NEWS: 公告在東京證券交易所JASDAQ標準市場新上市

表紙
市場調查報告書

2021年藥物研發用AI(人工智能)市場:參與者、技術和應用

AI in Drug Discovery 2021: Players, Technologies, and Applications

出版商 IDTechEx Ltd. 商品編碼 1009394
出版日期 內容資訊 英文 161 Slides
商品交期: 最快1-2個工作天內
價格
2021年藥物研發用AI(人工智能)市場:參與者、技術和應用 AI in Drug Discovery 2021: Players, Technologies, and Applications
出版日期: 2021年06月07日內容資訊: 英文 161 Slides
簡介

標題
2021年藥物研發中的人工智能:參與者、技術和應用
虛擬篩選、從頭藥物設計、先導優化和化學合成規劃中的人工智能(機器學習和深度學習)。

藥物的開發是一個漫長而昂貴的過程。公司在藥業maceutical和生物技術行業通常花費超過十億$帶來藥品市場,在這個過程往往持續了10 - 15年。而且,藥物研發過程風險很大——高達90%的候選藥物最終會因為安全性、有效性等問題而被淘汰,給企業造成巨大損失。任何能夠對解決藥物開發過程中的這三個痛點中的任何一個做出重大貢獻的技術都將迅速成長為一個價值數十億美元的產業。

過去幾年出現的一項此類技術是使用人工智能 (AI),尤其是機器學習 (ML) 和深度學習 (DL) 算法來改進藥物發現過程。在藥物開發過程的早期階段,感興趣的化合物經過鑑定和優化,使其具有類似藥物的特性,然後再在動物身上進行測試,然後在人類身上進行測試。雖然計算機用於輔助藥物研發已經有幾十年的歷史,甚至人工智能本身也已經應用了 10 多年,但它直到最近才開始蓄勢待發。舉個例子——過去 3 年裡,超過 80% 的 AI 藥物發現資金籌集到了,2020 年在COVID-19 大流行期間的投資超過了2018 年和 2019 年的總和。

為什麼要在藥物研發中應用人工智能?

將 AI 藥物研發平台和 AI 開發的藥物商業化的公司表明,使用算法可以將一個多年的過程加速到幾個月的時間。開發時間的大幅縮短以及實驗室測試需要合成的化合物數量的減少,可以顯著節省成本,解決藥物研發的兩個核心問題。雖然人工智能藥物研發公司不一定證明他們的技術可以將藥物推向市場(即成功通過臨床試驗),並且成功率高於傳統藥物發現方法,但加速的時間表和節省成本的潛力足以吸引世界各地的製藥公司要麼在內部投資以開發自己的人工智能能力,要麼與人工智能公司合作完成數十億美元的交易。

基於結構的虛擬篩選可識別預計會與生物結構(目標)結合的分子(配體)。基於結構的虛擬篩選是當今獲得資助的藥物發現領域 AI 的主要形式。資料來源:IDTechEx Research。

人工智能如何應用於藥物研發?

在本報告中,IDTechEx 將虛擬篩選和從頭藥物發現領域作為藥物研發的兩個方面進行了重點研究,其中正在發生重大活動。基於結構的虛擬篩選等特定應用正受到極大關注,但目前尚不清楚人工智能在藥物研發中的哪個方面將在未來產生最大影響。雖然基於結構的虛擬篩選是通過可用於應用 AI 算法的結構數據的現成可用性實現的,但生物系統的複雜性意味著化合物的結構和擬合併不能表明化合物作為藥物的安全性和有效性。表型虛擬篩選和從頭藥物發現等技術可能為一流甚至多靶點藥物帶來更多希望,人工智能在化合物特性預測和優化方面的應用將得到各個方面的支持。

報告中有什麼內容?

本報告涵蓋藥物研發過程的四個方面:

  • 虛擬篩選,包括基於結構的虛擬篩選、基於配體的虛擬篩選和表型虛擬篩選
  • 從頭藥物設計
  • 先導優化(預測和優化化合物屬性)
  • 化學合成規劃

在所討論的藥物研發過程的每個方面,IDTechEx 提供:

  • 主要參與者
  • 資金(包括按申請和藥物類型細分)
  • 技術
  • 公司簡介(包括面試)
  • 候選產品上市的進展
  • 軟件功能
  • 技術準備就緒

來自 IDTechEx 的分析師訪問

購買所有報告都包括與專家分析師進行長達 30 分鐘的電話通話,他將幫助您將報告中的關鍵發現與您要解決的業務問題聯繫起來。這需要在購買報告後的三個月內使用。

目錄

1. 執行摘要

  • 1.1. 報告範圍
  • 1.2. 報告範圍:藥物發現
  • 1.3. 藥物研發過程中的挑戰
  • 1.4. 藥物研發中的人工智能:為什麼是現在?
  • 1.5。人工智能在藥物研發中的驅動因素和製約因素
  • 1.6. 虛擬篩選中的人工智能
  • 1.7. 虛擬篩選中的人工智能:關鍵參與者
  • 1.8。虛擬篩選中的人工智能:結論
  • 1.9. 從頭藥物設計中的人工智能
  • 1.10. 從頭藥物設計中的人工智能:關鍵參與者
  • 1.11. 從頭藥物設計中的人工智能:結論
  • 1.12。潛在客戶優化中的人工智能
  • 1.13。化學合成規劃中的人工智能
  • 1.14. 為藥物研發中的人工智能提供資金
  • 1.15。藥物研發中的人工智能:商業模式
  • 1.16。藥物研發市場格局中的人工智能:按地域劃分
  • 1.17. 藥物研發市場格局中的人工智能:按應用
  • 1.18. 藥物研發中的人工智能:市場展望
  • 1.19. 結論

2. 簡介

  • 2.1. 報告範圍
  • 2.2. 藥物研發過程
  • 2.3. 報告範圍:藥物研發
  • 2.4. 關鍵術語:靶標和配體
  • 2.5. 目標和配體:鎖和鍵的類比
  • 2.6. 藥物研發過程中的挑戰
  • 2.7. 藥物研發是昂貴的
  • 2.8. AI在藥物研發中的歷史
  • 2.9. 藥物研發中的人工智能:為什麼是現在?
  • 2.1 0. 人工智能在藥物研發中的優勢
  • 2.11. 人工智能在藥物研發中的驅動因素和製約因素

3. 藥物研發中的人工智能

  • 3.1.1. 什麼是人工智能?
  • 3.1.2. 藥物研發中的人工智能、機器學習和深度學習
  • 3.1.3. 藥物研發中的人工智能方法
  • 3.1.4. 關鍵人工智能算法的適用性和預測能力
  • 3.1.5。構建 AI 模型:使用哪些算法?
  • 3.1.6。複合結構如何編碼到 AI 模型中?
  • 3.1.7。分子Fingerpri NTS
  • 3.1.8。簡化的分子輸入線入口規範 (SMILES)
  • 3.2. 虛擬篩選中的人工智能
    • 3.2.1. 虛擬篩選中的人工智能
    • 3.2.2. 虛擬放映中的人工智能:關鍵參與者
    • 3.2.3. AI在虛擬篩選:基金ING
    • 3.2.4. 虛擬篩選中的人工智能:按應用和藥物類型
    • 3.2.5. 基於結構的虛擬篩選
    • 3.2.6. 遞歸製藥
    • 3.2.7. 原子智
    • 3.2.8. 米卡創新
    • 3.2.9. 雙XAR
    • 3.2.10。基於配體的虛擬篩選
    • 3.2.11。騰訊
    • 3.2.12。表型虛擬篩選
    • 3.2.13。電子療法
    • 3.2.14。虛擬篩選中的人工智能:從實驗室到床邊的進展
    • 3.2.15。AI的虛擬篩選:臨床三阿爾斯
    • 3.2.16。用於虛擬篩選的人工智能:合作夥伴關係
    • 3.2.17。虛擬篩選中的人工智能:軟件功能
    • 3.2.18。虛擬篩選中的人工智能:技術準備
    • 3.2.19。虛擬篩選中的人工智能:結論
  • 3.3. 表型篩選:用於細胞分選和分類的人工智能
    • 3.3.1. 圖像識別人工智能
    • 3.3.2. 表型 HTS 結果的分類
  • 3.4. 從頭藥物設計中的人工智能
    • 3.4.1. 從頭藥物設計中的人工智能
    • 3.4.2. 從頭藥物設計中的人工智能:關鍵參與者
    • 3.4.3. 從頭藥物設計中的人工智能:資金
    • 3.4.4. 從頭藥物設計中的人工智能:按藥物類型
    • 3.4.5。人工智能驅動的從頭藥物設計如何工作?
    • 3.4.6. DMTA週期必須為R得出
    • 3.4.7。人工智能驅動的從頭藥物設計如何工作?
    • 3.4.8。IBM 蘇黎世研究院
    • 3.4.9。智能醫學
    • 3.4.10。Exscientia
    • 3.4.11。卡羅治療
    • 3.4.12。缺水症
    • 3.4.13。魅力四射的人工智能
    • 3.4.14。作為traZeneca
    • 3.4.15。阿爾澤達
    • 3.4.16。仁慈的人工智能
    • 3.4.17。從頭藥物設計中的人工智能:合作夥伴關係
    • 3.4.18。從頭藥物設計中的人工智能:從實驗室到床邊的進展
    • 3.4.19。從頭藥物設計中的人工智能:軟件功能
    • 3.4.20。從頭藥物設計中的人工智能:軟件功能
    • 3.4.21。從頭藥物設計中的人工智能:技術準備
    • 3.4.22。從頭藥物設計中的人工智能:結論
  • 3.5。潛在客戶優化中的人工智能
    • 3.5.1. 潛在客戶優化中的人工智能
    • 3.5.2. 潛在客戶優化的歷史
    • 3.5.3. 關鍵屬性和 AI 算法
    • 3.5.4. 關鍵人工智能算法的預測能力
    • 3.5.5。潛在客戶優化中的人工智能:流程
    • 3.5.6。定量結構-活動關係模型
    • 3.5.7。智人
    • 3.5.8。和平精英
    • 3.5.9。蛋白質Qure
    • 3.5.10。伊克托斯
    • 3.5.11。分子組學
    • 3.5.12。Denovicon 療法
    • 3.5.13。XtalPi
    • 3.5.14。蛋白□
    • 3.5.15。摹laxoSmithKline
    • 3.5.16。潛在客戶優化中的人工智能:軟件功能
    • 3.5.17。潛在客戶優化中的人工智能:技術準備
    • 3.5.18。潛在客戶優化中的人工智能:結論
    • 3.5.19。潛在客戶優化中的人工智能:挑戰
  • 3.6. 化學合成規劃中的人工智能
    • 3.6.1. 化學合成計劃
    • 3.6.2. 逆合成通路預測
    • 3.6.3. 計算機輔助逆合成
    • 3.6.4. 化學合成規劃中的人工智能
    • 3.6.5。化學合成規劃中的人工智能:軟件架構
    • 3.6.6。化學合成規劃中的人工智能:關鍵參與者
    • 3.6.7。默克公司
    • 3.6.8。伊克托斯
    • 3.6.9。後時代
    • 3.6.10。分子一
    • 3.6.11。深物質
    • 3.6.12。格拉斯哥大學
    • 3.6.13。化學合成規劃中的人工智能:合作夥伴關係
    • 3.6.14。化學合成規劃中的人工智能:軟件功能
    • 3.6.15。化學合成規劃中的人工智能:技術準備
    • 3.6.16。化學合成規劃中的人工智能:結論與展望

4. 市場格局

  • 4.1. 概述
  • 4.2. 為藥物研發中的人工智能提供資金
  • 4.3. 藥物研發中的人工智能:商業模式
  • 4.4. Big Pharm與 AI 公司之間的合作
  • 4.5。藥物研發市場格局中的人工智能:按地域劃分
  • 4.6. 藥物研發市場格局中的人工智能:按應用
  • 4.7. 藥物研發市場格局中的人工智能:按藥物類型
  • 4.8. 藥物研發市場中的人工智能 景觀猿:2010-2020
  • 4.9. 藥物研發中的人工智能:市場展望

5. 展望

  • 5.1. 人工智能驅動的自動化
  • 5.2. 深度學習適合藥物發現嗎?
  • 5.3. 多藥理學和多靶點藥物
  • 5.4. 數據可用性和數據質量
  • 5.5。藥物研發人工智能公司面臨的其他挑戰
  • 5.6. 最後的想法
  • 5.7. 公司簡介
目錄
Product Code: ISBN 9781913899516

Title:
AI in Drug Discovery 2021: Players, Technologies, and Applications
Artificial intelligence (machine learning and deep learning) in virtual screening, de novo drug design, lead optimization, and chemical synthesis planning.

The development of pharmaceutical drugs is a long and costly process. Companies in the pharmaceutical and biotechnology industries typically spend more than $1 billion to bring a drug to market, in a process that often lasts over 10-15 years. Moreover, the drug development process is very risky - up to 90% of drug candidates are eventually dropped during the process due to issues such as safety and efficacy, resulting in massive losses for companies. Any technology that can contribute significantly to solving any of these three pain points of the drug development process will quickly grow into a multibillion-dollar industry.

One such technology that has emerged over the past few years is the use of artificial intelligence (AI), particularly machine learning (ML) and deep learning (DL) algorithms, to improve the drug discovery process. In this early stage of the drug development process, compounds of interest are identified and optimized to have drug-like properties before they are tested in animals, and later, humans. While computers have been used in aiding pharmaceutical R&D for many decades and even AI itself has been applied for more than 10 years, it has only recently started to gather momentum. Case in point - over 80% of funding for AI in drug discovery has been raised in the past 3 years, with investment over 2020, during the height of the COVID-19 pandemic, more than that of 2018 and 2019 combined.

Why apply AI in drug discovery?

Companies commercializing AI drug discovery platforms and AI-discovered drugs have shown that the use of algorithms can accelerate a multi-year process to a matter of months. This drastic decrease in development time along with the reduction of the number of compounds that need to be synthesized for laboratory testing, allows for significant cost savings, addressing two core issues of pharmaceutical R&D. While AI drug discovery companies have not necessarily proven that their technologies can bring a drug to market (i.e., successfully pass clinical trials) with higher rates of success than traditional drug discovery methods, the accelerated timelines and potential for cost savings are compelling enough for pharmaceutical companies across the world to either invest internally to develop their own AI capabilities, and to partner up with AI companies in billion-dollar deals.

Structure-based virtual screening identifies molecules (ligands) that are predicted to bind to a biological structure (target). Structure-based virtual screening is the leading form of AI in drug discovery being funded today. Source: IDTechEx Research.

How is AI applied in drug discovery?

In this report, IDTechEx have focused on the areas of virtual screening and de novo drug discovery as two aspects of drug discovery in which significant activity is occurring. Specific applications such as structure-based virtual screening are receiving significant attention, but it is not yet fully clear which aspect of AI in drug discovery will have the most impact in the future. While structure-based virtual screening is enabled by ready availability of structural data on which to apply AI algorithms, the complexity of biological systems means that structure and fit of compounds do not indicate a compound's safety and efficacy as a drug. Technologies such as phenotypic virtual screening and de novo drug discovery may hold more promise for first-in-class and even multi-target drugs, and all aspects will be supported by the application of AI in the prediction and optimization of a compound's properties.

What's in the report?

This report covers four aspects of the drug discovery process:

  • Virtual screening, including structure-based virtual screening, ligand-based virtual screening, and phenotypic virtual screening
  • De novo drug design
  • Lead optimization (predicting and optimizing compound properties)
  • Chemical synthesis planning

Within each aspect of the drug discovery process discussed, IDTechEx provides:

  • Key players
  • Funding (including breakdown by application and drug type)
  • Technologies
  • Company profiles (including interviews)
  • Progress of candidates to market
  • Software capabilities
  • Technology readiness

Analyst access from IDTechEx

All report purchases include up to 30 minutes telephone time with an expert analyst who will help you link key findings in the report to the business issues you're addressing. This needs to be used within three months of purchasing the report.

TABLE OF CONTENTS

1. EXECUTIVE SUMMARY

  • 1.1. Report Scope
  • 1.2. Report Scope: Drug Discovery
  • 1.3. Challenges in the Drug Discovery Process
  • 1.4. AI in Drug Discovery: Why Now?
  • 1.5. Drivers & Constraints of AI in Drug Discovery
  • 1.6. AI in Virtual Screening
  • 1.7. AI in Virtual Screening: Key Players
  • 1.8. AI in Virtual Screening: Conclusions
  • 1.9. AI in De Novo Drug Design
  • 1.10. AI in De Novo Drug Design: Key players
  • 1.11. AI in De Novo Drug Design: Conclusions
  • 1.12. AI in Lead Optimization
  • 1.13. AI in Chemical Synthesis Planning
  • 1.14. Funding in AI in Drug Discovery
  • 1.15. AI in Drug Discovery: Business Models
  • 1.16. AI in Drug Discovery Market Landscape: By Geography
  • 1.17. AI in Drug Discovery Market Landscape: By Application
  • 1.18. AI in Drug Discovery: Market Outlook
  • 1.19. Conclusions

2. INTRODUCTION

  • 2.1. Report Scope
  • 2.2. The Drug Development Process
  • 2.3. Report Scope: Drug Discovery
  • 2.4. Key Terminology: Targets and Ligands
  • 2.5. Targets and Ligands: Lock and Key Analogy
  • 2.6. Challenges in the Drug Discovery Process
  • 2.7. Drug Discovery is Expensive
  • 2.8. History of AI in Drug Discovery
  • 2.9. AI in Drug Discovery: Why Now?
  • 2.10. Benefits of AI in Drug Discovery
  • 2.11. Drivers & Constraints of AI in Drug Discovery

3. AI IN DRUG DISCOVERY

  • 3.1.1. What is Artificial Intelligence?
  • 3.1.2. AI, ML & DL in Drug Discovery
  • 3.1.3. AI Methods in Drug Discovery
  • 3.1.4. Applicability and Predictive Capabilities of Key AI Algorithms
  • 3.1.5. Constructing an AI Model: Which Algorithms to Use?
  • 3.1.6. How are Compound Structures Encoded into an AI Model?
  • 3.1.7. Molecular Fingerprints
  • 3.1.8. Simplified Molecular Input Line Entry Specification (SMILES)
  • 3.2. AI in Virtual Screening
    • 3.2.1. AI in Virtual Screening
    • 3.2.2. AI in Virtual Screening: Key Players
    • 3.2.3. AI in Virtual Screening: Funding
    • 3.2.4. AI in Virtual Screening: By Application and Drug Type
    • 3.2.5. Structure-Based Virtual Screening
    • 3.2.6. Recursion Pharmaceuticals
    • 3.2.7. Atomwise
    • 3.2.8. Micar Innovation
    • 3.2.9. TwoXAR
    • 3.2.10. Ligand-Based Virtual Screening
    • 3.2.11. Tencent
    • 3.2.12. Phenotypic Virtual Screening
    • 3.2.13. e-Therapeutics
    • 3.2.14. AI in Virtual Screening: Progress from Lab to Bedside
    • 3.2.15. AI for Virtual Screening: Clinical Trials
    • 3.2.16. AI for Virtual Screening: Partnerships
    • 3.2.17. AI in Virtual Screening: Software Capabilities
    • 3.2.18. AI in Virtual Screening: Technology Readiness
    • 3.2.19. AI in Virtual Screening: Conclusions
  • 3.3. Phenotypic Screening: AI for Cell Sorting and Classification
    • 3.3.1. Image Recognition AI
    • 3.3.2. Classification of Phenotypic HTS Results
  • 3.4. AI in De Novo Drug Design
    • 3.4.1. AI in De Novo Drug Design
    • 3.4.2. AI in De Novo Drug Design: Key players
    • 3.4.3. AI in De Novo Drug Design: Funding
    • 3.4.4. AI in De Novo Drug Design: By Drug Type
    • 3.4.5. How does AI-driven De Novo Drug Design Work?
    • 3.4.6. DMTA Cycles Must be Reduced
    • 3.4.7. How does AI-driven De Novo Drug Design Work?
    • 3.4.8. IBM Research Zurich
    • 3.4.9. Insilico Medicine
    • 3.4.10. Exscientia
    • 3.4.11. CaroCure
    • 3.4.12. Aqemia
    • 3.4.13. GlamorousAI
    • 3.4.14. AstraZeneca
    • 3.4.15. Arzeda
    • 3.4.16. BenevolentAI
    • 3.4.17. AI in De Novo Drug Design: Partnerships
    • 3.4.18. AI in De Novo Drug Design: Progress from Lab to Bedside
    • 3.4.19. AI in De Novo Drug Design: Software Capabilities
    • 3.4.20. AI in De Novo Drug Design: Software Capabilities
    • 3.4.21. AI in De Novo Drug Design: Technology Readiness
    • 3.4.22. AI in De Novo Drug Design: Conclusions
  • 3.5. AI in Lead Optimization
    • 3.5.1. AI in Lead Optimization
    • 3.5.2. History of Lead Optimization
    • 3.5.3. Key Properties and AI Algorithms
    • 3.5.4. Predictive Capabilities of Key AI Algorithms
    • 3.5.5. AI in Lead Optimisation: Process
    • 3.5.6. Quantitative Structure-Activity Relationship Models
    • 3.5.7. Intellegens
    • 3.5.8. PEACCEL
    • 3.5.9. ProteinQure
    • 3.5.10. Iktos
    • 3.5.11. Molomics
    • 3.5.12. Denovicon Therapeutics
    • 3.5.13. XtalPi
    • 3.5.14. Peptone
    • 3.5.15. GlaxoSmithKline
    • 3.5.16. AI in Lead Optimization: Software Capabilities
    • 3.5.17. AI in Lead Optimization: Technology Readiness
    • 3.5.18. AI in Lead Optimization: Conclusions
    • 3.5.19. AI in Lead Optimization: Challenges
  • 3.6. AI in Chemical Synthesis Planning
    • 3.6.1. Chemical Synthesis Planning
    • 3.6.2. Retrosynthesis Pathway Prediction
    • 3.6.3. Computer-Aided Retrosynthesis
    • 3.6.4. AI in Chemical Synthesis Planning
    • 3.6.5. AI in Chemical Synthesis Planning: Software Architecture
    • 3.6.6. AI in Chemical Synthesis Planning: Key Players
    • 3.6.7. Merck KGaA
    • 3.6.8. Iktos
    • 3.6.9. PostEra
    • 3.6.10. Molecule.one
    • 3.6.11. DeepMatter
    • 3.6.12. University of Glasgow
    • 3.6.13. AI in Chemical Synthesis Planning: Partnerships
    • 3.6.14. AI in Chemical Synthesis Planning: Software Capabilities
    • 3.6.15. AI in Chemical Synthesis Planning: Technology Readiness
    • 3.6.16. AI in Chemical Synthesis Planning: Conclusions & Outlook

4. MARKET LANDSCAPE

  • 4.1. Overview
  • 4.2. Funding in AI in Drug Discovery
  • 4.3. AI in Drug Discovery: Business Models
  • 4.4. Collaborations Between Big Pharma and AI Companies
  • 4.5. AI in Drug Discovery Market Landscape: By Geography
  • 4.6. AI in Drug Discovery Market Landscape: By Application
  • 4.7. AI in Drug Discovery Market Landscape: By Drug Type
  • 4.8. AI in Drug Discovery Market Landscape: 2010-2020
  • 4.9. AI in Drug Discovery: Market Outlook

5. OUTLOOK

  • 5.1. AI-Driven Automation
  • 5.2. Is Deep Learning Suitable for Drug Discovery?
  • 5.3. Polypharmacology and Multi-Target Drugs
  • 5.4. Data Availability and Data Quality
  • 5.5. Other challenges facing drug discovery AI companies
  • 5.6. Final Thoughts
  • 5.7. Company profiles