Comprenez l'ensemble de l'industrie pharmaceutique de l'IA en un seul article : un chiffre d'affaires annuel de 30 milliards, avec trois échelons distincts

Quelle est la popularité des produits pharmaceutiques IA qui ont levé des cycles de financement ?

Une commande étrangère a atteint un maximum de 33,1 milliards de yuans, ce qui est proche de l'investissement en R&D des sociétés pharmaceutiques traditionnelles sur une année entière.

Le marché intérieur est estimé au bas mot à 204 milliards de yuans. Les entreprises leaders de l'Internet telles que BAT, Byte, Huawei, etc. se disputent les investissements, et certaines entreprises ont même réalisé trois cycles de financement à grande échelle en un an. .

△Source photo : Quantum Think Tank

De l'Institut de recherche interdisciplinaire Frontier de l'Université de Pékin, des professeurs d'universités étrangères célèbres, des docteurs du MIT, etc. se sont joints à l'entrepreneuriat, et certains étudiants qui ont reçu des offres de doctorat de de célèbres universités étrangères ont même abandonné leur participation...

Cependant, cela contraste fortement avec le boom du capital. En revanche, c'est la situation actuelle du développement de l'industrie :

Le nombre de sociétés pharmaceutiques nationales d'IA cotées à la bourse. le marché est aujourd'hui nul, et aucune d'entre elles n'a atteint la rentabilité ; les cours des actions des sociétés pharmaceutiques étrangères d'IA ont plongé de façon folle après leur cotation.

À l'heure actuelle, aucun médicament développé avec succès par l'IA n'a été lancé avec succès dans le monde. Selon les informations publiques de diverses start-up, il n'y a que 2 sociétés nationales et 8 sociétés étrangères dont les pipelines viennent d'entrer dans la première phase clinique.

Maintenant que l'enthousiasme initial pour l'industrie est passé, les voix du doute sont devenues de plus en plus importantes :

L'industrie pharmaceutique de l'IA est-elle une piste vedette qui attire l'attention dans les investissements et les financements futurs, ou est-ce une bulle PPT sous le couvert de la technologie ?

Le goulot d'étranglement des données de la technologie de l'IA elle-même et son rôle dans le domaine pharmaceutique peuvent-ils réellement sauver les bénéfices en baisse des sociétés pharmaceutiques traditionnelles ?

Quand les produits pharmaceutiques basés sur l’IA porteront-ils réellement leurs fruits ?

Après avoir interviewé des dizaines d'institutions, nous avons rédigé le "AI Pharmaceutical In-Depth Industry Report", essayant de décrire la situation actuelle de l'industrie pharmaceutique de l'IA au pays et à l'étranger, ainsi que les difficultés et opportunités rencontrées par cette industrie. .

AI Pharmaceutical "Carte de la situation actuelle"

AI Pharmaceutical, plus précisément, devrait "utiliser l'IA pour prédire les médicaments".

Oui, à ce stade, l'IA n'a pas vraiment brisé le système de R&D pharmaceutique traditionnel. Même dans le processus de R&D, l'optimisation de l'IA est inférieure à 40 %.

Ce positionnement intensifie « l'ambivalence » des produits pharmaceutiques IA eux-mêmes :

D'une part, la découverte de médicaments est la pierre angulaire de l'ensemble du processus de R&D de médicaments et, d'autre part, la percée la plus prometteuse pour l'innovation pharmaceutique ; R&D sur les médicaments 60 à 80 % des coûts des essais cliniques ne peuvent pas être optimisés par l’IA.

Ce sentiment de contradiction se reflète également dans la situation financière, les prix des technologies et la mise en œuvre de la R&D des produits pharmaceutiques IA.

Rien qu’en regardant la situation financière, on pourrait penser que l’IA pharmaceutique est une industrie avec de nombreuses perspectives financières.

Selon les données de BOC Securities, rien qu'en 2020, le nombre de projets de financement pharmaceutique AI+ en Chine a doublé et le financement total au cours de la même année a augmenté d'environ 10 fois par rapport à l'année précédente.

Depuis lors, au moins 11 sociétés pharmaceutiques IA dans le monde ont reçu un financement à grande échelle de plus de 100 millions de dollars américains. Et ces données montrent toujours une tendance à la hausse :

△ Source des données : BOC Securities

Selon le rapport Artery Orange, « IA + produits pharmaceutiques » est devenu l'une des pistes les plus populaires pour le capital en 2021 Il y a eu 77 cycles de financement mondiaux pour un montant total de 4,56 milliards de dollars américains (environ 30,7 milliards de RMB), dont 1,24 milliards de dollars américains ont été levés sur le marché chinois.

Dans le même temps, la situation de survie des sociétés pharmaceutiques AI+ est également très optimiste. Environ 53 % des sociétés de série A ont accédé à la série B ; 38 % des sociétés de série B ont réussi à entrer dans la série C ; 46 % des sociétés de série C ont réussi à entrer dans la série D.

En regardant les méthodes de monétisation des entreprises d'IA, il semble qu'elles aient également un potentiel d'investissement.

En se référant aux données du prospectus de Benevolent, en regardant uniquement le prix du pipeline auto-développé, les prix d'acompte et de paiement d'étape fixés par les sociétés pharmaceutiques d'IA ne sont pas bas, surtout après la deuxième phase des essais cliniques, l'acompte à lui seul peut atteindre près de 100 millions de dollars américains.

△Source de l'image : Qubit Think Tank

Mais lorsque l'on regarde la mise en œuvre de la recherche et du développement, il existe un fort sentiment de contradiction.

Par exemple, il n'existe toujours pas de médicament prédit par l'IA sur le marché dans l'industrie, et il n'y a même pas de médicament sur le marché qui soit publiquement entré dans la deuxième phase des essais cliniques.

Dans le même temps, les produits pharmaceutiques basés sur l'IA doivent encore émerger avec une technologie de base révolutionnaire qui puisse prouver que l'IA pour la découverte de médicaments (AIDD) est fiable et durable, et peut remplacer ou optimiser le processus traditionnel de découverte informatique de médicaments (CADD).

Selon les données du Qubit Think Tank, même les médicaments de prédiction de l'IA à la croissance la plus rapide n'ont passé que les tests sur les animaux et sont entrés dans la première phase des essais cliniques.

Parmi ces médicaments de prédiction de l'IA à la croissance la plus rapide, il n'existe que 3 pipelines nationaux. Bien que près de 16 pipelines étrangers soient entrés dans les essais cliniques, ils en sont tous encore à la première phase.

△Source photo : Qubit Think Tank

Une telle situation a provoqué un refroidissement progressif de l'enthousiasme du capital depuis 2021 :

Actuellement, aucune société pharmaceutique nationale d'IA n'a terminé sa cotation, ni aucune L'entreprise n'a atteint rentabilité.

Au moins 7 ou 8 sociétés cotées étrangères, presque sans exception, leurs cours boursiers ont chuté.

En fait, à en juger par l'expérience passée, la probabilité d'un échec de la recherche et du développement de médicaments est extrêmement élevée. Les investissements dans les essais cliniques d'innombrables nouveaux médicaments sont finalement gaspillés, ce qui augmente encore une fois l'incertitude de la prédiction par l'IA du lancement d'un médicament.

D'autant plus que ces médicaments ne sont pas encore entrés dans la deuxième phase des essais cliniques, il n'y a aucune garantie s'ils pourront être lancés sur le marché.

Depuis « l'incident de la thalidomide » en 1961, la possibilité de vérifier l'efficacité d'un médicament a toujours été le plus grand seuil pour le lancement de tout nouveau médicament. Si des « preuves substantielles » telles que des données de sécurité crédibles et des données claires sur les bénéfices pour les patients ne peuvent pas être fournies, le médicament est très susceptible de mourir à ce stade.

Évidemment, pendant cette période, la plupart des capitaux resteront sur la touche jusqu'à ce que les médicaments prédits par l'IA entrent et réussissent les essais cliniques de phase II.

Par rapport aux sociétés pharmaceutiques traditionnelles, les sociétés pharmaceutiques d'IA ne sont pas de grande taille. Dans les situations où les risques et les coûts des essais cliniques sont extrêmement élevés, cette « possibilité d’échec » est soit transférée, soit ne peut être supportée que par l’entreprise elle-même.

Grâce à cela, les sociétés pharmaceutiques d’IA ont formé deux modèles commerciaux principaux.

Le premier est le modèle CRO (Contract Research Organization) qui transfère les risques de R&D. L'entreprise « sous-traitera » à des sociétés pharmaceutiques traditionnelles ou à d'autres sociétés et utilisera la technologie de l'IA pour prédire les médicaments dont la partie A a besoin.

Le deuxième est le modèle de pipeline d'auto-développement qui est prêt à supporter le risque d'échec de la R&D. L'entreprise détient les brevets sur les médicaments et les technologies entre ses mains une fois qu'elle est lancée avec succès ou atteint un nœud de monétisation spécifique (comme le pré-lancement). recherche clinique), il peut transférer le brevet ou facturer des frais pour gagner de l'argent.

Comment décider entre être un CRO ou un pipeline auto-développé ?

La première est la situation de financement. Les fonds requis pour les pipelines auto-développés sont extrêmement élevés. Les entreprises qui ne manquent pas d'argent peuvent développer directement leurs propres pipelines ; les entreprises qui souhaitent développer leurs propres pipelines mais manquent de fonds peuvent d'abord gagner de l'argent grâce à l'externalisation des CRO, puis utiliser l'argent gagné pour développer leurs propres pipelines.

L'autre est la différence de positionnement. Par rapport au grand nombre de théories liées à l'industrie pharmaceutique maîtrisées par les sociétés issues des sociétés pharmaceutiques traditionnelles, les CRO sont plus adaptés aux acteurs « entrepreneuriaux transfrontaliers » qui souhaitent établir rapidement leur propre signature technologique en matière d'IA. Les pipelines d'auto-recherche nécessitent une expérience et des ressources pharmaceutiques plus élevées ; .

En fait, le CRO est actuellement plus populaire en Chine. En comparaison, il réalise des bénéfices plus rapidement, dispose d'un modèle de monétisation plus clair et n'a pas besoin de supporter les coûts de risque des essais cliniques ultérieurs.

De plus, les entreprises qui n'ont aucun intérêt à détenir des brevets sur des médicaments liés à l'IA et qui ne vendent que des services techniques ne peuvent également être que des CRO.

Cela a également conduit au troisième modèle commercial : ceux qui se spécialisent dans les plates-formes technologiques et vendent des logiciels pharmaceutiques d'IA à d'autres sociétés à des fins de recherche et de développement prédictifs. Cependant, il existe actuellement très peu d'entreprises en Chine qui facturent des frais.

Évidemment, le positionnement et les avantages technologiques des sociétés pharmaceutiques IA affecteront largement leur choix de modèle économique.

De nombreux acteurs sont déjà entrés dans le jeu, allant des professeurs de doctorat de prestigieuses universités nationales et étrangères, aux géants de l'Internet et aux sociétés pharmaceutiques traditionnelles, en passant par les incubateurs de capitaux, montrant une tendance diversifiée.

Parlons d’abord de la situation des doctorants d’universités célèbres qui créent leur propre entreprise. En prenant Jingtai Technology comme exemple, il s'agit d'un cas typique d'un docteur en physique quantique du MIT retournant en Chine pour créer une entreprise. Étant donné que l'avantage de l'entreprise réside dans la technologie de l'IA et dans sa capacité à diriger l'industrie grâce à la recherche théorique en physique quantique, Jingtai Technology a clairement indiqué qu'elle se concentrerait sur le modèle CRO et ne développerait pas son propre pipeline.

Il existe également des cas de professeurs d'université qui transforment les résultats de la recherche. Par exemple, Huashen Intelligent Medicine a été fondée par le professeur titulaire de l'UIUC, Peng Jian, et a déjà obtenu des résultats pertinents dans le domaine de la prédiction moléculaire des protéines. mise à disposition de plateformes technologiques.

Après cela, les géants de l’Internet et les sociétés pharmaceutiques traditionnelles sont également entrés dans le jeu.

Le premier a ses propres avantages en termes de puissance de calcul algorithmique et peut facilement étendre sa « sphère d'influence » en tirant parti de l'influence d'Internet lui-même. Par exemple, Baidu et Tencent ont créé les plateformes Baitu Biotech et Yunshen Pharmaceutical, en utilisant leur algorithme d'IA accumulé. expérience pour entrer rapidement dans le jeu ; Alibaba Il établit rapidement des relations en amont et en aval grâce à son avantage en termes de puissance de calcul.

Ce dernier possède une profonde expérience en recherche et développement de médicaments et a créé sur cette base une équipe de recherche et développement pharmaceutique en matière d'IA. Par exemple, AstraZeneca, Merck, Pfizer et Teva ont créé conjointement l'expérience AION Labs avec Amazon et Israël. Salle Biofonds.

Enfin, il existe des situations d'entrepreneuriat en capital et d'incubation de fonds. Le soutien des flux de trésorerie est suffisant, et même les investisseurs eux-mêmes se sont transformés en entrepreneuriat en IA. Par exemple, Wang Yikai, le fondateur de Coin Biotechnology, était le vice-président de Fengrui Capital. Après avoir créé l'entreprise, il a obtenu Peak Investment de Rui Capital.

Selon les données du Qubit Think Tank, la taille du marché pharmaceutique de l'IA devrait atteindre 7,2 milliards en 2025 et 204 milliards en 2035.

Du coup, de nombreux acteurs se sont rués sur la piste pharmaceutique de l'IA. Cependant, à en juger par la situation actuelle et la situation actuelle des acteurs, il est impossible de juger des perspectives de développement des sociétés pharmaceutiques d'IA sur la base de leur seule force technique ou de leurs avantages financiers.

Qui est le véritable acteur parmi eux et l'entreprise la plus prometteuse pour prendre la tête du lancement du premier nouveau médicament contre l'IA ?

Qui peut être le premier à commercialiser le premier médicament contre l’IA ?

Il existe de nombreuses normes et dimensions, mais il existe 4 dimensions fondamentales qui ne peuvent être contournées dans l'industrie :

01, nombre de pipelines et progrès de la R&D

Étant donné que le processus pharmaceutique est complexe et a un taux d'échec élevé, le Le processus depuis l'approbation clinique, la recherche jusqu'au lancement final est une étape. Un processus extrêmement long. Au stade actuel, le nombre de pipelines est l’une des manifestations les plus directes de la force.

Comme mentionné précédemment, le pipeline est divisé en pipeline d'auto-développement et pipeline de coopération externe (CRO).

Pour les pipelines auto-développés, les entreprises peuvent transférer les résultats du pipeline à des nœuds spécifiques, tels que de nouvelles cibles, des candidats médicaments, etc. ; elles peuvent également utiliser le CRO pour passer au stade clinique une fois la recherche et le développement réussis et une commercialisation. le brevet est obtenu, les profits seront très considérables. Cependant, les risques liés aux pipelines auto-développés sont également évidents : le mode de paiement n'est pas clair et il y aura une concurrence avec d'autres sociétés sur le même pipeline.

Par conséquent, lorsqu'on prête attention au pipeline d'auto-développement des sociétés pharmaceutiques d'IA, il est nécessaire d'accorder plus d'attention à ses progrès en matière de recherche et développement et au potentiel de la direction médicamenteuse sélectionnée.

En revanche, le nombre de pipelines de coopération dans le modèle CRO est un moyen plus direct de juger de la force technique d'une entreprise. CRO fait référence à une société pharmaceutique d'IA accomplissant une tâche spécifique d'une société pharmaceutique traditionnelle. Après le paiement de l'acompte, le prix de la coopération est déterminé en fonction de l'avancement de la tâche (telle que la découverte de médicaments-synthèse-achèvement de la recherche clinique), également connue. comme paiement d'étape.

Selon les estimations du groupe de réflexion Qubit, l'acompte moyen pour les pipelines nationaux est de 2,8 millions de dollars américains, et le prix d'étape fluctue considérablement en fonction du médicament spécifique, et peut même atteindre des dizaines de milliards de yuans une fois terminé. Celui qui bénéficie du plus grand nombre de pipelines de coopération signifie que celui dont la force technique est mieux reconnue par les sociétés pharmaceutiques et que davantage de fonds seront investis dans la recherche et le développement, entrant ainsi dans un cercle vertueux.

Faisant référence à une coopération entre Exscientia étrangère et Sanofi début 2022, l'acompte s'élevait à 100 millions de dollars. Après avoir terminé la tâche, ils recevront un « contrat à prix exorbitant » de 5,2 milliards de dollars, équivalant à environ 33,1 milliards de yuans. .

Selon les données du Qubit Think Tank, un lot de médicaments prédictifs d'IA entrant dans la deuxième phase clinique apparaîtra en 2023-2024, et le premier médicament d'IA lancé avec succès apparaîtra au plus tôt vers 2026.

Avant le lancement du médicament, le nombre de pipelines de coopération et les progrès de la recherche et du développement des pipelines auto-développés sont l'une des orientations permettant de juger de la force technique des sociétés pharmaceutiques d'IA.

02. Sources de données stables et fiables

Pour l'industrie pharmaceutique de l'IA, en plus de l'argent, ce qui manque le plus, ce sont probablement les données. Les sociétés pharmaceutiques traditionnelles sont généralement peu disposées à externaliser les ensembles de données de R&D, qui constituent l'un de leurs principaux éléments. actifs.

Mais selon Qubit Think Tank, les données ne constituent actuellement pas un problème pour les principales sociétés pharmaceutiques d'IA, et elles peuvent même atteindre des performances plus compétitives dans l'industrie.

Par conséquent, la manière d'obtenir des données stables et fiables est également un critère important pour juger de la compétitivité des entreprises pharmaceutiques en matière d'IA.

D'une manière générale, il existe les quatre méthodes suivantes pour obtenir des données d'IA, et leur stabilité et leur fiabilité se sont progressivement améliorées :

(1) Ensembles de données publics/tiers

Ce type de données est d'une grande importance pour l'actualité Industrie pharmaceutique de l'IA, mais elle n'a pas d'avantages à long terme et ne peut pas aider les entreprises à gagner en compétitivité de base. De plus, plus il y a de données disponibles sur les cibles existantes, plus l’exploration est complète et moins la valeur du développement est grande.

(2) Données virtuelles

Cette méthode d'acquisition de données se fait par modélisation physique, et les données d'entraînement sont générées par l'IA. Elle est généralement basée sur des cibles plus anciennes comme la pénicilline pour produire des données. valeur. Principalement, il fournit des données de formation pour le modèle de prédiction afin d'améliorer la précision de la prédiction.

(3) Collecte indépendante/données de coopération externe

Pour les entreprises disposant de pipelines d'auto-développement clairs/positionnement de base, elles peuvent collecter des données pertinentes grâce à la constitution indépendante d'équipes ou établir des relations de coopération en matière de données avec des sociétés pharmaceutiques.

À l'étranger, Tempus, fondée en 2015, construit sa propre base de données génomique et clinique des tumeurs en fournissant des services rentables de séquençage de gènes, de structuration de données, d'analyse d'images pathologiques et de modélisation biologique aux hôpitaux, oncologues, centres de cancérologie, etc.

Il a fallu 4 ans pour créer l'une des plus grandes bases de données sur le cancer au monde, avec près d'un tiers de la base de données américaine sur le cancer.

L'usine pharmaceutique chinoise Janssen a conclu une coopération avec Tempus en 2020 et a déclaré publiquement que le principal moteur de la coopération n'est pas les algorithmes mais les données.

(4) Produire indépendamment des données expérimentales via des laboratoires intelligents

Cette méthode fait principalement référence à la réalisation directe d'expériences humides pour générer indépendamment des données en plus des expériences sèches en laboratoire, formant une boucle fermée sèche-humide.

Par rapport à la vitesse d'acquisition de données humides traditionnelle qui est lente, l'utilisation d'une morphologie cellulaire d'identification CV à haut débit, intelligente, automatisée et contrôlable et d'autres technologies connexes peuvent considérablement améliorer la vitesse d'acquisition des données.

En biologie, les expériences sèches sont menées grâce à des méthodes de simulation informatique et de bioinformatique. Les expériences humides sont des recherches menées en laboratoire à l'aide de méthodes de tests moléculaires, cellulaires et physiologiques.

Les expériences combinées sec-humide peuvent aider les startups pharmaceutiques d'IA à créer de nouvelles barrières concurrentielles en termes de données. Cette reconnaissance a atteint un consensus dans l'industrie.

En plus d'une équipe croisée de talents biologiques et de talents informatiques, la construction d'une telle plateforme nécessite également un support matériel solide, y compris des équipements expérimentaux et des ressources informatiques, ainsi que la capacité d'intégrer ces deux ressources.

À l'heure actuelle, les principales sociétés pharmaceutiques nationales d'IA, notamment Baidu Shengtu, Jingtai Technology et Yingsi Intelligent, disposent toutes de telles plates-formes expérimentales.

Avec des fonds suffisants, les principales sociétés pharmaceutiques étrangères d’IA ont commencé à acquérir directement des sociétés en amont disposant de données et de technologies exclusives.

Par exemple, Schrödinger a acquis XTAL BioStructures pour étendre ses capacités en biologie structurale, et Relay Therapeutics a acquis ZebiAI pour acquérir ses capacités d'apprentissage automatique et ses grandes bases de données.

Par conséquent, comme l'analyse Qubit Think Tank, les sociétés pharmaceutiques traditionnelles dans leur ensemble ont des avantages en matière de données, mais celles-ci ne proviennent pas des données accumulées dans le passé, mais de la plate-forme expérimentale complète dont elles disposent. Pour les startups pharmaceutiques d’IA disposant de fonds suffisants, cet obstacle n’est pas élevé et elles peuvent rapidement se mettre à jour au même niveau.

03. Reconnaissance des sociétés pharmaceutiques coopératives

Avec la mise en place d'équipes intelligentes dans les sociétés pharmaceutiques traditionnelles, les algorithmes pourraient ne pas devenir l'avantage concurrentiel à long terme des sociétés pharmaceutiques d'IA.

Comme mentionné précédemment, les produits pharmaceutiques IA n'ont pas rompu le processus de R&D de l'industrie pharmaceutique traditionnelle. En plus de construire leurs propres plates-formes de laboratoire et de « travailler dessus », la coopération entre les sociétés pharmaceutiques IA et les sociétés pharmaceutiques est tout aussi importante.

Par conséquent, le nombre de sociétés pharmaceutiques coopératives et le statut industriel de ces sociétés pharmaceutiques sont également devenus un critère d'évaluation intuitif.

À l'heure actuelle, les principales startups pharmaceutiques d'IA affichent progressivement un monopole en coopération avec les sociétés pharmaceutiques traditionnelles. À l’étranger, en prenant Exscientia comme exemple, elle a révélé une coopération avec de grandes sociétés pharmaceutiques, notamment Roche, Bayer, Sanofi, GSK, Sumitomo du Japon et Evotec.

Bien sûr, la coopération entre les sociétés pharmaceutiques traditionnelles et les sociétés pharmaceutiques d'IA est bidirectionnelle : les sociétés pharmaceutiques fournissent des bases de données et des connaissances professionnelles, et à leur tour, les sociétés pharmaceutiques d'IA fournissent la technologie.

Par conséquent, la coopération commerciale avec les sociétés pharmaceutiques traditionnelles est devenue l'un des modèles les plus couramment adoptés par les sociétés pharmaceutiques d'IA.

Selon Deep Pharma Intelligence, en 2020, 93 % des 44 principales sociétés pharmaceutiques traditionnelles du monde ont conclu des accords de coopération. En particulier parmi les 10 plus grandes sociétés pharmaceutiques mondiales telles que Roche, Novartis et Pfizer, elles ont coopéré avec des sociétés pharmaceutiques IA plus de 6 fois en moyenne.

Outre le statut et la reconnaissance quantitative des sociétés pharmaceutiques coopératives, la société CRO sélectionnée par la société pharmaceutique AI fait également partie des sources de référence.

Dans l'industrie pharmaceutique traditionnelle, le CRO a un statut particulier, et cette fonctionnalité se poursuivra dans l'industrie pharmaceutique de l'IA.

Les sociétés pharmaceutiques d'IA peuvent devenir le CRO des sociétés pharmaceutiques traditionnelles, mais d'un autre côté, les sociétés pharmaceutiques d'IA ont également besoin de leur propre CRO, y compris des partenaires de données, des fournisseurs de tests et d'expériences, etc., pour finaliser l'approbation des demandes et la collecte de données. essais cliniques et autres tâches.

Pour les sociétés pharmaceutiques IA, le choix du CRO affectera grandement leurs projets cliniques et leur processus de commercialisation.

04. Percer la seule caractéristique de « l'amélioration de l'efficacité de l'IA »

Comme nous le savons tous, l'un des scénarios d'application actuels des produits pharmaceutiques basés sur l'IA consiste à améliorer l'efficacité du criblage des composés, mais cela se fait souvent sur la base d'une cible et d'un composé existants. bases de données.

Cependant, avec la création d'équipes d'IA internes dans les entreprises pharmaceutiques, les barrières à l'entrée pour les nouvelles startups pharmaceutiques d'IA continuent d'augmenter. De plus, le chevauchement actuel dans l'ensemble du secteur est relativement élevé et les pipelines de la plupart des entreprises sont déjà basés. sur des cibles matures. Cliquez pour développer.

En d'autres termes, utiliser l'IA pour améliorer l'efficacité de la découverte de médicaments n'est pas nouveau dans cette industrie. À l'heure actuelle, les principales sociétés pharmaceutiques d'IA ont développé la capacité innovante d'utiliser l'IA pour explorer le « no man's land pharmaceutique ».

Par conséquent, il est très important pour les nouvelles start-ups d'avoir leur propre point d'entrée unique dans des scénarios commerciaux ou des technologies.

Cela peut obliger les sociétés pharmaceutiques IA à partir de la théorie sous-jacente, notamment en redéfinissant les problèmes médicaux, en utilisant de manière créative des perspectives multidisciplinaires telles que la physique et la chimie, en redéfinissant les scénarios et les problèmes dans la recherche et le développement de médicaments et en utilisant plusieurs principes pour compenser. les limites inhérentes aux modèles d’IA et améliorer leur efficacité.

Enfin, selon ces quatre critères de jugement, quels joueurs peuvent sortir vainqueurs en premier ?

Selon la carte du paysage pharmaceutique mondial de l'IA du Qubit Think Tank, bien que la plupart des principaux acteurs front-end actuels soient des sociétés étrangères, des acteurs nationaux tels que Jingtai Technology et Yingsi Intelligent peuvent également être vus :

Après le La filière pharmaceutique IA est devenue populaire, de nombreux professeurs de doctorat d'universités étrangères célèbres sont retournés en Chine pour créer leur propre entreprise avec des projets et des théories, et ils ont également rapidement compensé le manque de capacités d'innovation technologique dans l'industrie pharmaceutique nationale.

Cette fois, dans la vague d'innovation pharmaceutique portée par les nouvelles technologies, la Chine donnera-t-elle naissance à une usine pharmaceutique de classe mondiale ?

Il y a une tendance et plus de potentiel.

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!