AI制药供应链"瓶颈交易"成形，DNA合成与蛋白生产率先受益
nashnova research
半导体的"瓶颈行情"怎么就搬到了制药赛道？
GPU稀缺曾依次推动HBM内存、网络设备、电力冷却的链式行情。弗雷达·段认为AI制药正走同一条路：AI模型产生设计→DNA合成→蛋白生产→实验验证→临床前测试，瓶颈沿链条向下传递。
这意味着→ 每个环节在"上游产能过剩、本环节供不应求"时，就会成为资金涌入的节点——与半导体行情逻辑一致。
触发点是前沿AI实验室集体入场：Anthropic把生命科学提至战略层级，OpenAI推出GPT-Rosalind模型族，字节跳动旗下Anew Labs整合了模型+湿实验室+自有管线，同构实验室（Isomorphic Labs）已明确要把AI设计药物推进人体临床。
AI提高效率，为什么湿实验室需求反而更大了？
用大白话说＝ 过去设计一个候选分子成本极高，只有最有把握的才值得送去做实验；现在AI设计候选分子几乎不花钱，"上场机会"暴增，瓶颈就从设计端转移到了生物验证端。
Anthropic的案例很直观：Claude设计了1,320个蛋白结合子，Adaptyv将其转化为DNA并表达蛋白，354个成功结合，另外966个失败案例作为负向标签训练下一轮模型。
这反映出湿实验室的角色正在发生质变——不只是"制造药物"，更是在"制造训练数据"。失败的实验同样有价值，因为它产出模型需要的负向数据。
订单数据能追踪到什么信号？
拓斯达生物（Twist Bioscience，TWST）预计2026和2027财年AI药物发现订单连续三位数百分比增长，并明确表示业务正转向从AI设计序列中生成结构化实验结果数据。
金斯瑞（GenScript）AI药物发现业务2026财年上半年同比翻倍；对外宣传产能为每日4,000+个设计，渠道调研显示实际产能已达约8,000个/日，有望在2026年底前达到约16,000个/日。
这意味着→ 这两家公司正从"合成服务商"转型为生物数据铸造厂——角色越来越像半导体行业里的晶圆代工。
市场空间到底有多大？
如果AI只是更高效的研发工具，支出池是全球制药研发总支出，约每年3,000至4,000亿美元。
如果AI真正扩大了可行药物项目数量，还将带动DNA合成、蛋白生产、实验验证和临床前工作的增量需求——这是传统研发预算之外的新增市场。
弗雷达·段给了一个参照：若Anthropic在2026年实现800亿美元年化收入，仅拿出1%投入AI药物发现，就是约8亿美元的年度投资。用大白话说＝ 一家AI公司的零头，就够撑起一个细分赛道的订单量。
跟2020/21年那波AI制药热有什么本质区别？
上一轮以Exscientia的DSP-1181分子为代表——不到一年从发现推到I期临床，但随后因未达I期评估标准终止。彼时逻辑是"用计算减少低价值湿实验"。
2026年逻辑反过来：用AI大幅扩展假设空间，再用湿实验室生成验证数据，形成"AI→实验→数据→更好的AI→更多实验"的内在循环。目标不是减少实验，是让实验产出的数据喂回模型。
已有数据显示，AI发现药物的I期成功率约80%–90%，高于行业历史均值；II期成功率约40%，与历史均值大致持平，但样本量仍有限。
瓶颈会怎么传导？关键风险在哪？
当前最直接的瓶颈是DNA合成和蛋白生产。随着更多候选药物被推入临床前阶段，动物实验可能成为下一个受限环节——灵长类动物价格已接近此前高点，CRO（合同研究组织，帮药企做外包实验的公司）产能持续偏紧。
这意味着→ 这笔交易的潜在持续时间较长：直至2028年以后I/II期临床结果出炉，都很难出现根本性的逻辑终结。关键里程碑：2026–2027年底同构实验室首批AI药物进入人体临床；2028–2030年临床结果揭示AI药物是否真正优于传统药物。
近期风险：实验预算停止增长、AI设计无法转化为有效湿实验室结果、产能过快追上需求。长期风险更根本：如果AI药物在发现和I期表现亮眼，却在II/III期以正常失败率落败，整个投资逻辑将面临挑战——这也是为什么II期临床结果被视为终极验证节点。
市场有风险，内容仅供研究参考，不构成投资建议。