关于报告的所有内容，请于公众『市场分析报告』阅读原文2026年上半年，全球AI药物发现领域公开融资达到31.83亿美元，其中Isomorphic Labs一家公司就完成了21亿美元融资。

除了钱开始往头部集中，技术也出现了一些新的变化；

8月18日，Anthropic公布了一项蛋白质设计研究。Claude参与设计的1320个候选蛋白中，有354个通过湿实验验证，总命中率达到27%；Claude排名第一的设计命中率达到49%。部分原本需要数周甚至数月的早期设计工作，被压缩至1—2天。

但药物研发和写代码有一个很大的区别；

代码写出来哪里错了马上就可以修改，然后就可以运行了。AI设计出一个新的蛋白或者小分子以后，电脑无法自己判断它进入真实生物环境以后到底有没有效果；

还要把分子真正做出来，经过结合、稳定性、毒性和药效等实验验证。

所以AI制药发展得越快，需要进入实验室验证的候选分子就越多；AI提高设计效率后，湿实验也从末端验证变成模型训练和迭代的重要环节。

一、科技巨头开始把AI用到制药

过去AI制药主要由Biotech和药企推动，现在谷歌、Anthropic、英伟达等AI公司也开始往里面投入了；

谷歌布局得比较早，走的是两条路线；

DeepMind继续推进AlphaFold等生命科学基础模型，Isomorphic Labs则将这些模型进一步应用于药物研发，覆盖靶点发现、分子设计等环节，并推动自研管线进入临床阶段。

2026年5月，Isomorphic Labs完成21亿美元B轮融资。公司累计融资已经超过27亿美元，同时还与诺华、礼来、强生等药企合作。

Anthropic则在4月花4亿美元收购了AI生物科技公司Coefficient Bio，6月又推出Claude Science，希望把Claude做成科研人员的AI工作台。

它还开设了实体湿实验室；

模型提出设计以后，可以直接做实验，再把实验结果拿回来训练下一版模型。

英伟达做的BioNeMo也是类似思路。2026年初，BioNeMo增加了实验室闭环功能，让数据生成、模型训练、实验和下一轮设计连接起来。

这些公司的路径不同，但都面临同一个问题，就是AI能快速生成大量候选分子，不过最终还是得需通过实验验证其有效性。

二、AI制药开始形成“设计—实验—再设计”的循环

传统药物研发里，AI很多时候只是一个筛选工具；

模型先从大量分子里挑出一批可能有效的候选物，研究人员再拿去做实验。实验完成以后，这一轮任务基本就结束了。

现在这个流程开始往循环走了；

行业里一般把它叫DBTL，也就是Design、Build、Test、Learn；

Design是AI设计分子，Build是把DNA、蛋白或者化合物真正做出来，Test是在实验室测它有没有达到预期，Learn则把实验结果重新交给模型，让下一轮设计少走弯路。

其中最慢的一步是Build和Test。

电脑可以在很短时间里生成上万甚至几十万个候选序列，但实验室不可能同时验证这么多分子，所以最后还是要筛出一部分真正合成，再逐个测试。

模型训练方法的变化，也在提高实验数据的重要性。

重点值得关注的是ProteinDPO;

过去的监督微调，主要让模型学习哪些蛋白是好的；DPO则同时利用不同实验结果之间的优劣关系，让模型逐渐学会什么样的设计更符合目标。

拿蛋白稳定性来说，实验室测出不同突变以后稳定性增加还是下降，再把这些结果反馈给模型，模型下一轮就能调整设计方向。

在S669测试集中，ProteinDPO的Pearson相关系数达到0.44—0.47，略高于ThermoMPNN的0.43；在FireProt数据集上达到0.60，接近ThermoMPNN的0.65。

这个结果还没有证明通用模型已经超过所有专用模型，但它至少说明，真实实验数据可以直接参与模型训练，而不只是最后帮模型判个对错。

三、AI快在设计，实验慢在验证

AI制药过去最容易让人误解的一点，是认为效率提高以后，整个研发过程需要的实验会减少。

实际不是的；

以前人工筛选速度慢，一家公司一年只能推进有限数量的候选分子。AI降低单个候选物的设计成本后，公司就可以同时推进更多候选方向了。

中邮证券引用Nature Reviews和英矽智能公开数据进行了对比，结果显示AI能明显缩短药物研发周期。

传统方法从靶点发现到苗头化合物、先导化合物和临床前候选药物，分别约需1年、1.5年和2年；引入AI后，可缩短至约2个月、4个月和11个月。

设计速度提高以后，下一个瓶颈就会落到实验。

Anthropic这次蛋白设计就是一个例子；

1320个设计最后都要经过真实湿实验，才能知道哪些蛋白真的能够与靶点结合。AI一天生成的候选越多，后面需要合成、表达和检测的分子数量也会增加。

Twist的客户数据也印证了这一趋势：2026年二季度以来，前沿AI实验室、AI原生Biotech和计算设计型Biotech的订单增长明显。

另外Twist和金斯瑞预计，2026年下半年及未来，AI药物发现相关订单将实现两位数增长。

四、分子验证具体需要做什么

AI设计出的蛋白不能直接成为药物，还必须经过合成、表达、纯化和药效、安全性验证。

第一步是要把设计变成实体；

如果AI生成的是一段DNA序列，就要先进行基因合成，再把DNA放进细胞里表达，让细胞生产出对应的蛋白。

蛋白做出来以后，还要检测它能不能和目标靶点结合、结合强度怎么样、结构是否稳定，以及后续有没有开发成药物的可能。

通过体外实验以后，还要进入动物模型，观察药物在完整生物体里的效果、安全性和毒性。

整个过程中还会消耗大量试剂、培养基和纯化材料。

所以，AI设计的候选分子越多，基因合成、蛋白表达、体外检测和动物实验等环节的需求就越大，而且会进一步带动试剂、培养基和蛋白纯化耗材的使用。

Twist预计，AI制药将带来约180亿美元的潜在市场，其中约70亿美元属于公司现有的基因合成、蛋白表达和检测业务。

按照Twist的测算，到2030年，AI将带来约10亿美元的抗体发现和蛋白表达增量市场，其中抗体发现服务和蛋白表达市场分别增加约5亿美元，较现有市场增长25%和45%。

五、产业链公司主要集中在五个环节

1、AIDD平台

AIDD就是利用AI进行药物发现，主要负责靶点分析、分子生成、筛选和优化。

这类公司最后能不能把模型能力变成药物，还是要看自研管线能不能往临床推进。

国内公司包括英矽智能、晶泰控股、剂泰科技，其中英矽智能和晶泰控股在AI技术和药物研发两个维度上都处在全球AI制药企业的前列。

2、基因合成、蛋白表达和体外检测

这个环节直接承接AI生成出来的大量候选序列。

AI负责Design，实验服务公司负责Build和Test，再把实验数据交回客户进行下一轮设计。

对应公司包括金斯瑞、Twist、义翘神州、百普赛斯、近岸蛋白。

其中Twist已经通过AI客户订单验证了这套模式，每完成一轮实验以后，客户还可能根据新数据继续设计下一批分子，因此会形成重复的合成和检测需求。

3、动物模型验证

候选分子通过体外实验以后，还要进入动物体内验证药效和安全性。

如果前端AI能够一次筛出更多值得继续推进的候选物，进入动物实验的项目数量也可能增加。

相关公司包括百奥赛图、药康生物、南模生物。

4、试剂和实验耗材

分子合成、表达和检测都需要消耗试剂。

相关公司包括阿拉丁、皓元医药、毕得医药、诺唯赞，义翘神州和百普赛斯也有相关试剂业务。

5、蛋白表达和纯化

细胞生产蛋白需要培养基，蛋白生产出来以后还需要通过层析等方法完成分离和纯化。

相关公司包括奥浦迈、纳微科技、赛分科技、汉邦科技。

AI制药现在离“机器自己开发一款新药”还很远。

六、尾

目前的变化很明确：AI加快了候选分子的生成，实验数据也开始反哺模型，推动下一轮设计。

模型一天能够提出多少方案，可以靠算力快速增加；真正把这些方案变成DNA、蛋白和实验数据，仍然需要一轮一轮做湿实验。

如果这种“设计—实验—反馈—再设计”的工作方式继续扩大，AI制药增加的就不只是模型和算力需求，基因合成、蛋白表达、体外检测、动物模型以及实验耗材的使用量也会跟着增加。

以上为行业及产业链资料梳理，仅供交流，不构成投资建议。