人工智能制药会如何改变医药外包行业格局？

1. 核心逻辑：AI制药（AIDD）公司的商业模式本质是"试错"

人工智能模型能够批量产出候选分子（包括抗体、小分子等多种类型），但这些分子必须经过湿实验验证，从中筛选出PCC（临床前候选化合物）。

验证环节可划分为三个层级，不同层级的CXO/试剂企业从中获得的收益也各有差异。

2. 第一类：基因合成/蛋白合成（价值量扩张，具备杠杆效应，最为受益）

典型代表：金斯瑞、Twist Bioscience。

核心逻辑：AI企业在试错过程中需要合成大量基因与蛋白（从高通量基因合成延伸至高通量蛋白合成及测试环节），价值量随试错规模扩大而同步增长，规模效应进一步推升毛利率。

增量预测：管线数量增长10%-20%时，该类企业的受益幅度有望放大10倍。

3. 第二类：蛋白类生物试剂（受益于试错需求扩大，但缺乏杠杆效应）

典型代表：百普赛斯等面向工业端的蛋白试剂供应商。

核心逻辑：验证抗体与靶点的结合效率需要标准品蛋白，AI试错需求上升将直接带动订单增长，但不存在价值量放大效应（无杠杆）。

增量预测：管线数量增长10%-20%时，该类企业的受益幅度约放大3倍。

关键风险：必须清晰区分工业端与科研端客户——工业端蛋白对生产工艺和渠道要求较高，具备先发优势；科研端蛋白技术门槛较低，无法应用于AIDD验证工作，其受益逻辑难以成立。

4. 第三类：药效/毒理CRO（基本不受益，仅享管线增长红利）

药效和毒理实验在PCC形成之后才开展，不参与前期的试错环节，因此不会受到AI试错放大效应的直接催化。

该环节仅受益于最终管线数量的提升（10%-20%的增量），同样不具备放大效应。

1. AI制药的核心价值：提升研发效率（确定性较高）与成功率（仍需验证）

已确定：AI能够将PCC的发现周期从3-5年压缩至12-18个月，同时将成本控制在数百万美元量级。

待验证：AI能否切实提升最终的临床成功率（现有数据尚不充分，需等待AI设计的分子进入临床阶段后再行验证）。

2. 三种情景假设分析

核心结论：即便AI仅能提升效率而无法提升成功率，药企出于竞争压力也会加大研发投入，推动管线总量上行，届时所有CXO环节（药效、毒理、临床）都将从订单量增长中获益。

3. 远期（模型高度成熟阶段）：AI有望替代部分临床前CXO

当AI模型准确率达到极高水平，能够直接生成无需湿实验验证的PCC甚至直接进入临床，届时部分临床前CXO的市场需求可能受到挤压。

但该阶段距今极为遥远，当前整个行业仍处于发展初期。

现阶段AI设计主要集中在小分子领域，抗体AI设计正处于模型搭建阶段。

随着AI技术逐步拓展至ADC、多抗、新Modality等领域，每种新模态在模型搭建初期都会重复"试错→验证"的循环，从而持续带动基因合成、蛋白合成以及蛋白试剂的增量需求。

短期（1-2年）：AIDD公司的"试错"逻辑将直接催化基因/蛋白合成（金斯瑞、Twist）和工业端蛋白试剂（百普赛斯等）的需求增长，其中前者具备杠杆效应，业绩弹性最大。

中期（3-5年）：AI提升研发效率的确定性较高，药企竞争加剧将驱动整体管线数量提升，后端CXO（药效、毒理、临床CRO）将迎来订单增量，整个行业都将从中受益。

远期（5年以上）：若AI模型发展到可直接生成PCC的成熟阶段，可能对临床前CXO形成替代效应，但目前距此尚远。

关键风险提示：

蛋白试剂公司需明确区分工业端与科研端客户，仅工业端业务受益于AIDD验证需求；

AI模型最终的临床成功率尚未得到验证，若实际表现不及预期，可能对长期投资逻辑构成冲击。

免责声明：本文由音频通过AI自动生成，内容仅供参考，不构成任何投资建议。市场有风险，投资需谨慎。