Wie beliebt sind KI-Arzneimittel, die Finanzierungsrunden abgeschlossen haben?
Ein Auslandsauftrag hat einen Höchstwert von 33,1 Milliarden Yuan erreicht, was in etwa den F&E-Investitionen traditioneller Pharmaunternehmen für ein ganzes Jahr entspricht.
Der Inlandsmarkt wird vorsichtig auf 204 Milliarden Yuan geschätzt. Führende Internetunternehmen wie BAT, Byte, Huawei usw. wetteifern um Investitionen, und einige Unternehmen haben innerhalb eines Jahres sogar drei große Finanzierungsrunden abgeschlossen. .
△Fotoquelle: Quantum Think Tank
Vom Frontier Interdisciplinary Research Institute der Universität Peking haben sich Professoren berühmter ausländischer Universitäten bis hin zu Doktoranden des MIT usw. dem Unternehmertum angeschlossen, und einige Studenten haben Doktorandenangebote erhalten Berühmte ausländische Universitäten sind sogar ausgestiegen, um beizutreten...
Allerdings steht es im krassen Gegensatz zum Kapitalboom. Im Gegensatz dazu steht die aktuelle Situation der Branchenentwicklung:
Die Zahl der inländischen KI-Pharmaunternehmen, die auf der Liste stehen Der Markt liegt heute bei 0, und nicht einmal eines hat die Rentabilität erreicht; die Aktienkurse ausländischer KI-Pharmaunternehmen sind nach der Notierung rasant eingebrochen.
Derzeit wurde weltweit kein von KI erfolgreich entwickeltes Medikament erfolgreich auf den Markt gebracht. Nach öffentlichen Informationen verschiedener Start-up-Unternehmen gibt es nur 2 inländische Unternehmen und 8 ausländische Unternehmen, deren Pipelines gerade in die erste klinische Phase eingetreten sind.
Nachdem die anfängliche Begeisterung für die Branche verflogen ist, werden Zweifel immer deutlicher:
Ist die KI-Pharmaindustrie ein Star, der bei zukünftigen Investitionen und Finanzierungen Aufmerksamkeit erregt, oder handelt es sich um eine PPT-Blase unter dem Verkleidung der Technologie?
Kann der Datenengpass der KI-Technologie selbst und ihre Rolle im Pharmabereich wirklich die sinkenden Gewinne traditioneller Pharmaunternehmen retten?
Wann werden KI-Arzneimittel wirklich Früchte tragen?
Nachdem wir Dutzende von Institutionen interviewt hatten, haben wir den „AI Pharmaceutical In-Depth Industry Report“ verfasst und versucht, die aktuelle Situation der KI-Pharmaindustrie im In- und Ausland sowie die Schwierigkeiten und Chancen dieser Branche zu beschreiben .
AI Pharmaceutical „Karte der aktuellen Situation“
AI Pharmaceutical sollte, genauer gesagt, „KI zur Vorhersage von Medikamenten nutzen“.
Ja, KI hat das traditionelle pharmazeutische F&E-System zum jetzigen Zeitpunkt noch nicht wirklich durchbrochen. Selbst im F&E-Prozess beträgt die KI-Optimierung weniger als 40 %.
Diese Positionierung verstärkt die „Ambivalenz“ von KI-Arzneimitteln selbst:
Einerseits ist die Arzneimittelentdeckung der Eckpfeiler des gesamten Arzneimittelforschungs- und -entwicklungsprozesses und andererseits der vielversprechendste Durchbruch; 60–80 % der Kosten für klinische Studien in der Arzneimittelforschung und -entwicklung können nicht durch KI optimiert werden.
Dieser Widerspruch spiegelt sich auch in der Finanzierungssituation, der Technologiepreisgestaltung und der F&E-Umsetzung von KI-Arzneimitteln wider.
Wenn man sich nur die Finanzierungssituation anschaut, könnte man meinen, dass die KI-Pharmabranche eine Branche mit großen Geldaussichten ist.
Nach Angaben von BOC Securities hat sich allein im Jahr 2020 die Zahl der AI+-Pharmafinanzierungsprojekte in China verdoppelt, und die Gesamtfinanzierung im selben Jahr stieg im Vergleich zum Vorjahr um etwa das Zehnfache.
Seitdem haben mindestens 11 KI-Pharmaunternehmen auf der ganzen Welt groß angelegte Finanzierungen in Höhe von mehr als 100 Millionen US-Dollar erhalten. Und diese Daten zeigen immer noch einen steigenden Trend:
△ Datenquelle: BOC Securities
Laut dem Bericht von Artery Orange ist „KI + Pharmazeutika“ zu einem der beliebtesten Titel für Kapital im Jahr 2021 geworden Es gab 77 globale Finanzierungsrunden mit einem Gesamtbetrag von 4,56 Milliarden US-Dollar (ca. 30,7 Milliarden RMB), wovon 1,24 Milliarden US-Dollar auf dem chinesischen Markt aufgebracht wurden.
Gleichzeitig ist auch die Überlebenssituation der AI+-Pharmaunternehmen sehr optimistisch. Etwa 53 % der Unternehmen der Serie A stiegen erfolgreich in die Serie B ein; 38 % der Unternehmen der Serie B traten erfolgreich in die Serie C ein;
Wenn man sich die Monetarisierungsmethoden von KI-Unternehmen ansieht, scheint es, dass sie auch Investitionspotenzial haben.
Unter Bezugnahme auf die Prospektdaten von Benevolent sind die von KI-Pharmaunternehmen festgelegten Anzahlungs- und Meilensteinzahlungspreise allein bei Betrachtung des Preises der selbst entwickelten Pipeline nicht niedrig, insbesondere nach der zweiten Phase der klinischen Studien kann die Anzahlung allein reichen fast 100 Millionen US-Dollar.
△Bildquelle: Qubit Think Tank
Aber wenn man sich die Forschungs- und Entwicklungsumsetzung ansieht, herrscht ein starkes Gefühl des Widerspruchs.
Zum Beispiel gibt es in der Branche immer noch kein KI-vorhergesagtes Medikament auf dem Markt, und es gibt noch nicht einmal ein Medikament auf dem Markt, das öffentlich in die zweite Phase klinischer Studien eingetreten ist.
Gleichzeitig muss die KI-Pharmazeutik noch über eine bahnbrechende Kerntechnologie verfügen, die beweisen kann, dass KI für die Arzneimittelforschung (AIDD) zuverlässig und nachhaltig ist und den traditionellen Computer-Wirkstoffforschungsprozess (CADD) ersetzen oder optimieren kann.
Daten des Qubit Think Tank zufolge haben selbst die am schnellsten wachsenden Medikamente zur KI-Vorhersage nur Tierversuche bestanden und sind in die erste Phase klinischer Studien eingetreten.
Unter diesen am schnellsten wachsenden Medikamenten zur KI-Vorhersage gibt es nur drei inländische Pipelines. Obwohl fast 16 ausländische Pipelines in klinische Studien eingetreten sind, befinden sie sich alle noch in der ersten Phase.
△Bildquelle: Qubit Think Tank
Eine solche Situation hat dazu geführt, dass die Kapitalbegeisterung seit 2021 allmählich nachlässt:
Derzeit hat kein inländisches KI-Pharmaunternehmen seine Börsennotierung abgeschlossen, noch hat das Unternehmen einen solchen erreicht Rentabilität.
Bei mindestens 7 oder 8 ausländischen börsennotierten Unternehmen, fast ausnahmslos, sind die Aktienkurse eingebrochen.
Tatsächlich ist die Wahrscheinlichkeit eines Scheiterns in der Arzneimittelforschung und -entwicklung aufgrund der bisherigen Erfahrungen extrem hoch. Investitionen in klinische Studien mit unzähligen neuen Arzneimitteln sind letztendlich verschwendet, was die Unsicherheit der KI-Vorhersage der Arzneimitteleinführung noch einmal erhöht.
Insbesondere da diese Medikamente noch nicht in die zweite Phase klinischer Studien eingetreten sind, gibt es keine Garantie, ob sie auf den Markt gebracht werden können.
Seit dem „Thalidomid-Vorfall“ im Jahr 1961 war die nachweisbare Wirksamkeit eines Arzneimittels immer die größte Hürde für die Markteinführung aller neuen Arzneimittel. Wenn keine „substanziellen Beweise“ wie glaubwürdige Sicherheitsdaten und eindeutige Nutzendaten für Patienten vorgelegt werden können, ist die Wahrscheinlichkeit hoch, dass das Medikament in diesem Stadium stirbt.
Offensichtlich wird in dieser Zeit das meiste Kapital an der Seitenlinie bleiben, bis von der KI vorhergesagte Medikamente in die klinischen Phase-II-Studien eintreten und diese bestehen.
Im Vergleich zu traditionellen Pharmaunternehmen sind KI-Pharmaunternehmen nicht groß. In Situationen, in denen die Risiken und Kosten klinischer Studien extrem hoch sind, wird diese „Möglichkeit des Scheiterns“ entweder verlagert oder kann nur vom Unternehmen selbst getragen werden.
Damit haben KI-Pharmaunternehmen zwei Hauptgeschäftsmodelle entwickelt.
Das erste ist das CRO-Modell (Contract Research Organization), das Forschungs- und Entwicklungsrisiken an traditionelle Pharmaunternehmen oder andere Unternehmen überträgt und KI-Technologie verwendet, um die Medikamente vorherzusagen, die Partei A benötigt.
Das zweite ist das Selbstentwicklungs-Pipeline-Modell, das bereit ist, das Risiko eines F&E-Misserfolgs zu tragen. Das Unternehmen hält die Arzneimittel- und Technologiepatente in seinen Händen, sobald es erfolgreich eingeführt wird oder einen bestimmten Monetarisierungsknotenpunkt erreicht. klinische Forschung), es kann das Patent übertragen oder eine Gebühr erheben, um Geld zu verdienen.
Wie entscheidet man, ob man ein CRO oder eine selbst entwickelte Pipeline ist?
Einer ist die Finanzierungssituation. Der Mittelbedarf für selbst entwickelte Pipelines ist extrem hoch. Unternehmen, denen es nicht an Geld mangelt, können direkt ihre eigenen Pipelines entwickeln; Unternehmen, die ihre eigenen Pipelines entwickeln möchten, aber keine Mittel haben, können zunächst durch CRO-Outsourcing Geld verdienen und das verdiente Geld dann für die Entwicklung ihrer eigenen Pipelines verwenden.
Das andere ist der Positionierungsunterschied. Verglichen mit der großen Anzahl pharmazeutischer Theorien, die von Unternehmen beherrscht werden, die aus traditionellen Pharmaunternehmen stammen, eignen sich CROs besser für „grenzüberschreitende unternehmerische“ Akteure, um schnell ihre eigene KI-Technologie-Signatur zu etablieren. Sie erfordern eine höhere pharmazeutische Erfahrung und Ressourcen .
Tatsächlich ist CRO derzeit in China beliebter. Im Vergleich dazu erzielt es schneller Gewinne, verfügt über ein klareres Monetarisierungsmodell und muss nicht die Risikokosten nachfolgender klinischer Studien tragen.
Darüber hinaus können Unternehmen, die kein Interesse daran haben, KI-Arzneimittelpatente zu halten und nur technische Dienstleistungen verkaufen, auch nur CROs sein.
Dies hat auch zum dritten Geschäftsmodell geführt – diejenigen, die sich auf Technologieplattformen spezialisieren und KI-Pharmasoftware für prädiktive Forschung und Entwicklung an andere Unternehmen verkaufen. Derzeit gibt es in China jedoch nur sehr wenige Unternehmen, die tatsächlich Gebühren erheben.
Offensichtlich werden die Positionierung und die technologischen Vorteile von KI-Pharmaunternehmen einen großen Einfluss auf die Wahl ihres Geschäftsmodells haben.
Es gibt viele Akteure, die sich bereits am Spiel beteiligt haben, von Doktoranden und Professoren renommierter in- und ausländischer Universitäten über Internetgiganten und traditionelle Pharmaunternehmen bis hin zu Kapitalinkubatoren, was einen diversifizierten Trend zeigt.
Lassen Sie uns zunächst über die Situation von Doktoranden berühmter Universitäten sprechen, die ihr eigenes Unternehmen gründen. Am Beispiel von Jingtai Technology ist es ein typischer Fall, dass ein MIT-Doktorand in Quantenphysik nach China zurückkehrt, um ein Unternehmen zu gründen. Da der Vorteil des Unternehmens in der KI-Technologie und seiner Fähigkeit liegt, mithilfe theoretischer Forschung in der Quantenphysik branchenführend zu sein, hat Jingtai Technology klargestellt, dass es sich auf das CRO-Modell konzentrieren und keine eigene Pipeline entwickeln wird.
Es gibt auch Fälle, in denen Universitätsprofessoren Forschungsergebnisse transformieren. Huashen Intelligent Medicine wurde beispielsweise von UIUC-Professor Peng Jian gegründet. Dieses Unternehmen konzentriert sich auf die Erstellung und Bereitstellung von Technologieplattformen.
Danach sind auch Internetgiganten und traditionelle Pharmaunternehmen ins Spiel gekommen.
Ersteres hat seine eigenen Vorteile in der algorithmischen Rechenleistung und kann seinen „Einflussbereich“ leicht erweitern, indem es den Einfluss des Internets selbst nutzt. Beispielsweise haben Baidu und Tencent die Plattformen Baitu Biotech und Yunshen Pharmaceutical eingerichtet, um schnell ins Spiel einzusteigen ihre gesammelte Erfahrung mit KI-Algorithmen; Alibaba baut aufgrund seines Rechenleistungsvorteils schnell vor- und nachgelagerte Beziehungen auf.
Letzterer verfügt über umfassende Erfahrung in der Arzneimittelforschung und -entwicklung und hat auf dieser Grundlage ein KI-Pharmaforschungs- und -entwicklungsteam aufgebaut. Beispielsweise haben AstraZeneca, Merck, Pfizer und Teva gemeinsam mit Amazon und Israel das Experiment AION Labs etabliert Biofundraum.
Schließlich gibt es Kapitalunternehmertum und Fonds-Inkubationssituationen, und sogar Investoren selbst haben sich in KI-Unternehmertum verwandelt. Beispielsweise war Wang Yikai, der Gründer von Coin Biotechnology, Vizepräsident von Fengrui Capital. Nach der Gründung des Unternehmens gewann er die Investition von Peak Rui Capital.
Nach Angaben des Qubit Think Tank wird der KI-Pharmamarkt im Jahr 2025 voraussichtlich 7,2 Milliarden und im Jahr 2035 204 Milliarden erreichen.
Plötzlich strömten viele Spieler auf die KI-Pharmabahn. Angesichts der aktuellen Situation und der aktuellen Situation der Akteure ist es jedoch unmöglich, die Entwicklungsaussichten von KI-Pharmaunternehmen anhand reiner technischer Stärke oder finanzieller Vorteile zu beurteilen.
Wer ist der wirkliche Akteur unter ihnen und das Unternehmen, das am meisten verspricht, die Führung bei der Einführung des ersten neuen KI-Medikaments zu übernehmen?
Wer kann als Erster das erste KI-Medikament auf den Markt bringen?
Es gibt viele Standards und Dimensionen, aber es gibt 4 Kerndimensionen, die in der Branche nicht umgangen werden können:
01, Anzahl der Pipelines und F&E-Fortschritt
Angesichts der Tatsache, dass der pharmazeutische Prozess komplex ist und eine hohe Fehlerquote aufweist, ist der Der Prozess von der klinischen Zulassung über die Forschung bis zur endgültigen Markteinführung ist ein Schritt. Ein extrem langer Prozess. In der aktuellen Phase ist die Anzahl der Pipelines einer der direktesten Ausdrucksformen von Stärke.
Wie bereits erwähnt, ist die Pipeline in eine Selbstentwicklungspipeline und eine externe Kooperationspipeline (CRO) unterteilt.
Bei selbst entwickelten Pipelines können Unternehmen Pipeline-Ergebnisse an bestimmte Knotenpunkte übertragen, z. B. neue Ziele, Arzneimittelkandidaten usw.; sie können CRO auch nutzen, um in die klinische Phase vorzudringen und eine Vermarktung durchzuführen Wenn das Patent erteilt wird, werden die Gewinne sehr beträchtlich sein. Allerdings liegen auch die Risiken selbst entwickelter Pipelines auf der Hand: Die Zahlungsmethode ist unklar und es entsteht Konkurrenz mit anderen Unternehmen auf derselben Pipeline.
Daher ist es bei der Betrachtung der Selbstentwicklungspipeline von KI-Pharmaunternehmen notwendig, deren Forschungs- und Entwicklungsfortschritt und das Potenzial der ausgewählten Arzneimittelrichtung stärker zu berücksichtigen.
Im Gegensatz dazu ist die Anzahl der Kooperationspipelines im Rahmen des CRO-Modells eine direktere Möglichkeit, die technische Stärke eines Unternehmens zu beurteilen. CRO bezieht sich auf ein KI-Pharmaunternehmen, das eine bestimmte Aufgabe eines traditionellen Pharmaunternehmens erledigt. Nach der Anzahlung wird der Kooperationspreis basierend auf dem Fortschritt der Aufgabe (z. B. Arzneimittelentwicklung, Synthese und Abschluss der klinischen Forschung) festgelegt als Meilensteinzahlung.
Nach Schätzungen der Qubit-Denkfabrik beträgt die durchschnittliche Anzahlung für inländische Pipelines 2,8 Millionen US-Dollar, und der Meilensteinpreis schwankt stark je nach spezifischem Medikament und kann nach der Fertigstellung sogar mehrere zehn Milliarden Yuan erreichen. Wer mehr Kooperationspipelines erhält, bedeutet, dass dessen technische Stärke von Pharmaunternehmen mehr anerkannt wird und dass mehr Mittel in Forschung und Entwicklung investiert werden, was in einen positiven Kreislauf eintritt.
Bezogen auf eine Zusammenarbeit zwischen ausländischen Exscientia und Sanofi Anfang 2022 betrug die Anzahlung 100 Millionen US-Dollar. Nach Abschluss der Aufgabe erhalten sie einen „Horrorpreis-Vertrag“ in Höhe von 5,2 Milliarden US-Dollar, was etwa 33,1 Milliarden Yuan entspricht .
Nach Angaben des Qubit Think Tank wird eine Reihe von KI-prädiktiven Medikamenten, die in die zweite klinische Phase eintreten, zwischen 2023 und 2024 erscheinen, und das erste erfolgreich eingeführte KI-Medikament wird frühestens um 2026 erscheinen.
Bevor das Medikament auf den Markt kommt, sind die Anzahl der kooperativen Pipelines und der Forschungs- und Entwicklungsfortschritt selbst entwickelter Pipelines eine der Richtungen zur Beurteilung der technischen Stärke von KI-Pharmaunternehmen.
02. Stabile und zuverlässige Datenquellen
Für die KI-Pharmaindustrie mangelt es wahrscheinlich am meisten an Daten. Traditionelle Pharmaunternehmen sind im Allgemeinen nicht bereit, F&E-Datensätze auszulagern, die zu ihrem Kern gehören Vermögenswerte.
Aber laut Qubit Think Tank stellen Daten derzeit kein Problem für führende KI-Pharmaunternehmen dar und können sogar eine wettbewerbsfähigere Leistung in der Branche erzielen.
Daher ist die Art und Weise, wie man stabile und zuverlässige Daten erhält, auch ein wichtiges Kriterium für die Beurteilung der Wettbewerbsfähigkeit von KI-Pharmaunternehmen.
Im Allgemeinen gibt es die folgenden vier Methoden, um KI-Daten zu erhalten, und ihre Stabilität und Zuverlässigkeit haben sich schrittweise verbessert:
(1) Öffentliche/Drittanbieter-Datensätze
Diese Art von Daten ist für die Gegenwart von großer Bedeutung KI in der Pharmaindustrie hat jedoch keine langfristigen Vorteile und kann Unternehmen nicht dabei helfen, ihre Wettbewerbsfähigkeit zu steigern. Darüber hinaus bedeuten die mehr verfügbaren Daten zu bestehenden Zielen, dass die Exploration umfassender und der Erschließungswert geringer ist.
(2) Virtuelle Daten
Diese Datenerfassungsmethode erfolgt durch physikalische Modellierung, und Trainingsdaten werden von KI generiert. Sie basieren normalerweise auf älteren Zielen wie Penicillin, um Daten zu erzeugen Wert Hauptsächlich werden Trainingsdaten für das Vorhersagemodell bereitgestellt, um die Vorhersagegenauigkeit zu verbessern.
(3) Unabhängige Sammlung/externe Kooperationsdaten
Für Unternehmen mit klaren Selbstentwicklungspipelines/grundlegender Positionierung können sie relevante Daten durch den unabhängigen Aufbau von Teams sammeln oder Datenkooperationsbeziehungen mit Pharmaunternehmen aufbauen.
Im Ausland baut Tempus, gegründet 2015, seine eigene Tumorgenomik + klinische Datenbank auf, indem es Krankenhäusern, Onkologen, Krebszentren usw. kostengünstige Gensequenzierungs-, Datenstrukturierungs-, pathologische Bildanalyse- und biologische Modellierungsdienste anbietet.
Es hat 4 Jahre gedauert, eine der größten Krebsdatenbanken der Welt aufzubauen, die fast ein Drittel der US-amerikanischen Krebsdatenbank umfasst.
Chinas Janssen Pharmaceutical Factory ging 2020 eine Kooperation mit Tempus ein und erklärte öffentlich, dass die Hauptantriebskraft der Zusammenarbeit nicht Algorithmen, sondern Daten seien.
(4) Unabhängige Erzeugung experimenteller Daten durch intelligente Labore
Diese Methode bezieht sich hauptsächlich auf die direkte Durchführung von Nassexperimenten zur unabhängigen Generierung von Daten zusätzlich zu Trockenexperimenten im Labor, wodurch ein geschlossener Trocken-Nass-Kreislauf entsteht.
Verglichen mit der herkömmlichen Geschwindigkeit der Nassdatenerfassung, die langsam ist, kann der Einsatz intelligenter, automatisierter, steuerbarer, CV-Identifizierungszellmorphologie und anderer verwandter Technologien mit hohem Durchsatz die Datenerfassungsgeschwindigkeit erheblich verbessern.
In der Biologie werden Trockenexperimente mithilfe von Computersimulationen und Methoden der Bioinformatik durchgeführt. Nassexperimente werden im Labor mit molekularen, zellulären und physiologischen Testmethoden durchgeführt.
Trockene und nasse kombinierte Experimente können KI-Pharma-Startups dabei helfen, neue Wettbewerbsbarrieren in Bezug auf Daten zu schaffen. Diese Erkenntnis hat in der Branche Konsens gefunden.
Neben einem übergreifenden Team aus biologischen Talenten und Computertalenten erfordert der Aufbau einer solchen Plattform auch eine starke Hardwareunterstützung, einschließlich experimenteller Ausrüstung und Computerressourcen, sowie die Fähigkeit, diese beiden Ressourcen zu integrieren.
Derzeit verfügen alle führenden inländischen KI-Pharmaunternehmen, darunter Baidu Shengtu, Jingtai Technology und Yingsi Intelligent, über solche experimentellen Plattformen.
Mit ausreichenden Mitteln haben führende ausländische KI-Pharmaunternehmen damit begonnen, Upstream-Unternehmen mit exklusiven Daten und Technologien direkt zu erwerben.
Zum Beispiel hat Schrödinger XTAL BioStructures übernommen, um seine Fähigkeiten im Bereich der Strukturbiologie zu erweitern, und Relay Therapeutics hat ZebiAI übernommen, um seine Fähigkeiten im Bereich maschinelles Lernen und große Datenbanken zu erwerben.
Daher haben, wie vom Qubit Think Tank analysiert, traditionelle Pharmaunternehmen insgesamt Vorteile bei den Daten, diese stammen jedoch nicht aus den in der Vergangenheit gesammelten Daten, sondern aus der vollständigen experimentellen Plattform, über die sie verfügen. Für KI-Pharma-Startups mit ausreichenden Mitteln ist diese Hürde nicht hoch und sie können schnell auf das gleiche Niveau aufsteigen.
03. Anerkennung kooperativer Pharmaunternehmen
Mit der Einrichtung intelligenter Teams in traditionellen Pharmaunternehmen können Algorithmen möglicherweise nicht zum langfristigen Wettbewerbsvorteil von KI-Pharmaunternehmen werden.
Wie bereits erwähnt, haben KI-Pharmaunternehmen den F&E-Prozess der traditionellen Pharmaindustrie nicht durchbrochen. Neben dem Aufbau eigener Laborplattformen und der „Arbeit daran“ ist die Zusammenarbeit zwischen KI-Pharmaunternehmen und Pharmaunternehmen gleichermaßen wichtig.
Daher sind auch die Anzahl kooperativer Pharmaunternehmen und der Branchenstatus dieser Pharmaunternehmen zu einem intuitiven Bewertungskriterium geworden.
Derzeit zeigen die führenden KI-Pharma-Startups nach und nach ein Monopol in Zusammenarbeit mit traditionellen Pharmaunternehmen. Im Ausland hat das Unternehmen am Beispiel von Exscientia Kooperationen mit führenden Pharmaunternehmen bekannt gegeben, darunter Roche, Bayer, Sanofi, GSK, Sumitomo aus Japan und Evotec.
Natürlich ist die Zusammenarbeit zwischen traditionellen Pharmaunternehmen und KI-Pharmaunternehmen wechselseitig: Pharmaunternehmen stellen Datenbanken und Fachwissen zur Verfügung, und KI-Pharmaunternehmen wiederum stellen Technologie bereit.
Daher ist die geschäftliche Zusammenarbeit mit traditionellen Pharmaunternehmen zu einem der am häufigsten von KI-Pharmaunternehmen übernommenen Modelle geworden.
Laut Deep Pharma Intelligence haben im Jahr 2020 93 % der 44 weltweit führenden traditionellen Pharmaunternehmen Kooperationsvereinbarungen abgeschlossen. Insbesondere unter den zehn weltweit führenden Pharmaunternehmen wie Roche, Novartis und Pfizer haben sie im Durchschnitt mehr als sechsmal mit KI-Pharmaunternehmen zusammengearbeitet.
Neben dem Status und der quantitativen Anerkennung der kooperativen Pharmaunternehmen gehört auch das vom AI-Pharmaunternehmen ausgewählte CRO-Unternehmen zu den Referenzquellen.
In der traditionellen Pharmaindustrie hat CRO einen Sonderstatus, und diese Funktion wird auch in der KI-Pharmaindustrie bestehen bleiben.
KI-Pharmaunternehmen können zum CRO traditioneller Pharmaunternehmen werden, andererseits benötigen KI-Pharmaunternehmen aber auch einen eigenen CRO, einschließlich Datenpartnern, Lieferanten für Tests und Experimente usw., um die Antragsgenehmigung und Datenerfassung abzuschließen. klinische Studien und andere Aufgaben.
Für KI-Pharmaunternehmen wird die Wahl des CRO großen Einfluss auf ihre klinischen Projekte und den Kommerzialisierungsprozess haben.
04. Durchbrechen des einzigen Merkmals der „KI-Effizienzverbesserung“
Wie wir alle wissen, besteht eines der aktuellen Anwendungsszenarien von KI-Arzneimitteln darin, die Effizienz des Wirkstoff-Screenings zu verbessern, aber dies geschieht oft auf der Grundlage vorhandener Ziele und Wirkstoffe Datenbanken.
Mit der Etablierung interner KI-Teams in Pharmaunternehmen steigen jedoch die Eintrittsbarrieren für neue KI-Pharma-Startups weiter. Darüber hinaus sind die aktuellen Überschneidungen in der gesamten Branche relativ hoch und die Pipelines der meisten Unternehmen sind bereits etabliert auf ausgereifte Ziele. Klicken Sie zum Entwickeln.
Mit anderen Worten: Der Einsatz von KI zur Verbesserung der Effizienz der Arzneimittelforschung ist in dieser Branche nichts Neues. Derzeit haben führende KI-Pharmaunternehmen die innovative Fähigkeit entwickelt, KI zur Erkundung des „pharmazeutischen Niemandslandes“ zu nutzen.
Daher ist es für neue Startups sehr wichtig, einen eigenen, einzigartigen Einstiegspunkt in Geschäftsszenarien oder Technologien zu haben.
Dies erfordert möglicherweise, dass KI-Pharmaunternehmen von der zugrunde liegenden Theorie ausgehen, einschließlich der Neudefinition medizinischer Probleme, der kreativen Nutzung multidisziplinärer Perspektiven wie Physik und Chemie, der Neudefinition von Szenarien und Problemen in der Arzneimittelforschung und -entwicklung und der Verwendung mehrerer Prinzipien zum Ausgleich Überwinden Sie die inhärenten Grenzen von Fehlern und Unsicherheiten bei KI-Modellen und verbessern Sie deren Effizienz.
Abschließend: Welche Spieler können nach diesen vier Bewertungskriterien zuerst als Sieger hervorgehen?
Laut der globalen KI-Pharmalandschaftskarte von Qubit Think Tank sind zwar die meisten derzeit führenden Akteure ausländische Unternehmen, aber auch inländische Akteure wie Jingtai Technology und Yingsi Intelligent sind zu sehen:
Nach der Popularität des Im Bereich der KI-Pharmabranche kehrten viele Doktoranden berühmter ausländischer Universitäten nach China zurück, um mit Projekten und Theorien eigene Unternehmen zu gründen, und sie gleichen auch schnell den Mangel an technologischen Innovationsfähigkeiten in der heimischen Pharmaindustrie aus.
Wird China dieses Mal in der Welle pharmazeutischer Innovationen, die durch neue Technologien vorangetrieben werden, eine pharmazeutische Fabrik von Weltklasse hervorbringen?
Es gibt einen Trend und noch mehr Potenzial.
Das obige ist der detaillierte Inhalt vonVerstehen Sie das Gesamtbild der KI-Arzneimittel in einem Artikel: Jahresumsatz von 30 Milliarden, mit drei unterschiedlichen Ebenen. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!
