AI制药的第三条路径：一家商业化药企如何把数据变成研发生产力

过去两年，AI制药成为生物医药行业最受关注的叙事之一。

市场关注度较高的，是两类具有代表性的玩家。一类是从成立之初就将人工智能深度嵌入药物发现流程的“AI原生Biotech”。以英矽智能为例，公司于2025年底登陆港交所，其AI赋能发现的特发性肺纤维化候选药物Rentosertib已于2026年进入III期临床。另一类，则是以晶泰科技为代表的AI for Science平台型企业，通过量子物理、人工智能、机器人自动化实验等技术，为医药和材料研发提供平台能力。

但在这两类模式之外，还有一个值得讨论的问题：对于那些已经真正把一个原创药物从实验室做到临床、再做到上市，同时拥有自己的科研团队、实验体系和大量一手研发数据的商业化药企，AI应该怎么做？是简单采购一个外部平台，还是把AI真正嵌入企业内部的药物研发循环？

银诺医药（2591.HK）正在尝试后一种答案。

这家公司已经完成了从创新Biotech向“研发+商业化”Biopharma的转变，其自主研发的超长效GLP-1受体激动剂依苏帕格鲁肽α于2025年获批上市，并于同年进入国家医保目录。与AI原生Biotech或对外输出技术的平台型公司不同，银诺目前并不把AI本身作为一门独立生意，而是试图将自身近二十年形成的数据资产、药物研发经验和湿实验能力，与新一代AI工具重新连接。

理解这种选择，要先从一个分子的故事说起。

一个分子，近二十年

天然GLP-1具有明确的降糖作用，但在人体内降解很快。如何在保留其生物学活性的同时延长作用时间，是早期GLP-1药物开发面临的核心问题之一。

银诺医药创始人王庆华教授长期从事GLP-1及胰岛细胞生物学研究。2002年，他与Brubaker教授等在《Diabetologia》发表研究，提示GLP-1的作用并不仅仅是促进胰岛素分泌，还涉及β细胞功能、生存及胰岛细胞量等更广泛的生物学效应。

此后，研究进一步转向一个更具转化意义的问题：能否通过蛋白工程让GLP-1变成长效药物？

2006至2007年前后，王庆华团队在《Gene Therapy》连续发表GLP-1/IgG-Fc融合蛋白研究，通过将活性GLP-1与免疫球蛋白Fc结构域融合，探索利用Fc延长药物体内作用时间的可能性。这些工作构成了后来依苏帕格鲁肽α长效融合蛋白技术路线的重要科学基础。

值得注意的是，这并不是完全依赖经验试错的分子设计。

在早期融合蛋白研究过程中，团队已经使用包括SWISS-MODEL在内的生物信息学工具，对候选蛋白的三维结构进行预测和分析；在后续研究中，又与中国科学院生物物理研究所孙飞教授团队围绕胰高血糖素受体（GCGR）、GLP-1受体等Class B G蛋白偶联受体开展结构生物学研究，尝试通过蛋白表达、纯化和X射线晶体学等方法理解肽类配体与受体的结构基础。2013年，其中围绕GCGR胞外结构域表达、纯化及初步结构研究的工作发表于《Protein Expression and Purification》。

从今天回头看，这些工作当然不能被简单称为“AI制药”。但它们反映出一条持续了很长时间的方法学脉络：药物设计并不只是靠经验，也可以借助计算工具理解结构、缩小搜索范围，再通过实验去验证。

后来，这套工具箱从生物信息学逐渐延伸至计算机辅助药物设计（CADD）；到了蛋白质大模型、生成式AI和AI for Science快速发展的今天，则进一步演进为AI辅助药物研发（AIDD）。因此，对银诺而言，AI更像是原有研发方法的一次技术升级，而不是突然跨界追逐一个新风口。

真正稀缺的，可能不是算力

AI时代最容易获得的是算力，最难获得的是什么？答案可能是数据。公开数据库和文献为现代生命科学模型提供了极其重要的训练基础，但药物研发有一个天然问题：人类更愿意发表成功的实验，而失败的实验往往留在实验记录里。

一个候选蛋白为什么失去活性？为什么某个突变导致稳定性下降？为什么一个看起来很漂亮的分子最终表达不出来？为什么另一个分子活性不错，却因为聚集、药代或者其他成药性问题被淘汰？这些“没有成为论文”的结果，对于下一轮药物设计可能同样重要。

成功的数据告诉模型什么可能有效；失败的数据，则告诉模型什么不要再做”“AI未必能够消除药物研发的试错，但有机会减少低价值的试错”“不要看它说自己用了多少AI，而要看AI最终做出了什么药”

从一个原创候选分子走到上市，需要经历分子设计、体外活性验证、动物药效、药代动力学、毒理、工艺开发、制剂研究、生产放大，再进入I期、II期、III期临床和监管审评。

近二十年的依苏帕格鲁肽α研发过程，为银诺留下的并不只是一个上市产品。它同时留下了一套融合蛋白和多肽研发体系，以及在长期研发过程中形成的大量一手实验数据和研发知识，其中包括公开文献中很难获得的阴性结果和失败路径。这可能才是银诺进入AI药物研发真正有价值的起点。

为什么“买一个AI工具”还不够

对传统药企而言，拥抱AI最直接的方式当然是购买成熟软件或者与外部AI公司合作。这些工具具有重要价值，但如果希望AI最终形成企业自身的研发能力，仅有工具还不够。原因在于药物研发尤其是融合蛋白、多肽和复杂生物大分子的设计，本质上是一个高度依赖具体实验体系的多参数优化问题。

一个候选分子可能需要同时考虑受体活性、选择性、蛋白稳定性、溶解性、表达效率、聚集倾向、免疫原性、药代动力学以及生产可行性等一系列因素。传统研发方式往往是设计一批分子、合成或表达、做实验，再根据结果进入下一轮。AI真正能够创造价值的地方，并不是“一键生成一个新药”，而是帮助研究者在一个极大的序列和结构空间中，更早排除低价值方案，把有限的实验资源集中到最值得验证的候选分子上。换句话说：AI未必能够消除药物研发的试错，但有机会减少低价值的试错。

而要实现这一点，计算设计必须与真正的实验连接起来。如果AI给出一批候选分子，企业却无法迅速完成表达、活性、稳定性、PK等验证；或者实验完成之后，结果不能重新进入计算体系，那么AI与实验仍然是“两张皮”。模型也就很难真正变得越来越懂这家企业自己的分子。

银诺的解法：自己的数据，自己的闭环

银诺目前试图建立的，是一个内部循环：计算设计 → 湿实验验证 → 数据回流 → 模型评价和校准 → 下一轮设计。它的基础并不只是某一个AI模型，而是三个层面的组合。

第一层是数据，包括依苏帕格鲁肽α及其他项目长期研发过程中积累的一手实验数据和研发知识，并逐渐将这些历史数据转化为可被计算体系使用的结构化资产。

第二层是计算能力，企业在内部部署计算资源，并引入包括蛋白质大模型、生物信息学、结构预测和生成式AI等工具，同时通过外部科研合作补充算法和工程能力。

第三层，也是最关键的一层，是湿实验； AI产生的设计必须进入真实实验体系验证；实验得到的结果，无论成功还是失败，都可以重新用于候选排序、模型评价、参数校准以及下一轮分子设计。

这才形成一个真正的“Design-Make-Test-Learn”循环。如果用更通俗的话来解释：GPU和模型是工具，数据是燃料，而实验闭环才是发动机。真正构成差异化的，并不是一家药企拥有多少GPU，而是“可计算的数据、可验证的实验和可以持续迭代的模型”能否真正连接在一起。

AI不单独卖，价值最终体现在管线上

银诺AI战略还有一个值得注意的特点。至少在现阶段，公司并没有把AI平台本身作为一个独立产品对外商业化。它首先服务于内部药物研发，从公司已有优势的融合蛋白、多肽等方向开始，同时向其他药物形式延伸。这意味着银诺不会天然产生大量“AI软件授权”或者“平台服务收入”。

它的AI价值最终要通过另一种方式体现：能否设计出更好的候选分子，能否减少研发过程中的无效迭代，能否让新的管线更快、更高质量地进入临床前开发，最终形成真正具有竞争力的药物资产。

如果这些目标能够实现，商业价值最终体现的可能不是AI平台本身，而是一条条由AI参与设计和优化的管线，以及由此产生的BD、临床和商业化价值。这也意味着，对这套模式的评价标准其实更加简单，也更加严格：不要看它说自己用了多少AI，而要看AI最终做出了什么药。

为什么是现在？

外部环境确实正在发生变化。

蛋白质结构预测、蛋白质语言模型、生成式AI以及自动化实验技术正在快速跨越“能展示”到“能使用”的门槛，AI for Science也正从概念逐渐进入真实研发场景。

但对银诺而言，真正重要的变化可能发生在公司内部。

依苏帕格鲁肽α在2025年获批并实现商业化，随后进入国家医保目录；根据公司2025年度公开业绩，银诺当年实现收入约1.315亿元，主要来自依苏帕格鲁肽α在中国的销售。

这意味着公司第一次真正走完了从基础研究、分子设计、临床前研究、临床开发、注册审批到商业化的一整条药物研发链条。与此同时，新的代谢疾病和创新药管线仍在不断产生新的实验数据。

从这个角度看，今天建设AI研发能力，与其说是因为“AI风口来了”，不如说是因为一家完成了从Biotech向Biopharma转型的公司，终于拥有了足够的数据、实验体系和真实研发问题，可以让AI进入自己的核心生产流程。

第三条路径，最终还是要由药物回答

AI制药并不存在唯一正确的商业模式。AI原生Biotech可以从算法和平台出发建立药物管线；AI for Science公司可以向全行业输出技术能力；大型制药企业也可以通过自建、合作和投资形成不同组合。银诺所代表的“第三条路径”，则更接近另一种逻辑：一家已经拥有自主药物研发体系和商业化产品的制药企业，将长期积累的专有数据、湿实验能力和新一代AI模型重新连接起来，用AI反过来推动下一代药物发现。它真正值得关注的，并不是“又一家药企开始做AI”。而是一个已经把原创分子从实验室带到市场的团队，开始尝试让近二十年的研发数据重新参与下一代药物的设计。

当然，AI并不会改变药物研发最基本的规律。药物仍然需要实验验证，仍然需要经过临床试验，也仍然面临漫长周期和高度不确定性。因此，银诺这条“第三路径”是否真正成立，最终也不应该由模型数量、GPU数量或者AI概念来证明。

答案只能由未来的分子和管线给出。

如果几年之后，一批由这种“数据—模型—实验”闭环设计和优化的候选药物真正走出实验室、进入临床，那么今天这场关于“商业化药企如何做AI”的讨论，才会得到最有说服力的答案。