AI制药数据集壁垒高，下游应用场景与需求结构有何特点？
AI制药（AIDD）的下游应用场景主要集中在药物研发（靶点发现、化合物筛选），并以癌症为首要适应症，需求结构上传统药企是直接需求者，而高质量数据集是行业关键竞争壁垒。全球参与AI药物研发的大型药企超过56家，AI制药初创企业超495家，下游需求结构呈现“传统药企主导、中游服务输出、适应症高度集中”的特点。
下游应用场景：聚焦临床前与临床阶段
AI制药的应用场景覆盖药物研发全流程，但当前仍以临床前阶段为主，包括靶点确认、分子生成、化合物筛选、ADMET性质检测等环节。浙商证券统计的全球80条获批临床AI药物管线中，癌症适应症占比达66%，其次是遗传性疾病和罕见病（12%）、神经系统与免疫疾病（10%）。此外，已有AI公司开始探索将技术应用于临床阶段，如利用AI匹配患者与临床试验、评估试验成功率，以解决患者招募难、样本量不足等痛点。
需求结构：药企是直接需求方，中游服务模式分化
产业链下游以传统药企为主，中游AI药物研发企业通过AI SaaS、AI CRO、AI Biotech三种商业模式提供软件、服务或研发药物。预计未来AI SaaS模式将逐渐转型，大多数企业会向AI Biotech（发展潜力大）或AI CRO（形成巨头格局）模式靠拢。目前，多数创新型AI药企初期走技术服务路线，为大药企提供靶点发现、化合物筛选等服务，并以小分子药物为主，大分子药物存在机遇。
数据集壁垒：上游数据是核心竞争力
产业链上游的数据集供应是AI制药的关键竞争壁垒。AI模型需要高质量、结构化的医药数据进行训练，而公开数据往往碎片化、标注不足，导致数据获取成本高、整合难度大。不同应用场景对数据集质量要求差异显著：临床前研发需要精准的分子活性、毒性数据，而临床试验阶段则需要完整的患者病历、医学文献等真实世界数据。当前，AI+药物设计仍处于积累训练期，数据集的丰富度和质量直接决定模型预测的可靠性。
常见问题
为什么AI制药对数据集要求特别高？
因为AI模型依赖大量高质量标注数据进行训练，而医药数据涉及分子结构、临床疗效、不良反应等多维信息，且存在隐私保护、数据孤岛等问题。数据集的质量和规模直接决定模型能否准确预测药物活性、毒性及临床试验成功率，因此成为行业的核心竞争壁垒。
目前AI制药管线主要集中在哪里？
根据浙商证券统计，全球获批临床的AI药物管线中，临床Ⅰ期占比32.5%，临床Ⅱ期占比36.3%，临床Ⅲ期仅5.0%。适应症方面，癌症占比66%，其次为遗传性疾病和罕见病（12%）。从靶点看，已公布靶点的管线占65%，而利用AI发现新靶点的管线仅4%，表明AI在药物研发中仍起辅助作用。
AI制药如何解决临床试验中的患者招募难题？
部分AI公司通过整合医疗记录、医学文献和患者主动上传的病理信息，利用算法将患者与合适的临床试验进行匹配。例如，Mendel.ai鼓励患者提交病历，平台自动匹配试验。此外，AI还可基于公开临床数据评估试验成功率，避免因样本量不足（如慢性病仅10个病人）导致的结果不可靠。