1.虽然人工智能对生物制药行业来说并不是什么新兴技术，但其广泛采用耗费了不少时间。在2010年代，已有大量同行评审论文探讨将生成方法和深度强化学习作为研发活动的补充方法，尽管如此，对于专注AI的生物制药服务机构的生存能力，仍有部分人持怀疑态度。因此，InsilicoMedicine、BenevolentAI和Exscientia等创立于人工智能新药研发初期阶段的初创公司，往往难以获得风险投资。
2.在某种程度上，早期的质疑是因为许多AI企业尚未建立富有成效的合作关系，也未取得新药研发的切实成果。与此同时，人们针对AI算法和输出在确定合适候选药物过程中的可靠性和准确性提出了疑问，进一步加剧了业内的担忧。监管和合规方面的不确定性也给这项技术的发展蒙上了阴影，对于AI方法将会受到何种监管，以及是否会采取强制管制措施，生物制药领域的龙头企业心存疑虑。由于以上种种因素，在2010年代末到2020年代初，药企往往围绕AI生成的药物靶点自主建立研发管线，从而进行概念验证演示，建立企业信誉度。
—展望未来—
1.良好的市场形势，加上人们对生物制药领域AI应用的信心日益增强，促使AI并购和合作交易大幅增加，其中，2013年至2022年的复合年增长率达到27.3%。
2.值得注意的是，2022年，地缘政治和经济因素导致AI相关交易量下降。为应对这种情况，药企转向了低风险的合作和资产收购交易。目前，信贷市场趋紧，且近期估值预计将下降，或将在短期内继续促使投资者对AI相关交易采取保守态度。
—交易类型—
1.过去10年间，AI相关的交易主要集中在加强研发（161笔交易）以及开发和商业化许可（95笔交易）。此类初期重点领域反映了生物制药公司希望通过AI驱动的创新提升效率，实现价值。
2.生物制药公司可通过多模态数据分析提高研发效率。诸如此类的方法有助于产生关于疾病机制的新见解，从而更快地预测全新的药物靶点以及可能与已知医学靶点相互作用的化合物。相比之下，基于靶点的传统新药研发方法更加耗时，需要对大量化合物进行高通量筛选（HTS），随后必须借助药物化学对这些化合物进行优化，并评估其安全性和有效性。换句话说，通过运用AI技术，从小分子临床前候选化合物提名到首例受试者给药的典型时间间隔（2-3年）6将显著缩短。
A.生成式AI模型在药物开发方面具有巨大的应用潜力，但其固有局限性和伦理影响不容忽视。作为概率工具，它们根据历史数据预测结果，其预测不一定完全准确，因而有可能导致意想不到的结果。因此，相关专业领域的专家必须在错综复杂的药物开发领域对这类模型进行全面验证。
B.此外，尽管生物制药行业高度关注AI技术整合，在这方面也有大量投入，但改进的空间仍然广阔。最关键的一点是缺乏经过验证的价值主张，尤其是高级临床试验中缺乏变革性成果，抑制了人们对AI潜力的信心。为扭转这一局势，一开始采取保守策略可能是更为谨慎的做法。为此，生物制药领域需要运用AI强化已知的化合物，并增进对常见疾病和靶点的了解，而不是用传统靶点探索以往开发较少的领域。通过首先在已熟悉领域巩固和展示价值，生物制药行业将创造有利条件，为AI的广泛应用和接纳奠定更坚实的基础。
