大家好，欢迎来到Money or Life美股频道。我是Ace。今天我们来探讨一个看似遥远却日益重要的话题：人工智能（AI）如何与生物学和医疗健康领域深度融合，特别是它如何加速药物研发。乍听之下，AI与生物医疗的关联可能并不明显，但本期视频将为您揭示其中的奥秘。
我们将从生物学和AI医疗的分类介绍入手，深入剖析药物研发及早期药物发现过程中的难点。随后，我们将聚焦于AI医疗领域的明星工具——谷歌（Google）的AlphaFold，了解它如何利用AI揭秘蛋白质的三维结构。此外，我们还会探讨科技巨头英伟达（Nvidia）在加速药物研发方面的路径。最后，将以生物医疗公司Recursion（上市代码RXRX）为例，分析这类公司如何开展业务，并介绍其技术路线、营收状况及药物管线最新信息，同时分享我个人的投资观点。在我的频道，除了关注太空、特斯拉和AI领域，我对医疗和保险行业也抱有浓厚兴趣，并已发布了十余篇相关公司介绍与投资分析视频，欢迎订阅，不错过任何最新个股分析。
生物学与AI医疗的交叉领域
生物学（biology）是一门研究生命现象和生物活动规律的自然科学，它既研究微观的分子、细胞，也研究宏观的生态系统。近年来，随着AI的飞速发展，生物学正迈入一个数字化和工程化的新时代。AI在医疗领域的应用极为广泛，涵盖了新药研发、基因编辑、患者病例解读以及医学影像诊断等多个方面。
参考知名投资机构Ark基金的报告，从商业应用角度，AI医疗可细分为四个主要板块：
- 基因测序板块：得益于DNA读取成本降低100倍，合成DNA成本降低1,000倍，该领域发展迅速，代表企业包括Tempus AI和Tenx Genomics。
- 疾病诊断板块：癌症检测市场扩大了10倍，筛查效率提升20倍，市场呈现爆发式增长。
- 疾病治疗板块：通过基因编辑等手段实现根治性治疗，代表性公司有CRISPR。
- 药物研发板块：这是我们本期视频的重点。AI的出现将商业化药物研发速度提升了1.6倍，成本降低了4倍，显著提高了研发回报率。该板块的公司包括Recursion和谷歌DeepMind旗下的Isomorphic Labs。
从AI技术角度看，有四类核心技术可应用于医疗领域：
- 大语言模型（Large Language Model）：可加速文献挖掘和生物学数据分析，这对于处理海量专业数据尤为重要。
- 扩散模型（diffusion models）：能够将微观世界以三维图形展示，目前已成熟应用于蛋白质三维结构的生成，这是我们接下来的重点。
- 神经网络（neural networks）：用于理解分子间的空间关系，从而精准预测候选药物在人体内的代谢情况和潜在毒性。
- 多模态学习（multi-modal learning）：融合基因、蛋白质、医学影像等不同维度的数据，利用AI加速药物研发。
药物研发的漫长征途与AI的加速作用
在了解了生物学定义及AI医疗的分类后，我们来回顾一下药物研发的整体流程及其早期发现的难点。药物研发大致分为几个关键步骤：首先是发现与临床前阶段，这是药物研发的起点，也是我们本期视频的焦点；接着是IND申请；然后是临床试验（分为一期、二期、三期，参与人数从百人到万人不等）；通过临床试验后进入新药申请（NDA）；最终获得FDA批准并上市。
整个过程耗时极长，通常需要6到10年，甚至15到20年。虽然本期视频侧重于AI如何加速药物发现这一早期环节，但AI在整个研发流程，尤其是在临床试验阶段，也起到了加速作用。
我们回到药物发现，这是药物研发的第一步，甚至可以说是“第零步”。它又可细分为三个子步骤：
- 靶点发现（Target Identification）：确定体内哪个生物分子与疾病相关，并证明干预该分子能治愈疾病。这个“靶点”通常是蛋白质，一种由氨基酸组成的生物大分子。例如，GLP-1就是一种蛋白质，可作为药物靶点。
- 高通量筛选（High-throughput Screening）：从海量化合物中寻找能与靶点结合的“种子选手”，即潜在的药物成分。
- 确认候选药物（Candidate Confirmation）：通过计算机3D模拟调整分子结构，并在实验环境中测试其吸收、分布、代谢和毒性（ADMET），最终选出最均衡的分子作为候选药物，进入临床前试验。
在这些步骤中，靶点发现是最为困难的一环，其难度远超高通量筛选，尤其是在利用AI攻克靶点方面。尽管如此，AI的应用已将原先需要数年的周期缩短至一年以内，甚至几个月，其帮助是巨大的。
谷歌AlphaFold：蛋白质结构预测的革命
在AI加速药物研发的浪潮中，科技巨头扮演着关键角色。首先是谷歌。其DeepMind团队开发的AlphaFold工具，尤其是第三代AlphaFold 3，堪称揭秘人类蛋白质三维结构的“圣杯”。它能在几秒钟内预测出蛋白质的3D结构，而过去这一过程可能需要数天、数周甚至数月。
蛋白质结构至关重要，因为它决定了蛋白质的功能。蛋白质结构有四个层次：一级结构是氨基酸的线性排列；我们需要关注的是至少三级结构，即整条多肽链在空间中折叠形成的完整三维形态（蛋白质单体）；更复杂的是第四个层次——蛋白质复合体，由多个多肽链组成。
正如前文所述，蛋白质结构预测是新药研发早期阶段的核心挑战。它根据蛋白质的氨基酸序列推断其在空间中的三维原子坐标。这个“折叠”（fold）的过程是AI产品命名的灵感来源，如AlphaFold和之前的AlphaGo。
传统预测蛋白质三维结构的方法，如X射线晶体学或冷冻电镜，虽然精度高，但成本昂贵且耗时漫长，属于**湿实验室（wet lab）试验。与之相对的是干实验室（dry lab）**试验，如AlphaFold，它通过计算机模拟、数学建模和大数据分析进行预测，有效跨越了实验产出的数量和时间瓶颈。
在蛋白质折叠预测领域，CASP竞赛（Critical Assessment of Structure Prediction）是生物学界的权威评估平台。2018年，谷歌DeepMind的AlphaFold首次参赛即获第一名。两年后，AlphaFold第二代取得了跨越式进步，分数远超黄金基准。如今，AlphaFold已发展到第三代，谷歌团队因此解决了困扰人类50年的蛋白质折叠难题，其关键人物甚至获得了2024年诺贝尔化学奖。
然而，即使是AlphaFold 3，也并非万能。它虽能解决大部分常规蛋白质复合体问题，但对于免疫治疗中的关键抗体-抗原结合，以及蛋白质与核酸（DNA/RNA）的相互作用、蛋白质与小分子药物（配体）的结合等更复杂情况，仍未被100%攻克，这些是发现新药物的关键。
英伟达与行业巨头的合作生态
另一家科技巨头**英伟达（Nvidia）**也在积极布局AI驱动的药物研发。影响蛋白质3D结构预测准确性的关键因素有三个：算力、算法和数据。英伟达在算力和算法（底层架构算法）方面处于领先地位。
然而，与谷歌类似，英伟达在数据方面也面临挑战。为此，英伟达积极寻求外部合作。不久前，他们与制药巨头**礼来（Eli Lilly）**共同投资10亿美元，利用AI加速药物研发，结合了礼来的数据与英伟达的算力和算法。
谷歌也在采取类似策略。其商业子公司Isomorphic Labs虽然直接进行药物研发，但也与大型制药厂合作。2024年，Isomorphic Labs与礼来宣布了高达17亿美元的合作协议，共同利用AI研发创新药物。
这些合作的核心目标是实现**干湿实验室（dry lab / wet lab）**的闭环。通过干实验室的AI蛋白质结构预测，再利用湿实验室的生物样本试验进行验证，形成一个高效的研发循环。
Recursion案例分析：技术、管线与营收挑战
接下来，我们将以生物科技公司Recursion（RXRX）为例，探讨这类公司如何分析，并分享我的投资观点。需要强调的是，我在此仅作为分析案例，并非直接的投资建议。
Recursion的核心技术是基于AI的图形识别技术——表型组学（Phenomics）。在靶点发现阶段，Recursion利用基因编辑技术消除人体内数千个基因，并通过高分辨率显微镜拍摄细胞图像。AI随后分析这些细胞图像在视觉上的变化（如形状、结构、细胞器分布），识别出与特定疾病细胞图像高度相似的，从而推断出潜在的疾病靶点。在高通量筛选阶段，AI则在海量图像中寻找能使病态细胞恢复健康的化合物。
在药物管线方面，Recursion主要聚焦肿瘤学和罕见病。其项目REC 4881是一种用于治疗罕见病家族性腺瘤性息肉病（FAP）的M1K 12型抑制剂。这是公司首个获得临床概念验证的AI发现药物，显示出显著的疗效，计划与FDA讨论注册性研究路径。另一个受关注的项目是REC 617，一种用于治疗耐药性卵巢癌的CDK7抑制剂，目前处于一二期临床研究，并已启动与化疗药物的联合用药研究。
尽管这些项目前景诱人，但Recursion的股价近期却持续下跌。这反映了新药研发行业固有的不确定性。
Recursion的财务状况与投资策略
Recursion的营收状况也解释了其股价表现。2025年第三季度，公司总营收仅为517万美元，主要来自与生物制药公司的战略合作协议。与去年同期相比，收入大幅下降，原因在于其营收依赖于合作里程碑的达成，而该季度恰好没有重要的里程碑事件。
营收的极度不稳定也体现在预期与实际的巨大差距上。2025年第三季度营收预期接近1,900万美元，实际仅实现517万美元，错失了1,400万美元。这充分体现了新药研发行业的风险。
未来展望与投资建议
展望未来3-5年，新药研发领域极有可能出现爆发式增长，整个行业的确定性较高。这是因为谷歌AlphaFold 3和英伟达等AI技术在近一两年才开始显著加速药物研发进程。然而，考虑到新药研发长达5-10年甚至更久的周期，当前的投入可能不会立即看到FDA批准的新药。
对于普通投资者而言，预测一家小型生物科技公司能否成功，即使有AI加持，难度依然巨大。
我认同Ark基金的观点，即传统大型药厂的未来收益率可能下降。过去，每投入一块钱可能获得20-30%的回报，而现在已降至10%以内。尽管AI有所助力，但大型药厂的转型速度相对较慢，其回报率提升空间有限。相比之下，全力拥抱AI的中小型公司可能更具潜力。
基于此，我提出两种投资策略：
- 稳健策略：投资生物科技ETF。例如，Ark基金的ARKG（成长性公司，包含Tempus AI、Recursion等），市场权重ETF IBB（反映大型公司表现），以及等权重ETF XBI（更多反映中小型生物科技公司表现）。此外，港股和A股的创新药ETF也值得关注。
- 激进策略：采用小仓位进行高风险高回报的投资。例如，在RXRX股价相对低点时，投入1%的仓位。若其未来实现10倍增长，即使其他仓位不变，这1%的仓位也能贡献10%的整体收益。但同时，必须做好公司破产清零的心理准备。Recursion目前的现金流仅能支撑至2027年，若两年内未能取得突破，公司可能面临破产风险，除非被大型科技公司或投资人收购。
希望今天的分享能为各位在投资医疗和AI相关科技生物行业时提供有益的参考。感谢您的收看，欢迎订阅Money or Life美股频道，我们下期再见！