文｜智讯智库 李伯睿
从寻找潜在靶点、设计候选分子，再到完成复杂的临床验证，研发新药的每一步都需要投入大量时间、资金，并承担较高失败风险。如何提升研发效率、降低研发风险，一直是生命科学领域持续探索的方向。
随着AI不断赋能药物发现流程，AI制药正在成为生命科学领域的重要探索方向。目前多数产业研究是按照药物研发流程进行横向观察，即围绕药物发现、临床研发、生产制造以及上市后管理等阶段分析AI的应用价值。
但摩根士丹利提供了一种新的范式，从“化学模型”和“生物模型”两个方向观察（即“二分法”）AI制药的发展：前者聚焦分子结构与药物设计效率提升，后者则关注疾病机制理解以及创新治疗方向探索[1]。
这样的观察维度，不仅为产业研究提供了新的分析视角，而且对应了传统药物研发长期面临的两类核心问题：①理解分子结构和药物作用关系，找到更优的候选分子；②理解疾病发生发展的生物机制，判断什么样的干预方式真正有效——前者关注“如何设计更好的药物”，后者回答“疾病为什么发生”。
在这一视角下，化学模型已经帮助AI打开了药物设计的新入口，而真正决定AI制药长期想象空间的，是生物模型未来能否突破对生命系统理解的边界。
本文认为，AI制药的价值正在从分子生成效率提升，进一步拓展至生命机制理解能力探索。未来竞争的关键，不仅取决于模型能力，更取决于谁能够获得高质量生命数据，并打通“数据获取—机制理解—实验验证”的完整闭环。
从产业演进来看，AI制药未来有三个值得关注的方向：①化学模型与生物模型将协同推进AI制药发展；②生命数据和实验闭环将成为下一阶段竞争关键；③中国AI制药的商业价值释放，有待从技术服务进一步走向创新药资产转化。
本文将围绕“化学模型”“生物模型”以及全球产业格局三个方向，拆解AI如何重塑传统药物研发流程，并梳理正在推动下一代AI制药发展的关键技术与代表企业。
需要说明的是，本文也存在一定边界：由于不同企业对于AI参与药物研发流程的披露口径并不完全一致，相关案例主要用于呈现产业趋势与技术路径，并不代表AI对单个项目研发结果的独立贡献。同时，AI制药仍处于从技术探索走向产业验证的阶段，AI是否能够在更大范围内、长期系统性提升药物临床成功率，仍需要更多数据积累和实践验证。本文重点关注AI制药的技术演进、产业链变化与基础设施建设，为观察这一领域的长期发展提供参考。
化学模型：AI正在重构药物发现的第一公里
长久以来，开发一款新药就像一场高风险的资本与时间赌局。从找到潜在靶点，到筛出候选分子，再到走完漫长的临床试验，往往需要耗费漫长岁月。美国塔夫茨药物开发研究中心（Tufts CSDD）数据显示，一款创新药从研发到获批上市平均成本约25.58亿美元，整体周期通常超过10年[2]。
而AI的进入，首先改变的是药物研发早期环节中最依赖计算和数据分析的部分。面对海量的生物与化学数据，AI不仅能快速预测蛋白结构、辅助筛选候选分子，还能持续优化药物性质，将部分依赖经验和大量实验筛选的过程，转变为基于数据和模型预测的计算辅助决策——这正是业内熟知的“化学模型”（Chemical Models）路线：它将火力集中在分子结构和相互作用上，核心目标就是把药物设计的效率拉满。
蛋白结构预测：AI打开药物发现新入口
新药研发的第一道关卡，是搞清楚疾病相关蛋白究竟长什么样，以及药物要如何精准“扣上”它。过去解析蛋白结构主要靠实验室里的硬碰硬——X射线晶体学、冷冻电镜，每一个都是既烧钱又耗时的硬骨头；而AI的横空出世，直接给这个环节按下快进键。
DeepMind推出的AlphaFold堪称这一变革的标志性事件。自2020年在CASP（CASP14）竞赛中取得里程碑式突破后，AlphaFold数据库已覆盖超过2亿个蛋白结构预测结果，为全球科研提供重要参考[3]。据其披露，该数据库目前已被超过300万名研究人员使用，覆盖190多个国家和地区[4]。
AlphaFold的重要意义在于，它展示了AI解决生命科学基础问题的可能性。在AlphaFold之前，AI在医药领域更多承担数据分析和研发辅助角色，主要用于候选分子筛选、药物性质预测等环节；而该系统则推动AI进一步深入生命科学基础问题的求解过程。
AI分子设计：从筛选候选药物到参与创新药研发
蛋白结构预测完成了对“靶点作用对象”的初步解构，而AI分子设计则直接打通了下一环节：如何高效锁定具备高成药潜力的药物分子。
传统模式极度依赖大量候选化合物的物理合成与实验筛选，周期冗长。AI模型则能基于海量化学数据，对分子的活性、安全性及成药性进行多维预测，大幅压缩早期筛选周期并提升早期研发效率。
这一技术路线已经形成商业化探索案例。其中最具代表性的是英矽智能（HK:03696）——这家公司打造的生成式AI平台Pharma.AI，已贯穿靶点发现、分子设计及临床开发全流程。英矽智能是较早探索AI端到端药物发现路径，并将AI设计候选药物推进临床阶段的代表企业之一。据其披露，AI平台支持的部分药物发现流程，从项目启动到候选药物提名可压缩至约18个月[5]；其自研候选药物ISM001-055（Rentosertib）从AI靶点发现推进至临床II期，展示了AI参与端到端药物发现流程的可行性[6]。2025年12月，英矽智能在港交所挂牌上市，成为港股AI制药领域代表性上市企业之一。根据公司招股书及港交所公开信息，其公开发售部分录得约1427倍超额认购[7]。
同时，Schrödinger（NASDAQ:SDGR）等老牌计算药物研发企业，也通过物理模拟与机器学习的深度融合，为全球药企提供分子设计工具支撑[8]。
值得注意的是，化学模型路线正在出现分化。一类公司（如英矽智能）选择向下游延伸，自己做管线、走Biotech路线；另一类（如Schrödinger）坚持做平台、卖工具，走SaaS路线。前者潜在空间大但不确定性高，后者收入结构更稳定但增长弹性有限——两条路线各自的进展，将影响AI制药产业的最终形态。
生物模型：AI制药的下一个主战场
化学模型让AI在药物设计环节证明了价值，但创新药研发的核心命题从未改变：疾病为什么发生？哪些生物机制真正决定治疗效果？
人体并不是由单一分子决定运行的系统。从基因表达变化，到蛋白调控，再到细胞状态和组织环境，疾病往往是多个生命层级共同作用的结果。这正是AI制药正在探索的下一阶段——“生物模型”（Biological Models）。
疾病机制理解：AI制药价值从分子设计走向生命系统
过去药物研发更多围绕已知靶点展开：科学家先找到疾病相关机制，再设计能够作用于该靶点的药物分子。但对于癌症、神经退行性疾病等复杂疾病而言，疾病发生发展往往涉及多个生命层级的动态变化，同一靶点在不同患者中也可能产生不同治疗响应。
所以，未来AI需要处理的不只是分子结构和化学性质，还需要理解基因、蛋白、细胞和组织之间复杂的相互作用。这也推动AI制药从优化药物设计，进一步探索疾病机制理解（即生物模型）。
数据层：构建AI理解生命的数据基础
想要理解生命系统，首先需要获得更加完整的数据。过去，生命科学研究往往从单一维度观察生命活动——基因测序分析遗传信息变化，蛋白检测观察细胞功能状态，但疾病的发展过程通常涉及多个层面的共同作用。未来AI制药需要的数据基础，也正在从单一指标走向多维生命数据体系：
① 多组学：让AI看到生命全景
传统的单一组学研究，就像只靠一张X光片来诊断病情；而多组学，则是同时拿到了X光片、验血报告、CT影像、病理切片，维度越多，越不容易误诊。多组学技术的发展，为AI理解生命提供了新的数据基础。通过整合基因组、转录组、蛋白组以及空间信息，AI能够建立更加完整的疾病画像。
这一方向已经出现产业化探索。例如，Owkin（未上市）通过AI整合多模态患者数据，包括基因组、病理影像和临床信息，构建疾病模型并寻找潜在生物标志物，用于精准医疗和药物研发探索[9]。
② 空间组学：让AI理解细胞所处环境
如果说多组学回答的是“细胞发生了什么”，那么空间组学解决的是“这些变化发生在哪里”。相较于传统单细胞测序对单一细胞特征的解析，空间组学能进一步揭示“这个细胞位于哪里，以及它与周围细胞如何互动”。就像打仗不能只知道敌人是谁，还得知道敌人在哪、周围有什么地形——知道肿瘤细胞周围聚集了哪些免疫细胞，才能判断免疫治疗会不会起效。
这一方向的产业化探索比较突出：例如10x Genomics（NASDAQ: TXG）推出的Visium空间基因组平台可以在保留组织空间信息的同时解析基因表达分布，目前已经应用于癌症、神经科学等研究领域[10]；另一家空间组学企业Vizgen（未上市），则通过MERFISH技术提升空间分子分析能力[11]。
不过从产业阶段来看，空间组学目前仍以工具供给为主——10x Genomics、Vizgen等公司主要提供仪器和试剂，将空间组学数据深度整合到AI药物发现流程中的公司还不多。这是典型的“基础设施先行、应用随后”的路径，谁能率先完成数据与药物发现的打通，谁就可能在下一代AI制药中占据更有利的位置。
③ 活体成像：从生命切片到动态过程
如果说多组学和空间组学让AI看到了更丰富的生命“切片”，那么活体显微成像则给AI提供了生命的“动态视频”。过去传统的显微成像，更像是给生命状态拍“单张照片”，但疾病的发生发展却是一部停不下来的“长电影”。比如肿瘤细胞怎么扩散、免疫细胞怎么发起反攻、药物进入体内后如何一步步起效，都需要连续不断地追踪观察才能看清全貌。
AI活体显微成像技术的出现，正精准打破这道数据僵局。凭借高分辨率、超长时间以及多维度的镜头捕捉，研究人员第一次能在真实活体环境里，实时记录细胞和组织的动态变化，为未来生命科学AI模型提供更加丰富的动态数据基础。
在这股技术浪潮中，国内团队也在推进生命动态数据获取能力突破。清华大学戴琼海团队研发的RUSH3D活体三维显微成像系统，通过兼顾大视野、高分辨率和高速成像，实现了对活体组织中细胞动态过程的长时间三维观测[12]。
这类技术的重要价值在于，它正在推动AI获取生命数据的方式，从静态观测进一步走向动态过程记录，为未来生命科学模型理解复杂生命变化提供新的数据基础。
认知层：从数据关联到机制理解
有了数据，下一步是让AI真正“看懂”这些数据背后的生命逻辑。这就需要认知层的两个核心能力：知识图谱构建关系网络，虚拟细胞（Virtual cell）模拟动态过程。前者解决“生命要素如何关联”，而后者尝试回答“改变其中一个变量后生命系统如何变化”。
①AI知识图谱：把生命数据变成可理解知识
随着基因组、蛋白组、单细胞及空间组学数据的爆发式增长，AI制药产业迎来了新的核心课题：如何打破海量数据孤岛，构建起生命系统内部的关联网络？
如果说生命是一张巨大的关系网——基因调控蛋白、蛋白影响细胞状态、细胞之间互相作用、最终导致疾病——那么AI知识图谱就是帮AI“看懂这张网”的导航地图。它把基因、蛋白、细胞、疾病与药物等多维要素精准串联，让AI能够顺着“关系链”找到以前看不见的线索。
在商业化探索层面，BenevolentAI（未上市）较早探索了知识图谱驱动的AI药物发现路线。该公司通过整合科研文献、基因组学、组学、药理学以及临床数据等多维信息，构建生物医学知识图谱，并利用AI模型挖掘不同生命要素之间的关联，用于发现潜在治疗靶点[13][14]。
展望未来，随着多组学数据的持续汇聚，AI图谱有望成为统合离散生命数据的核心基础设施，推动AI从单纯的数据检索升级为深度的机制逻辑推理。
②虚拟细胞：AI探索生命系统模拟的新方向
虚拟细胞试图构建一个基于AI的生命系统模拟环境：研究人员将基因表达、蛋白相互作用、细胞状态等多维数据输入模型，让AI学习细胞运行规律，并预测不同干预措施可能带来的影响。
传统生命科学研究中，验证一个基因、药物或环境因素对细胞的影响，往往需要通过反复实验完成。而虚拟细胞希望通过计算模拟提前筛选可能有效的研究方向，减少部分低价值实验，提高探索效率。
目前，虚拟细胞仍处于探索阶段，其核心难点在于如何获得足够丰富、高质量的生命数据，以及如何提升模型对复杂生物过程的预测能力。随着单细胞组学、空间组学以及活体成像技术不断发展，虚拟细胞正在成为AI理解生命系统的重要探索方向。未来，它有望与知识图谱、自动化实验平台结合，形成从数据获取、机制预测到实验验证的完整研发闭环。
验证层：从线性试错到闭环发现
尽管AI模型能够给出预测，但药物研发的硬性指标终究需要依赖物理实验的验证。传统研发遵循“提出假设—设计实验—获取数据—调整方案”的线性流程，试错周期极其冗长。
而AI与自动化实验室的深度结合，正在构建全新的闭环赋能模式：AI自主生成研究方案，自动化机器人平台高效执行验证，系统实时采集沉淀数据，使实验结果能够持续反馈到模型优化流程中。
这就像给科学发现装上了“自动驾驶系统”——以前是人开车，走一步看一步；现在是AI规划路线、机器人踩油门，系统自动记录路况并实时导航，整个过程快了不止一个量级。
Recursion正是这一赛道的代表企业。该公司长期布局“AI+自动化实验”底座，通过高通量机器人实验、细胞成像以及机器学习，持续积累高信噪比的生物数据，并让算法深度学习不同干预手段对细胞状态的动态影响[15][16]。这一模式的产业价值在于，它让AI制药从单纯的“软件端计算”，跨越到了“预测—实验—反馈”的全栈研发体系。当数据和实验形成闭环，AI的迭代速度就会越来越快。
生物模型仍面临挑战：生命数据与因果理解成为关键
尽管生物模型展现出巨大的潜力，但从技术探索走向产业应用，仍然面临数据、机制理解和临床验证等多重挑战。有研究指出，当前机器学习在药物发现中的应用仍主要集中于分子性质预测、候选筛选和分子设计等环节，而复杂疾病机制理解以及AI与医学知识的深度融合仍面临挑战——这也限制了AI从“设计药物”进一步走向“理解生命”[17][18]。
其中，最大的挑战之一是生命数据不足。互联网AI的发展依赖海量文本、图片和视频数据，而生命科学数据通常需要通过实验获取，具有成本高、周期长、标准不统一等特点。尤其是疾病演化过程中的动态数据，目前仍然难以大规模积累。
另一个关键挑战是因果关系。AI能发现“A基因和B疾病有关”，但药物研发需要的是“改变A基因能不能治疗B疾病”——相关性不等于因果性，这是AI制药目前最大的认知瓶颈。
此外，临床验证仍然是AI制药商业化过程中无法绕开的环节。即使AI模型能够筛选出具有潜力的候选药物，最终仍需要经过实验验证和人体临床试验。公开统计数据显示，新分子实体在II期临床阶段的成功率仍然较低，这也是AI制药从技术突破走向商业落地的重要挑战[19]。
展望未来，AI制药的技术演进既依赖于算法能力的提升，更取决于能否获取贴近真实生命的高维数据并打通全链路闭环。数据层让AI“看见”更真实的生命，认知层让AI“理解”更复杂的机制，验证层让AI在实验中持续迭代——三层交织演进，正共同铸就下一代AI制药的底层核心能力。
产业格局：全球竞赛与中国机遇
生物模型的发展，正在推动AI制药从单点技术突破走向系统能力建设。从多组学技术对生命数据维度的拓展，到空间组学对细胞空间关系的解析，再到虚拟细胞对生命系统动态变化的模拟，一系列技术突破正在逐步填补AI理解生命机制的能力空白。但AI制药终究“非一企业之功”，而是一场多方参与的产业竞赛。从全球范围来看，该产业目前已经形成三类核心玩家：AI Biotech公司（以英矽智能、Recursion、Isomorphic Labs为代表，用AI做新药研发）、MNC（以诺和诺德（NYSE:NVO）、礼来（NYSE:LLY）、赛诺菲（NYSE:SNY）为代表，通过合作或自建将AI融入研发体系）、以及基础设施供应商（以10x Genomics、Illumina（NASDAQ:ILMN）、Schrödinger为代表，提供数据、工具和平台）。
这三类玩家对应AI制药产业链中的不同价值环节，互相交织、彼此依赖——AI Biotech需要MNC的临床开发能力和商业化渠道，MNC需要AI Biotech的技术效率，而两者都离不开基础设施供应商提供的数据与工具支撑。
中国的差异化机会
在这场全球竞赛中，中国正在形成自己的差异化竞争力。
第一，庞大的临床资源与患者数据基础。中国正在成为全球重要的药物临床研发市场。根据国家药监局《中国新药注册临床试验进展年度报告》，2025年我国药物临床试验总量首次突破5000项，达到5215项，较2020年增长一倍[20]。与此同时，根据GlobalData分析，中国临床试验数量在2025年已超过美国，成为全球临床研发活动的重要参与者[21]。与此同时，真实世界数据、疾病登记系统和专病队列等数据资源也在持续积累，为AI模型训练和临床验证提供了重要基础。
第二，政策支持力度持续加大。近年来，国家层面持续推动人工智能与医药产业融合发展。《“十四五”医药工业发展规划》提出探索人工智能、云计算、大数据等技术在医药研发领域的应用，通过生物学数据挖掘分析和模拟计算，提高新靶点和新药物发现效率[22]。2025年发布的《医药工业数智化转型实施方案（2025—2030年）》进一步提出支持医药大模型创新平台建设，推动人工智能赋能医药全产业链应用[23]。
第三，AI与生命科学交叉人才优势。AI制药是一项高度交叉的产业，需要算法工程师、软件开发人员、生物学家以及药物研发专家共同协作。近年来，中国在人工智能、软件工程和生命科学领域均积累了较大规模的人才基础，跨学科团队正在降低AI技术进入药物研发流程的门槛。这种交叉融合能力，正在推动AI制药企业从单一算法研发，进一步走向数据处理、模型训练、实验验证和药物开发的全流程探索。
第四，产业生态日趋完整。从上游的基因测序、单细胞技术，到中游的AI药物研发平台，再到下游的CXO服务和临床资源，中国AI制药的产业链条正在快速补齐。据行业机构统计，我国AI制药相关企业数量已超过百家，正式进入“百企时代”[24]。
关键一跃尚未完成
与此同时，中国AI制药也面临着不容忽视的短板。
源头创新能力仍有差距。在基础算法、核心工具等底层技术方面，国内企业与国际顶尖水平仍存在距离。很多国内AI制药公司的技术路线，或多或少能在海外找到对标。
高质量数据标准不统一。生命科学数据的质量、标准化程度和可及性，直接影响AI模型的效果。国内医疗数据分散在不同医院和机构，数据孤岛问题突出，数据质量参差不齐。
临床转化能力仍有待验证。以英矽智能等企业为代表，中国AI制药企业已有多条AI辅助研发管线进入临床阶段，其中部分候选药物推进至II期及以上阶段。但目前全球范围内仍缺少经过长期临床验证的AI原创药物商业化案例，AI是否能够系统性提升研发成功率，仍需持续观察[25]。
更值得关注的是，目前国内多数AI制药公司的收入仍以技术服务和平台合作为主，自研管线贡献占比有限。从“靠服务赚钱”到“靠自研管线兑现价值”，是决定中国AI制药产业最终高度的关键一跃。英矽智能港股上市、百图生科（未上市）推进自研管线、晶泰科技（HK:2228）签下大额BD合作、深势科技（未上市）持续拓展AI for Science平台能力、德睿智药（未上市）加速AI驱动的小分子创新药研发——这些标志性事件背后，是中国AI制药企业从服务型向创新型转型的努力与探索。
结语
AI制药的下一个十年，竞争的核心正在从模型参数转向生命数据与实验闭环。
化学模型让AI在药物设计环节跑赢了第一程——AlphaFold叩开蛋白结构预测的大门，生成式AI把分子筛选从“大海捞针”变成了“精确制导”。但这只是开始。真正决定AI制药天花板的是生物模型——AI能不能理解疾病为什么发生、生命如何运转。
而生物模型的突破取决于谁能拿到更高质量的生命数据、谁能打通“预测—实验—反馈”的完整闭环。从数据层的多组学、空间组学到活体成像，从认知层的知识图谱到虚拟细胞，再到验证层的自动化实验——三层协同演进，才是下一代AI制药的真正护城河。
在全球竞赛中，中国凭借庞大的临床资源、政策支持和工程师红利，握有差异化的牌。但牌能不能打好，关键看能不能完成从“服务别人做药”到“自己做出创新药”的跨越。
下一代AI制药的深层价值，不仅是把药物研发做得更快，更是推动整个产业从“试错式发现”迈向“理解式创新”。随着AI逐步获得理解生命复杂机制的能力，人类探索疾病和开发疗法的方式，也将从被动应对走向更加主动的设计。
参考资料：
[1] 第一财经. AI制药为何仍不能颠覆药物研发？专家：生物模型发展滞后[EB/OL]. (2026-07-24)[2026-07-31].
[2] TUFTS CENTER FOR THE STUDY OF DRUG DEVELOPMENT. Cost to Develop and Win Marketing Approval for a New Drug Is $2.6 Billion[EB/OL]. (2016-11-18)[2026-07-31].
[3] EMBL-EBI. AlphaFold DB provides open access to over 200 million protein structure predictions to accelerate scientific research[EB/OL]. [2026-07-31].
[4] DEEPMIND. What is AlphaFold?[EB/OL]. [2026-07-31].
[5] INSILICO MEDICINE. A Phase 2 Readout Generates Excitement for the Potential of AI-Driven Drug Discovery[EB/OL]. (2024-11-12)[2026-08-03].
[6] INSILICO MEDICINE. Insilico Medicine announces positive topline results of ISM001-055 for the treatment of idiopathic pulmonary fibrosis (IPF) developed using generative AI[EB/OL]. (2024-11-12)[2026-08-03].
[7] INSILICO MEDICINE LIMITED. Global Offering and Listing Documents[EB/OL]. (2025-12-28)[2026-07-31].
[8] SCHRÖDINGER. Computational Platform for Molecular Discovery & Design[EB/OL]. [2026-07-31].
[9] OWKIN. AI-powered Drug Discovery: Unlocking Precision Drug Discovery with Multimodal Patient Data[EB/OL]. [2026-08-03].
[10] 10X GENOMICS. Visium Spatial Platform[EB/OL]. [2026-07-31].
[11] VIZGEN. Spatial Biology Platforms & Technologies[EB/OL]. [2026-07-31].
[12] ZHANG Y, WANG M, ZHU Q, et al. Long-term mesoscale imaging of 3D intercellular dynamics across a mammalian organ[J]. Cell, 2024.
[13] BENEVOLENTAI. Building The Data Foundations To Accelerate Drug Discovery[EB/OL]. (2022-09-22)[2026-08-03].
[14] BENEVOLENTAI. AI In Drug Discovery[EB/OL]. (2021-07-13)[2026-08-03].
[15] RECURSION. Recursion OS: The AI Platform to Industrialize Drug Discovery[EB/OL]. [2026-08-03].
[16] RECURSION. Our Unique Approach to AI Drug Discovery[EB/OL]. [2026-08-03].
[17] CATACUTAN D B, ALEXANDER J, ARNOLD A, et al. Machine learning in preclinical drug discovery[J]. Nature Chemical Biology, 2024.
[18] YIN Y, FU A, WANG L. Gaps between medical biology and AI drug discovery[J]. Drug Discovery Today, 2025.
[19] 21世纪经济报道. AI制药步入下半场：临床开发能力成商业价值兑现关键点[EB/OL]. (2026-07-27)[2026-07-31].
[20] 国家医疗保障局. 从“0”到“1”创新能力增强 我国新药研发热度持续攀升[EB/OL]. (2026-06-23)[2026-08-03].
[21] CLINICAL TRIALS ARENA. OCT West Coast 2025: China surpasses US for annual number of clinical trials[EB/OL]. (2025-02-12)[2026-08-04].
[22] 工业和信息化部等九部门. 关于印发“十四五”医药工业发展规划的通知[EB/OL]. (2022-01-30)[2026-08-03].
[23] 工业和信息化部等七部门. 关于印发《医药工业数智化转型实施方案（2025—2030年）》的通知[EB/OL]. (2025-03-28)[2026-08-03].
[24] 动脉网. 电信、字节跑步进场，AI制药又迎来一批新“追求者”！[EB/OL]. [2026-07-31].
[25] 21新健康. 英矽智能AI药物进入III期临床，行业商业化进程能否提速？[EB/OL]. (2026-07-09)[2026-08-03].
评论