FredaDuan分析AI药物发现变成瓶颈行业

当一个行业开始经历真正的制度变革时，我会感到兴奋。AI药物发现（简称“AIDD”）越来越符合这种时刻的特征。现在有两件事正在发生：

1/ 上游：前沿AI实验室正在扎堆涌入。
2/ 下游：供应链显然正在流动。

供应链调查显示，上游的发现业务和早期临床前研发的“淘金工具”（指配套基础设施）已经开始感受到实验量的增长。

DNA→蛋白质→检测→测序→自动化→临床前测试
这条产业链上的公司包括 $TWST，GenScript，$ILMN，$TXG，实验室自动化供应商和合同研究组织（CRO）。

$TWST 预计在2026财年，AI赋能药物发现订单将实现三位数百分比增长，2027财年将再迎来一年的三位数订单增长。GenScript 的AIDD业务在2026年上半年同比翻了一番。其现有平台宣传可每天进行工业级验证，验证超过4000个设计，并集成了从序列到数据的工作流。

我们的渠道调查显示，增长速度甚至更快：目前约为每天8000个设计，到2026年底有望达到约每天16000个。

---

为什么AI会推动更多湿实验需求？

1/ AI几乎让假说生成免费→更多尝试机会。瓶颈正从专家驱动设计转向生物验证。

2/ AI模型需要持续的实验反馈——好数据和坏数据都有用。传统上，只有置信度最高的A+候选分子才会被推进到昂贵的验证环节。而在AI场景下，即使B/C级候选分子也有价值，因为失败的实验也能生成训练数据。

GenScript 表示，其从序列到结合的工作流可以在4-7天内返回数据，更快的周期很重要，因为AI模型依赖持续的实验反馈。

Anthropic 就是一个清晰的例子。Claude 设计了1320种蛋白质结合物，adaptyvbio 将这些数字序列转化为DNA，表达蛋白质并测试结合能力。最终只有354种成功结合。而966种失败产物并没有被浪费。它们是有用的负标签：标注了哪些不表达、哪些不结合、哪些亲和力差。这些结果会帮助训练下一代模型。

3/ 湿实验室不再只是制造药物。它们还在制造训练数据。$TWST / GenScript 越来越像生物数据工厂。

$TWST 明确提到，它会从AI设计的序列生成可直接用于模型的数据。在一些工作流中，客户可能更关心把结构化实验结果反馈回模型，而不是获得实体蛋白质。

传统药物发现会问：“候选分子X有用吗？”AI药物发现还会问：“这个实验能教会模型什么？”

---

AIDD的总潜在市场（TAM）

如果AI只是一种更好的研发工具，相关的市场规模就是全球药企每年3000-4000亿美元的研发投入。如果AI能切实增加可行药物项目的数量，市场机会会更大，因为它扩大了对DNA合成、蛋白质生产、检测和临床前工作的下游需求。

未完待续