選藥物分子,為進入臨床研究做準備。

公司在2018年6月與藥明康德達成戰略合作,利用其AI生成的新藥研發管線在藥明康德新藥研發服務平台上進行測試,以期篩選出理想的臨床前藥物候選分子。目前公司已完成C輪融資,累計融資額達到2000萬美元。

  • Atomwise

Atomwise公司開發的AtomNet化合物篩選系統,是一款基於卷積神經網路的AI系統,旨在運用超級計算能力和複雜的算法模擬制藥過程,來預測新藥的效果,能夠在幾天時間內完成對新藥的評估,為制藥公司、創業公司和研究機構提供化合物篩選服務。

Atomwise是較早開展商業商業化落地應用的公司,在2012年5月,與默沙東公司簽署合作協議,幫助其完成藥物研發早期的化合物篩選工作。

2015年,Atomwise利用 AI 技術,在不到一天的時間內對現有的7000多種藥物進行了分析測試,成功地尋找出能控制伊波拉病毒的兩種候選藥物,並且成本不超過 1000 美元(傳統技術需要數年時間和數十億美元成本)。

目前,Atomwise已完成A輪融資,累計融資額達到5134.5萬美元。

  • 晶泰科技

晶泰科技開發的「藥物固相篩選與分析系統」是基於AI的深度學習和認知計算能力,能夠在短時間內通過對醫學文獻、臨床試驗數據等非結構化數據進行處理、學習和計算,預測各種晶型在穩定性、熔點、溶解度、溶出速率等方面的差異,以及由此而導致在臨床過程中出現的毒副作用與安全性問題,在短時間內篩選出穩定性和溶解度最佳的晶型結構。

2018年5月9日,晶泰科技與輝瑞制藥簽訂戰略研發合作協議,輝瑞將借助晶泰科技的AI技術,建立小分子模擬算法平台,驅動小分子藥物創新。目前,晶泰科技已完成B+輪融資,累計融資總額超過6100萬美元。

  • 零氪科技

零氪科技研發的精準臨床招募系統——Link Recruitment™,基於國內最大規模的醫療大數據資源庫,能夠快速完成在臨床試驗文件裡提取相關數據,評估出病人到底適合哪一種治療方法,並自動上傳相關患者病歷與臨床試驗數據庫登記的相關試驗進行實時精準匹配和動態更新,通知受試者及時參加相關試驗。

公司已先後與國內多家三甲醫院達成合作,為藥品臨床試驗科室提供患者招募服務,後續還將尋求更多的第三方臨床試驗機構,擴大客戶群。

截止目前,公司已完成D輪融資,累計融資總額超過10億元人民幣,投資方包括了中國投資有限責任公司、寬帶資本、薈橋資本、千驥資本、長嶺資本、TEMASEK、NEA等機構。

  • Trials.ai

藥品臨床試驗效率低下的原因主要是試驗方案設計不科學和缺乏對受試者的動態監控。Trials.ai是一家位於聖迭戈的AI公司,致力於通過改善試驗設計方案和試驗流程管控來加速臨床試驗進程和提高試驗效率。

公司開發的臨床試驗管理系統整合了方案設計、流程監控、用藥依從性、數據分析等功能,能夠做到對整個臨床試驗的全流程管理。

方案設計:系統會根據每種藥品的屬性、藥企的要求、受試者的情況等進行方案設計,並在方案中約定各方的權利和義務,最大限度地減少違約風險。

流程監控:系統能夠對整個試驗流程進行動態監控,如果出現意外情況,系統會主動向管理人員發出報警,以便及時處理。

用藥依從性:臨床試驗經常會發生受試者不按要求用藥的情況,且試驗管理者無法及時掌握相關情況。系統能夠對受試者的日常活動做到智能管理,按時提醒他們用藥,並將相關情況反饋給管理者,從而保證試驗的效果。

數據分析:系統能夠對用藥數據、進程數據、受試者反饋數據做到智能分析並給出建議,供管理者參考決策,通過數據來全面反映試驗效果。

  • 雲勢軟體

雲勢軟體在2018年4月發布新一代AI驅動的新藥發現引擎——GeniusMED,該系統從大量數據源中整合了與藥品、疾病、基因、蛋白質等相關的多種藥物研發數據,構建了一個大規模的綜合性藥物研發知識庫。並結合臨床試驗數據,匹配藥物靶點與新適應症的結合,發現藥物的新用途。

GeniusMED整合藥物信息和疾病信息兩大系統,形成藥物相似性網路、疾病相似性網路和已知的藥物——疾病關聯性網路。借助AI的深度學習能力和認知計算能力,將已上市或處於研發管線的藥物與疾病進行匹配,發現新靶點,擴大藥物的治療用途。目前,公司利用GeniusMED系統已經驗證了3款用於治療阿爾茨海默症的候選藥物和2款用於治療紅斑狼瘡的候選藥物。公司在今年 6 月與默沙東公司達成合作,在 80 個化合物中尋找可能的新適應症。

公司業務除了藥物重定向以外,還涉足靶點發現、化合物合成、化合物篩選、晶型預測等業務。目前,公司已完成B輪融資。

  • BenevolentAI

BenevolentAI公司推出的JACSAI系統,憑借其自然語言處理能力和深度學習能力,在短時間內能夠集中處理大量的非結構化數據,包括疾病數據、藥物數據、試驗數據等等,並發現他們之間的新聯繫,找到藥物的新適應症,做到藥物重定向,幫助科學家發現藥物更有價值的適應症。

2014 年6 月,BenevolentAI 宣布與一家美國的制藥公司達成合作,並將兩款經過新適應症(阿爾茨海默氏症)驗證的新藥賣給這家美國公司,這兩款藥物處於中標候選化合物評估階段,此次交易高達8 億美。

2017 年5 月,BenevolentAI對一款名為bavisant的臨床試驗失敗藥物進行重定向分析,發現其對帕金森患者日間過渡嗜睡症狀具有較好的治療效果。目前,公司已累計獲得2.07億美元的融資。

4、制藥巨頭與AI企業聯姻,做到優勢互補

一方面,制藥巨頭一直面臨著新藥研發周期長、研發成功率低和研發費用高的痛點,而AI技術在新藥研發過程的應用可以有效地緩解上述痛點,每年為它們節約數百億美元的研發成本。

另一方面,AI企業雖然具備技術優勢,但他們缺少藥物研發的相關數據、成熟的研發管線以及資深的藥物專家,而這恰好是傳統制藥巨頭所具備的優勢。因此,雙方的聯姻能較好地彌補彼此存在的短板,形成互補。

動脈網·蛋殼研究院根據公開資料搜集整理了26家制藥巨頭與AI企業的合作情況(統計時間區間:2012年1月—2018年8月),AI技術主要應用在靶點發現和化合物篩選兩大環節,占比分別達到42%和35%。

如2016年12月,輝瑞與IBM Watson達成合作,後者將利用AI技術為輝瑞加速藥物靶點的發現。2017年6月,日本制藥巨頭武田制藥與Numerate簽署合作協議,Numerate將其最新的AI技術應用到化合物篩選環節,縮短武田制藥的新藥研發時間(詳細合作情況見下表)。

三、資本青睞:AI+新藥研發企業投融資情況

截止2018年10月25日,國內外共有53家AI+新藥研發公司(排出未公開融資額的公司)獲得融資,累計獲得融資總額共計13.1億美元。其中,國外有47家公司獲得融資,累計總額共計10.6美元,國內有6家公司獲得融資,累計融資總額2.5億美元。

1、45%的AI企業累計融資額在1000萬美元以下

從各大AI+新藥研發企業累計融資額看,45%的企業累計融資額都在1000萬美元以下,累計融資額在1億美元以上的企業只有5家,這說明AI+新藥研發領域屬於新興領域,未來資本的關注度會逐漸增強。

本報告剩餘內容:

三、資本青睞:AI+新藥研發企業投融資情況

2、地域分布——美國遙遙領先,中英不分伯仲

3、輪次分布——A輪及以前融資企業數量占比接近80%

4、應用場景分布——靶點發現領域的融資企業數和累計融資總額雙雙奪魁

四、未來發展:數據體系、人才隊伍和商業模式的優化升級

1、構建完整的數據體系,解決前提和基礎

2、打造強大的專家隊伍,解決人才瓶頸

3、創新商業模式,豐富企業盈利來源

附錄:78家AI+新藥研發企業名單及融資情況

現在長按識別上方二維碼,成為動脈網正式會員,即可獲得完整版《AI+新藥研發市場發展現狀及趨勢報告》和全球《78家AI+新藥研發企業名單及融資情況》。並且,在未來的一年裡,您可以暢讀完整的行業趨勢報告,及時掌握全球最新的投融資信息,坐擁齊全的醫療企業數據庫,還有海量資源對接

*特別感謝雲勢軟體創始人&CEO張英男先生、深度智耀創始人李星女士以及晶泰科技聯合創始人&大數據與人工智能研發中心負責人賴力鵬先生對本報告的大力支持。

* 封面圖片來源:www.pexels.com

參考資料:

1、Artificial intelligence and machine learning: revolutionizing drug development——IMED Annual Review 2017.

2、World Preview 2018, Outlook to 2024——Evaluate Pharma.

3、擁抱醫藥創新的新時代:創新藥產業深度報告暨2018 年投資策略——銀河證券.

4、醫藥生物行業深度報告(2016-11-10):關於研發創新藥的一些問題——東方財富證券.

5、人工智能在醫療健康領域的應用(三):藥物挖掘,https://vcbeat.net/YTgyN2QwMDc4ZWQyYTg1YWYzYTg1ZDkyZTAzYzU3MGU=

文 | 石安傑

微信 | ange568

網站、公眾號等轉載請聯繫授權

聲明:動脈網所刊載內容之知識產權為動脈網及相關權利人專屬所有或持有。文中出現的採訪數據均由受訪者提供並確認。未經許可,禁止進行轉載、摘編、復制及建立鏡像等任何使用。