NEWS: 公告在东京证券交易所JASDAQ标准市场新上市

表纸
市场调查报告书

2021年药物研发用AI(人工智能)市场:参与者、技术和应用

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

出版商 IDTechEx Ltd. 商品编码 1009394
出版日期 内容资讯 英文 161 Slides
商品交期: 最快1-2个工作天内
价格
2021年药物研发用AI(人工智能)市场:参与者、技术和应用 AI in Drug Discovery 2021: Players, Technologies, and Applications
出版日期: 2021年06月07日内容资讯: 英文 161 Slides
简介

标题
2021年药物研发中的人工智能:参与者、技术和应用
虚拟筛选、从头药物设计、先导优化和化学合成规划中的人工智能(机器学习和深度学习)。

药物的开发是一个漫长而昂贵的过程。公司在药业maceutical和生物技术行业通常花费超过十亿$带来药品市场,在这个过程往往持续了10 - 15年。而且,药物研发过程风险很大——高达90%的候选药物最终会因为安全性、有效性等问题而被淘汰,给企业造成巨大损失。任何能够对解决药物开发过程中的这三个痛点中的任何一个做出重大贡献的技术都将迅速成长为一个价值数十亿美元的产业。

过去几年出现的一项此类技术是使用人工智能 (AI),尤其是机器学习 (ML) 和深度学习 (DL) 算法来改进药物发现过程。在药物开发过程的早期阶段,感兴趣的化合物经过鉴定和优化,使其具有类似药物的特性,然后再在动物身上进行测试,然后在人类身上进行测试。虽然计算机用于辅助药物研发已经有几十年的历史,甚至人工智能本身也已经应用了 10 多年,但它直到最近才开始蓄势待发。举个例子——过去 3 年里,超过 80% 的 AI 药物发现资金筹集到了,2020 年在COVID-19 大流行期间的投资超过了2018 年和 2019 年的总和。

为什么要在药物研发中应用人工智能?

将 AI 药物研发平台和 AI 开发的药物商业化的公司表明,使用算法可以将一个多年的过程加速到几个月的时间。开发时间的大幅缩短以及实验室测试需要合成的化合物数量的减少,可以显著节省成本,解决药物研发的两个核心问题。虽然人工智能药物研发公司不一定证明他们的技术可以将药物推向市场(即成功通过临床试验),并且成功率高于传统药物发现方法,但加速的时间表和节省成本的潜力足以吸引世界各地的制药公司要么在内部投资以开发自己的人工智能能力,要么与人工智能公司合作完成数十亿美元的交易。

基于结构的虚拟筛选可识别预计会与生物结构(目标)结合的分子(配体)。基于结构的虚拟筛选是当今获得资助的药物发现领域 AI 的主要形式。资料来源:IDTechEx Research。

人工智能如何应用于药物研发?

在本报告中,IDTechEx 将虚拟筛选和从头药物发现领域作为药物研发的两个方面进行了重点研究,其中正在发生重大活动。基于结构的虚拟筛选等特定应用正受到极大关注,但目前尚不清楚人工智能在药物研发中的哪个方面将在未来产生最大影响。虽然基于结构的虚拟筛选是通过可用于应用 AI 算法的结构数据的现成可用性实现的,但生物系统的复杂性意味著化合物的结构和拟合并不能表明化合物作为药物的安全性和有效性。表型虚拟筛选和从头药物发现等技术可能为一流甚至多靶点药物带来更多希望,人工智能在化合物特性预测和优化方面的应用将得到各个方面的支持。

报告中有什么内容?

本报告涵盖药物研发过程的四个方面:

  • 虚拟筛选,包括基于结构的虚拟筛选、基于配体的虚拟筛选和表型虚拟筛选
  • 从头药物设计
  • 先导优化(预测和优化化合物属性)
  • 化学合成规划

在所讨论的药物研发过程的每个方面,IDTechEx 提供:

  • 主要参与者
  • 资金(包括按申请和药物类型细分)
  • 技术
  • 公司简介(包括面试)
  • 候选产品上市的进展
  • 软件功能
  • 技术准备就绪

来自 IDTechEx 的分析师访问

购买所有报告都包括与专家分析师进行长达 30 分钟的电话通话,他将帮助您将报告中的关键发现与您要解决的业务问题联系起来。这需要在购买报告后的三个月内使用。

目录

1. 执行摘要

  • 1.1. 报告范围
  • 1.2. 报告范围:药物发现
  • 1.3. 药物研发过程中的挑战
  • 1.4. 药物研发中的人工智能:为什么是现在?
  • 1.5。人工智能在药物研发中的驱动因素和制约因素
  • 1.6. 虚拟筛选中的人工智能
  • 1.7. 虚拟筛选中的人工智能:关键参与者
  • 1.8。虚拟筛选中的人工智能:结论
  • 1.9. 从头药物设计中的人工智能
  • 1.10. 从头药物设计中的人工智能:关键参与者
  • 1.11. 从头药物设计中的人工智能:结论
  • 1.12。潜在客户优化中的人工智能
  • 1.13。化学合成规划中的人工智能
  • 1.14. 为药物研发中的人工智能提供资金
  • 1.15。药物研发中的人工智能:商业模式
  • 1.16。药物研发市场格局中的人工智能:按地域划分
  • 1.17. 药物研发市场格局中的人工智能:按应用
  • 1.18. 药物研发中的人工智能:市场展望
  • 1.19. 结论

2. 简介

  • 2.1. 报告范围
  • 2.2. 药物研发过程
  • 2.3. 报告范围:药物研发
  • 2.4. 关键术语:靶标和配体
  • 2.5. 目标和配体:锁和键的类比
  • 2.6. 药物研发过程中的挑战
  • 2.7. 药物研发是昂贵的
  • 2.8. AI在药物研发中的历史
  • 2.9. 药物研发中的人工智能:为什么是现在?
  • 2.1 0. 人工智能在药物研发中的优势
  • 2.11. 人工智能在药物研发中的驱动因素和制约因素

3. 药物研发中的人工智能

  • 3.1.1. 什么是人工智能?
  • 3.1.2. 药物研发中的人工智能、机器学习和深度学习
  • 3.1.3. 药物研发中的人工智能方法
  • 3.1.4. 关键人工智能算法的适用性和预测能力
  • 3.1.5。构建 AI 模型:使用哪些算法?
  • 3.1.6。复合结构如何编码到 AI 模型中?
  • 3.1.7。分子Fingerpri NTS
  • 3.1.8。简化的分子输入线入口规范 (SMILES)
  • 3.2. 虚拟筛选中的人工智能
    • 3.2.1. 虚拟筛选中的人工智能
    • 3.2.2. 虚拟放映中的人工智能:关键参与者
    • 3.2.3. AI在虚拟筛选:基金ING
    • 3.2.4. 虚拟筛选中的人工智能:按应用和药物类型
    • 3.2.5. 基于结构的虚拟筛选
    • 3.2.6. 递归制药
    • 3.2.7. 原子智
    • 3.2.8. 米卡创新
    • 3.2.9. 双XAR
    • 3.2.10。基于配体的虚拟筛选
    • 3.2.11。腾讯
    • 3.2.12。表型虚拟筛选
    • 3.2.13。电子疗法
    • 3.2.14。虚拟筛选中的人工智能:从实验室到床边的进展
    • 3.2.15。AI的虚拟筛选:临床三阿尔斯
    • 3.2.16。用于虚拟筛选的人工智能:合作伙伴关系
    • 3.2.17。虚拟筛选中的人工智能:软件功能
    • 3.2.18。虚拟筛选中的人工智能:技术准备
    • 3.2.19。虚拟筛选中的人工智能:结论
  • 3.3. 表型筛选:用于细胞分选和分类的人工智能
    • 3.3.1. 图像识别人工智能
    • 3.3.2. 表型 HTS 结果的分类
  • 3.4. 从头药物设计中的人工智能
    • 3.4.1. 从头药物设计中的人工智能
    • 3.4.2. 从头药物设计中的人工智能:关键参与者
    • 3.4.3. 从头药物设计中的人工智能:资金
    • 3.4.4. 从头药物设计中的人工智能:按药物类型
    • 3.4.5。人工智能驱动的从头药物设计如何工作?
    • 3.4.6. DMTA周期必须为R得出
    • 3.4.7。人工智能驱动的从头药物设计如何工作?
    • 3.4.8。IBM 苏黎世研究院
    • 3.4.9。智能医学
    • 3.4.10。Exscientia
    • 3.4.11。卡罗治疗
    • 3.4.12。缺水症
    • 3.4.13。魅力四射的人工智能
    • 3.4.14。作为traZeneca
    • 3.4.15。阿尔泽达
    • 3.4.16。仁慈的人工智能
    • 3.4.17。从头药物设计中的人工智能:合作伙伴关系
    • 3.4.18。从头药物设计中的人工智能:从实验室到床边的进展
    • 3.4.19。从头药物设计中的人工智能:软件功能
    • 3.4.20。从头药物设计中的人工智能:软件功能
    • 3.4.21。从头药物设计中的人工智能:技术准备
    • 3.4.22。从头药物设计中的人工智能:结论
  • 3.5。潜在客户优化中的人工智能
    • 3.5.1. 潜在客户优化中的人工智能
    • 3.5.2. 潜在客户优化的历史
    • 3.5.3. 关键属性和 AI 算法
    • 3.5.4. 关键人工智能算法的预测能力
    • 3.5.5。潜在客户优化中的人工智能:流程
    • 3.5.6。定量结构-活动关系模型
    • 3.5.7。智人
    • 3.5.8。和平精英
    • 3.5.9。蛋白质Qure
    • 3.5.10。伊克托斯
    • 3.5.11。分子组学
    • 3.5.12。Denovicon 疗法
    • 3.5.13。XtalPi
    • 3.5.14。蛋白□
    • 3.5.15。摹laxoSmithKline
    • 3.5.16。潜在客户优化中的人工智能:软件功能
    • 3.5.17。潜在客户优化中的人工智能:技术准备
    • 3.5.18。潜在客户优化中的人工智能:结论
    • 3.5.19。潜在客户优化中的人工智能:挑战
  • 3.6. 化学合成规划中的人工智能
    • 3.6.1. 化学合成计划
    • 3.6.2. 逆合成通路预测
    • 3.6.3. 计算机辅助逆合成
    • 3.6.4. 化学合成规划中的人工智能
    • 3.6.5。化学合成规划中的人工智能:软件架构
    • 3.6.6。化学合成规划中的人工智能:关键参与者
    • 3.6.7。默克公司
    • 3.6.8。伊克托斯
    • 3.6.9。后时代
    • 3.6.10。分子一
    • 3.6.11。深物质
    • 3.6.12。格拉斯哥大学
    • 3.6.13。化学合成规划中的人工智能:合作伙伴关系
    • 3.6.14。化学合成规划中的人工智能:软件功能
    • 3.6.15。化学合成规划中的人工智能:技术准备
    • 3.6.16。化学合成规划中的人工智能:结论与展望

4. 市场格局

  • 4.1. 概述
  • 4.2. 为药物研发中的人工智能提供资金
  • 4.3. 药物研发中的人工智能:商业模式
  • 4.4. Big Pharm与 AI 公司之间的合作
  • 4.5。药物研发市场格局中的人工智能:按地域划分
  • 4.6. 药物研发市场格局中的人工智能:按应用
  • 4.7. 药物研发市场格局中的人工智能:按药物类型
  • 4.8. 药物研发市场中的人工智能 景觀猿:2010-2020
  • 4.9. 药物研发中的人工智能:市场展望

5. 展望

  • 5.1. 人工智能驱动的自动化
  • 5.2. 深度学习适合药物发现吗?
  • 5.3. 多药理学和多靶点药物
  • 5.4. 数据可用性和数据质量
  • 5.5。药物研发人工智能公司面临的其他挑战
  • 5.6. 最后的想法
  • 5.7. 公司简介
目录
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