風口已來？從20家AI制藥公司中看趨勢～

Meta收購Manus AI的消息，像一顆深水炸彈砸進了原本就不平靜的AI圈。

過去一年，生物醫藥行業的AI進化也在悄然劇變，AI不再是實驗室里花里胡哨的噱頭，搖身一變成了大藥企紛紛爭搶的香餑餑。

嗅覺靈敏的MNC們，早就停止了嘴炮，并用腳投票。禮來、諾華、阿斯利康已經簽下了一張張數億美金的支票。

邏輯很簡單，與其坐等奇跡，不如直接買未來入場券。

以下20家AI制藥公司在這場生產力革命中表現最搶眼，大廠看了都要遞名片的，值得您一起關注關注。

胖貓把幾個進入深水區的AI公司，展開跟大家分享學習下。

01

小分子AI公司打 GPCR

Deep Apple Therapeutics ——捕捉“中間結構狀態”的能力

傳統GPCR藥物研發常基于靜態晶體結構（激活或失活態）。然而，GPCR是高度動態的蛋白。

Deep Apple的突破在于利用整體冷凍電鏡（Cryo-EM）技術結合AI平臺，捕捉到 GPCR在信號傳導過程中轉瞬即逝的“中間結構狀態”，這些中間狀態往往暴露出傳統方法看不到的結合口袋（隱蔽口袋）。

這意味著 Deep Apple 可以針對這些“低豐度構象”設計藥物，從而攻克傳統方法認為“不可成藥”的靶點。

通過冷凍電鏡獲得這些獨特 GPCR 結構后，Deep Apple 完全依賴虛擬篩選，利用 Orchard.ai? 平臺進行大規模Docking。

同時使用專有的基于物理的評分算法，在數以億計的虛擬化合物庫中尋找能與特定 GPCR 中間構象完美結合的分子。

GPCR 的藥物研發通常非常耗時，尤其是在先導化合物優化階段。但Deep Apple 聲稱其平臺能在 12 個月或更短時間內完成從靶點識別到先導化合物優化的全過程。

相比下，傳統流程通常需要 2.5 年甚至更長時間。這種速度優勢在競爭激烈的 GPCR 賽道（如代謝疾病、炎癥、中樞神經系統疾病）中至關重要。

由于能夠看到 GPCR 的動態變化和中間狀態，Deep Apple 有潛力開發出具有更精準生物學功能的調節劑（如變構調節劑），這比傳統的正構位點抑制劑或激動劑可能具有更好選擇性和更少副作用。

02

蛋白AI，跨越血腦屏障

Manifold Bio ——跨越血腦屏障

這是一家非常有趣的生物技術公司，它從哈佛大學遺傳學泰斗 George Church 的實驗室衍生出來的。

Manifold Bio 的核心技術是他們發明了一種給蛋白藥物打上“條形碼”的技術，從而能夠在活體動物體內（In Vivo）同時測試數十種甚至上百種藥物，打破了傳統藥物研發中“一次只能測一個”的瓶頸。

傳統的蛋白藥物（如抗體）研發中，流程通常是這樣的：

第1步（體外）：在培養皿（In Vitro）里篩選成千上萬個候選分子，看誰能結合靶蛋白。

第2步（體內篩選）： 挑出最好的幾個，（因為動物實驗太貴、太慢，不能全測）， 把這幾個打入實驗動物體內（In Vivo），看效果和分布。

問題在于培養皿里的結果往往不能代表體內的真實情況。很多在培養皿里表現完美的藥，一進動物體內就失效了（如半衰期短、無法到達腫瘤部位、或去了不該去的器官產生毒性）。

為解決這個問題，Manifold Bio 開發了他們的核心平臺技術 M-Code。

Manifold Bio 設計了一套極其穩定的、非免疫原性的短氨基酸序列（蛋白質片段）作為條形碼。這些條形碼可在小鼠血液和組織中長期存活，不會被降解，同時不會影響藥物本身的功能（不像某些大分子標簽會改變藥物的折疊或結合能力）。

實驗結束后，通過質譜分析（Mass Spectrometry）來讀取這些條形碼，從而區分不同的藥物分子。

有了M-Code，Manifold Bio的研發流程變成了：設計 100 種不同的抗體變體。給每個變體貼上一個獨特的 M-Code 條形碼，然后把這 100 種藥混合注射到同一只小鼠體內。 一段時間后，取出小鼠的腫瘤組織、肝臟、腎臟等。

使用質譜儀分析組織樣本，讀取其中的 M-Code。 科學家就可以立刻看到一張清晰的圖表：藥物 A 大量富集在腫瘤里（好藥！）；藥物 B 全跑到了肝臟里（有毒性風險，淘汰）；藥物 C 在血液里代謝太快，沒起效（淘汰）。

Manifold Bio 技術 的核心價值在于數據更真實，不需要先在培養皿里瞎猜，而是直接在動物體內獲得最真實的藥代動力學（PK）和生物分布數據。特別適合開發復雜的藥物，如雙抗或ADC。 可在早期就通過體內數據快速迭代藥物設計，而不是等到臨床前晚期才發現藥物在體內分布不好。

03

臨床試驗AI公司，拓適應癥

Formation Bio 是一家AI驅動的新型生物制藥公司，前身是 TrialSpark，后更名為 Formation Bio。

其他的 AI 制藥公司常側重于通過大模型進行藥物設計和發現，而 Formation Bio利用自己獨特的技術平臺和 AI 能力，從其他制藥公司收購處于臨床階段的候選藥物，然后更高效地推進這些藥物的研發和臨床試驗流程，側重于臨床開發（Clinical Development）。

2024年，該公司獲得了C輪3.72億美元融資，并與 OpenAI 達成戰略合作，這使得它在 AI 制藥領域備受矚目。

他們找到那些在別的藥企手里可能被擱置、或者非核心資產但有潛力的處于臨床階段的藥物資產。然后，利用自建的技術平臺和 AI 引擎，重新設計試驗、優化流程、加速患者招募和數據分析。 最終通過 FDA 批準上市或出售給大型藥企獲利。

獨家的“數據+流程”閉環 (Data & Process Feedback Loop)是他們最大的護城河。其它 AI 模型缺乏真實的臨床操作數據來訓練，而 Formation Bio前身是做臨床試驗技術平臺的（TrialSpark），積累了大量的實際操作數據。

他們將 AI 嵌入到臨床試驗的每一個環節（從寫協議、招募患者到數據監控）。真實世界的反饋數據會實時回傳給大模型，讓模型越來越聰明，形成“飛輪效應”。

另外，Formation Bio還是 OpenAI 在制藥領域的首個深度合作伙伴。他們可直接訪問 OpenAI 最頂尖的模型和資源，利用大語言模型（LLM）來處理海量的非結構化數據（如醫生筆記、監管文件、復雜臨床協議）。這能極大縮短編寫報告、分析副作用和合規檢查的時間。

他們還構建了端到端的操作系統。 利用生成式 AI 自動起草臨床Protocol、知情同意書和監管提交文件，將數周的工作縮短為數天；還利用 AI 快速篩選符合條件的患者，解決臨床試驗招募的痛點。AI還可以幫助團隊判斷哪些藥物值得收購，預測成功率，從而降低投資風險。

傳統藥物研發遵循“埃魯姆定律”（Eroom's Law），即研發成本越來越高，效率越來越低。Formation Bio代表了一種新范式，通過技術手段優化流程管理和決策，大幅壓縮數年甚至十年的研發周期，降低成本。

如果這一模式跑通，他們將不僅僅是一家制藥公司，而是一個能批量生產新藥的高效工廠。

他們的核心競爭力在于極大幅度地提升臨床試驗的效率和成功率，并通過收購現有資產來實現快速變現。

胖貓的見解：

AI 制藥不再是簡單的提供一個算法，而是實現了“干濕閉環”。算法預測（干）+ 高通量驗證（濕）已成標配。

在市場端，MNC不再追求買下 AI 軟件，而是通過“License-in AI-designed candidates”來對沖管線枯竭風險。

在應用場景上，GPCR 模擬、腦部遞送、臨床提效……AI 正在各個單點領域通過“暴力破解”實現超越。

有一點比較遺憾的是，很多傳統藥企手里攥著大量歷史臨床數據，卻因沒有 AI 整合能力，導致這些數據在數據庫里“吃灰”，錯失了像 Formation Bio 這種重塑臨床流程的機會。

現在如果搞AI制藥，要 關注公司正在研發的具體分子（如Superluminal 的 MC4R 激動劑），而非僅僅看AI敘事。單純的藥物發現已經過熱，像Manifold這種解決“如何送到靶區”的 AI 遞送技術才是稀缺資產。

也要琢磨下，是否有一些被大廠放棄、但在 AI 加持下可能有新轉機的“冷門管線”，效仿 Formation Bio的資產運作模式，可能還有機會撿到大漏！

如果您喜歡胖貓的觀點和文字，歡迎加入胖貓的知識星球～

在這里我們為您提供深度的資料、工作工具、觀點見解～您也可以通過問答和胖貓以及各位同行進行深度鏈接～

一起學習、進步，搞錢～