野村——中国医疗健康:AIDD专家电话会纪要——当前AI应用集中于临床前阶段,数据资产与闭环能力构成核心分水岭 野村举办了两场关于AI辅助药物发现(AIDD… · @2030FY_X · TwKit

@2030FY_X

野村——中国医疗健康:AIDD专家电话会纪要——当前AI应用集中于临床前阶段,数据资产与闭环能力构成核心分水岭 野村举办了两场关于AI辅助药物发现(AIDD)的专家电话会,邀请服务于外部管线的AI赋能型CRO(专家A)与拥有自有研发管线的AI原生型Biotech(专家B)参与讨论。两位专家在“AI当前主要落地于临床前阶段”及“数据壁垒高于模型壁垒”上达成共识,但在商业模式可持续性上出现明显分歧。核心结论如下:AI目前仅渗透至药物研发全生命周期中占比较小的临床前环节(如基于结合亲和力预测的靶点优化),真正进入临床阶段的仅有小分子候选药物;由于各家公司模型与实验数据高度不透明,外部投资者难以横向对比技术优劣,学术发表数量、跨学科科学家规模、合作交易频次及自有管线的推进状态(例如英矽智能的Rentosertib进入III期被重点提及)是验证其真实实力的少数可行抓手。开源模型的普及将削弱通用数据的稀缺性,而源自自有管线的专有实验数据(湿实验室数据)正变得不可替代。因此,专家B强烈看好AI原生公司的长期前景,认为其具备“干实验+湿实验”闭环带来的重复订单韧性,而AI赋能型公司更接近项目制外包,经常性收入存在不确定性。此外,专家B指出,近期跨界进入AIDD领域的AI实验室普遍缺乏生命科学积淀与湿实验室产能,短期难以撼动现有格局。野村认为,该纪要为投资者在AIDD赛道区隔“真壁垒”与“概念炒作”提供了关键微观视角。 核心要点拆解 一、技术落地边界:临床前是主战场,生化理解突破是下一个拐点 两位专家一致判断,AI在制药中的价值目前高度集中于临床前阶段,该环节在整体时间与资金投入中占比有限。主要应用场景为基于结合亲和力预测的靶点优化与分子生成,真正意义上的AI设计小分子候选药物才刚刚迈入临床。要实现颠覆性突破,AI必须在理解复杂生化路径与生物信息学方面取得底层范式升级,而非仅依赖现有数据模式的拟合。这意味着未来2至3年内,AIDD的商业化贡献仍将局限于提升早期研发效率,而非缩短整体周期。 二、竞争壁垒重构:专有湿实验室数据取代通用模型成为稀缺资源 随着开源AI模型降低通用算力与基础算法的门槛,单纯拥有“干实验室”建模能力的公司护城河正在收窄。专家B强调,具备自有管线并持续产生高质量湿实验反馈数据的AI原生公司,其数据闭环能不断自我迭代,这种专有数据资产是外部竞争者无法复制的。专家A虽部分认同,但也提示AI赋能型公司在早期筛选阶段仍具服务价值。野村量化视角认为,评估一家AIDD公司时应给予“自有管线数量及阶段”与“湿实验室自动化设备投入”更高权重,这比单纯统计合作订单更能预示长期毛利率稳定性。 三、商业模式分歧:AI原生公司 vs. AI赋能型CRO 专家B的核心多头逻辑在于:AI原生公司通过内部管线的推进,自然形成重复性的订单与数据回流,收入可见度更高;而AI赋能型公司更接近传统CRO的按项目收费模式,面临客户需求波动与比价压力。专家A承认这一风险,但认为两者在现阶段是互补关系——前者擅长早期干实验室探索,后者掌握湿实验验证产能。专家B进一步泼冷水,认为传统药企自建AI平台的效果远不及专业的早期AI赋能公司,而新入局的纯AI实验室因缺乏湿实验能力,难以跨越从计算到验证的“死亡谷”。 四、投资启示与观察指标 在当前估值分化环境下,野村建议投资者避开仅靠公开论文叙事的标的,转而跟踪以下硬指标:一是管线资产进度,尤其是进入临床II期及以上的AI原创分子数量;二是湿实验室自动化设备覆盖率与产能利用率,这直接决定数据飞轮转速;三是合作交易的重复签署率,用以验证客户粘性。对于AI原生公司,市场应给予其闭环能力对应的估值溢价;对于AI赋能型公司,则需严苛审视其向前端研发渗透的深度,而非仅看短期订单流水。 总结 市场过去过度关注模型参数的优劣,而产业专家明确指出,数据闭环与湿实验能力才是未来三年分化的关键。野村认为,随着开源工具平权,AIDD的竞争将从“算法竞赛”转向“数据质量与实验闭环效率”的竞赛。在当前医疗健康板块估值修复窗口,建议超配拥有自有管线且具备规模化湿实验室的AI原生企业,对纯外包属性的AI赋能商保持审慎,警惕其因缺乏数据壁垒而在价格竞争中利润率承压。

曝光 104 · 评论 0 · 点赞 0 · 书签 0