来源：国金证券研报——《农用化工行业深度研究：AI助力农药创新药研发》
作者：陈屹
核心观点 ：
农药分为创新药和仿制药，少数拥有创新能力的跨国巨头掌握着产业链高附加值环节
医药与农药具有相似的研发逻辑，农药创新药的研发可以借助医药行业的经验
搭建AI创新药研发平台的案例研究。
一、农药行业概况
1.1、农药产业链分为五大环节
农药是用于防治农林业病虫害以及调节植物生长的各种物质，按照防治对象的不同，主要分为除草剂、杀虫剂、杀菌剂、植物生长调节剂等。除草剂通过干扰光合作用、激素调控等生理途径，选择性或非选择性防除靶标杂草，从而减少杂草与作物争夺养分。杀虫剂作用于害虫神经系统、能量代谢或生长发育过程，以控制其种群、减轻危害。杀菌剂用于抑制或杀灭引起植物病害的真菌、细菌等病原微生物，阻断其侵染循环。植物生长调节剂则通过模拟或拮抗植物内源激素，定向调控其生长发育进程。从产业链视角看，农药行业产业链可分为″原材料-中间体-原药生产（AI Synthesis）-制剂和包装-销售″五大环节。
农药原药分为创制药和仿制药两类。创制药是指具备自主知识产权的新型活性成分，其研发过程复杂，需经历大量化合物筛选和严谨的毒理、药效、安全性试验，研发成本高昂，技术壁垒显著。凭借专利保护，创制药企业在市场上享有较高的独占性和溢价能力，并获得高商业回报，代表性生产企业如先正达、拜耳、巴斯夫和科迪华。仿制药则是在创制药专利到期后，其他企业依据其公开的分子结构和合成路线进行仿制生产的产品，其研发周期与投入成本显著较低，技术门槛也相对有限。仿制药企业凭借成本控制、产能优势与渠道能力进行市场竞争，利润空间受行业竞争程度影响较大，代表性生产企业如UPL、安道麦、润丰股份。
根据先正达招股说明书，2021年全球农药市场规模达658亿美元，自2016年来年均复合增长率为3.3%，预计到2026年农药全球市场规模可以达到734亿美元。此外，从产品结构来看，低端产品用量已呈现出逐步减少的趋势。2021年我国植物保护产品行业市场规模480亿元，同比保持稳定，自2016年来年均复合增长率为3.1%。预计2026年整体市场规模将达到628亿元，年均复合增长率5.5%，增长主要得益于逐步采用更为先进且更具可持续性的植物保护产品技术。
目前全球农药市场已由仿制药占据绝对主导：最新数据显示，仿制农药的市场份额约93%，而仍在专利期内的创制农药仅约7%。尽管份额有限，少数拥有创制能力的跨国巨头依旧掌握关键专利及产业链高附加值环节，技术壁垒在短期内难以被完全跨越；新兴市场企业则正通过″联合创制″、并购技术平台等方式逐步切入这一高端领域。仿制药广泛分布于中低端市场，由中国、印度等国家的农化企业主导。随着大量专利陆续到期、环保监管趋严以及全球对低毒高效产品的需求提升，仿制农药市场仍具有可观的发展空间。
1.2、近年来国内外创制药和靶标的研发进展
在创新药研发领域，欧美等发达国家的大型跨国公司凭借技术积累和研发实力持续领先。国外研发的代表性原创农药有2017年上市的环溴虫酰胺（日本石原产业株式会社研发）、2018年上市的双丙环虫酯（巴斯夫研发）、2023年推出的核酸农药Calantha（美国GreenLight Biosciences公司研发）、2024年推出的Booster抗性治理增效剂（英国Pangaea Biosciences研发）等，各有其独特的作用机制与应用场景。目前全球农药市场正逐步向创制药为主导的方向发展，国内农药行业也逐渐将发展重心转向创制药，并取得了显著进展。近年来，清原作物科学自主研发了氟溴草醚、氟砜草胺、溴噁草松等十余种除草剂，先达股份研发了吡唑喹草酯、喹草酮、苯丙草酮等除草剂。
靶标是农药在生物体内的作用位点（特定酶或受体），创新药的关键就在于发现并验证具有临床价值的原创性靶标。国外在靶标发现方面一直处于领先地位，近十年发现的原创性靶标数量较多，如环溴虫酰胺的靶标鱼尼丁受体变构体、双丙环虫酯的靶标香草酸瞬时受体通道复合物、氟噻唑吡乙酮的靶标OSBP、双氢茉莉酮酸丙酯的靶标茉莉酸信号受体。国内虽然在分子靶标发现技术上与发达国家存在差距，但近年来也取得了显著进步。国内研发人员已经发现UspA、Myosin-5、ApOR5-Orco、HPPD、OfHex1等多个农药的潜在作用靶标，以农药喹草酮的作用靶标HPPD为例，喹草酮的作用机制是抑制杂草体内HPPD酶的活性，阻止类胡萝卜素的合成，导致植物叶片发黄、发白，影响光合作用最终使其死亡。这些原创性靶标的发现推动了国内外原药创新药的研发进程。
1.3 创新药研发成本增长，研发周期变长
原药创新药作为农药产品的核心，开发成本巨大、周期较长。根据Crop Life International的统计， 2014-2019年间新农药研发平均需要近12.3年时间，成本超过3亿美元。随着农药研发难度加大，研发成本和研发周期不断攀升。根据Phillips McDougall AgriService的统计，1995年、2000年、2005—2008年、2010—2014年等4个时间段的农药研发成本分别约为1.52亿美元、1.84亿美元、2.56亿美元、2.86亿美元，较上一个样本段增长21%、39%、11.7%，同时研发周期也不断延长，依次为8.3年、9.1年、9.8年、11.3年。与其他领域相比，植保工业持续高水平研发投入。尽管如此，近年来，全球农药市场新产品登记速度下降，植保工业创制并上市的新产品处于低位水平。
全球主要创制药企业研发成本自2016年平均增速为3.13%。2024年富美实、CORTEVA、拜尔、巴斯夫研发研发费用合计99.5亿元，较2016年上涨21.67%，平均研发费用增速为3.13%。根据Phillips McDougall AgriService公司的统计，在过去50年里，全球主要研发型公司的总体研发投入一直保持较高水平，占这些公司年销售额的7%～10%。
2、AI可以助力创新药的研发
2.1、农药创新药研发可以借鉴医药创新药研发的经验
医药与农药具有相似的研发逻辑。二者均包括仿制药与创制药的开发路径，其核心流程均涉及活性分子的筛选、靶点识别、结构优化与安全性评价等关键技术环节。尽管应用领域有所不同，但其底层逻辑与技术框架具有高度相似性。从产业规模来看，中国医药行业年研发投入已达约1300亿元，反映出医药行业在研发体系构建、平台搭建、产业协同等方面更为成熟。因此，农药行业可以借鉴医药行业从仿制向创制转型的成功经验，特别是在AI辅助分子设计、高通量筛选等方面，通过引入先进理念和成熟机制，加速农药研发的效率与创新水平。
医药行业和农药行业具有相似的产业链结构与商业模式。二者都具有″原料-中间体-原药-制剂-销售″的产业链结构，均呈现典型的″微笑曲线″特征，价值集中于研发创新和终端服务。从研发端看，医药行业与农药行业以小分子设计为核心，依赖靶点识别、构效关系建模、毒性预测等关键技术环节推动产品开发，均涉及复杂的生物作用机制验证与安全性评估，存在技术壁垒高、研发周期长、成本投入大的共性，形成了严密而系统的研发闭环。从终端看，医药行业与农药行业均具有CRO与CDMO的商业模式。
医药行业和农药行业具有相似的作物机制。医药与农药在作用靶点层面存在高度同源性，这是因为二者均干预生物体的基本生命活动，如神经传导、细胞分裂与代谢调控等，从而许多分子靶点在结构和功能上具有一致性。例如，鱼尼丁受体（RyR）是调控细胞钙离子通道的关键蛋白，医药领域通过兰尼碱类药物作用于心肌细胞的RyR治疗心律失常，氟虫酰胺等农药则通过激活昆虫RyR诱导钙流失致死；乙酰胆碱受体（nAChR）是神经信号传导的重要靶点，加兰他敏通过调节nAChR治疗阿尔茨海默病，吡虫啉等新烟碱类农药则靶向昆虫nAChR致其麻痹；微管蛋白（Tubulin）作为细胞骨架核心，是抗癌药物紫杉醇的靶点，也是苯并咪唑类杀菌剂的主要作用位点；HMG-CoA还原酶既是降脂药物他汀类的靶点，也是三唑类农药干预真菌麦角甾醇合成的重要节点。靶标的相似性推动了两行业研发策略的相似性。
医药行业和农药行业具有相似的方法学。二者均依赖于化学合成、生物技术、化工工程以及计算科学等交叉学科的支撑，这些共同的技术基础贯穿于新分子的设计、筛选、优化和制备全过程，形成了系统化、模块化的研发范式。在化学方面，两者都重视合成路线的效率与绿色工艺的可持续性；在生物学层面，基因工程、微生物技术与分子机制研究为活性物质的开发提供理论依据；计算科学的应用则体现在分子模拟、结构预测与人工智能辅助设计等关键环节。随着信息化程度的不断提升，农药和医药研发均朝着高通量、自动化和智能化方向演进，提升了研发效率并降低了试错成本。方法论的相似性使得医药行业中成熟的工具体系和研发流程对农药行业具有直接的借鉴价值，为推动农药研发模式的升级提供了可行路径。
2.2、农药可以借鉴医药在研发经验
医药研发费用高昂且持续上升。根据TechTarget 的行业分析数据以及中国生物医药行业专家尹正的介绍，将一种新药推向市场的平均成本为26亿美元，其中临床试验占了很大一部分费用。高昂费用主要源于两大瓶颈环节：一是靶点筛选与化合物验证阶段需进行数万次实验，二是临床前毒理与药效测试依赖大量动物实验和复杂体外模型，而监管标准的不断提高也进一步加剧了成本压力。近十年来，医药行业研发费用以平均每年30%的增速攀升，2015年行业研发费用176.19亿元，而2022年已达1261.51亿元，2023年以来增速有放缓趋势。
AI可以提升创制药研发的效率，降低研发成本。在靶点发现与验证阶段，AI模型通过整合多组学数据与文献知识库，可将靶点筛选时间缩短90%。英矽智能通过其人工智能驱动的PandaOmics平台高效识别潜在药物靶点，使得从靶点发现到临床候选化合物提名的新药研发周期缩短至传统方法的1/3。以其两个具有全球首创（First-in-Class）潜力的项目为例：抗纤维化项目周期约18个月，DGKA项目约15个月，远低于传统药物研发中平均约4.5年的时间周期。在分子设计与优化阶段，生成式AI在生成新分子结构与提升命中率方面展现出更强突破性：Chemistry42引擎基于AlphaFold预测的蛋白结构，仅用30天便设计出靶向CDK20的肝癌苗头化合物，而传统方法需6-12个月；Model Medicines公司的ChemPrint模型针对AXL靶点实现45.5% 的体外命中率；先正达应用最先进的数字化和物理技术加速化学设计与合成技术创新过程，例如机器人高速合成、流体化学、计算机辅助分子设计和人工智能引导的化学合成等技术，每年内部合成超过10000种化合物。
晶泰科技提供了AI辅助医药研发的范式创新实践。据其在官网上的公开信息，晶泰控股正依托其自主开发的AI驱动分子模拟平台，通过融合量子物理、高性能计算与机器学习技术，突破传统药物研发模式，在靶点识别、分子筛选与结构优化等关键环节实现提效降本。该平台能够在数周内完成亿级化合物的虚拟筛选，显著压缩研发周期并提升命中率。目前，晶泰在多项对外合作中已将先导化合物的筛选周期从传统的18个月缩短至不足6个月。公司协同多家全球领先药企推进多个管线项目，持续推动AI从药物研发辅助工具向决策引擎转变，在与辉瑞合作研发新冠药 Paxlovid中，仅用 6 周时间就确认了药物优势晶型，显著缩短研发周期；在与正大天晴合作开发抗肿瘤小分子新药时，仅用原计划 50% 的时间即达成重要里程碑，极大缩短了研发时间。
农药行业亦面临原药创新药研发费用高昂的难题。由于医药行业与农药行业的诸多相似性，医药行业在运用AI辅助研发、降本增效方面积累的经验，可为农药研发提供借鉴路径。农药行业也可利用人工智能和大数据等新兴技术，降低原药的研发成本。例如，AI模型可辅助企业从海量化合物数据库中筛选潜力农药分子，预测其生物活性、环境安全性及对目标作物的适用性，从而减少冗余试验、提高研发成功率。此外，AI还能帮助企业设计更加智能的田间试验方案，优化剂量和使用场景。未来，拥有先进的人工智能辅助研发能力和庞大化合物数据库的公司，在新型原药研发的成功率上将具备显著的差异化优势。通过技术协同，农药行业有望步入一个更加高效、绿色和经济的创新周期，满足农民、市场与环境三方的共同需求。
2.3 借鉴日本农药企业的研发经验
日本农药企业在创新征程中，仅投入了跨国公司约十分之一的研发费用，却收获了与之不相上下的创新成果，其背后独特且高效的创新体系非常具备参考意义。
合作开发模式，日企在化合物完成实验室小试实验后，部分产品便转让给其他跨国农药公司。这种模式使得日本农药企业能够在早期阶段就获得收益，同时将后续中试、田间试验以及市场推广等环节的风险和成本转嫁给合作伙伴。例如，在20世纪80年代，日本的农药公司成功开发出一种全新结构的化合物1-（6-氯-3-吡啶基甲基）-N-硝基咪唑烷-2-亚胺，该化合物在实验室小试阶段表现出优异的活性。随后，日本农药公司将其转让给拜耳公司。拜耳公司接手后，负责完成了中试、田间试验以及市场推广等一系列工作，最终使该化合物成功推向市场。
基于作用机理的创新策略。日企早期的利用电子模拟技术以及如今利用AI大模型模拟技术，对化合物的结构进行模拟和优化。通过活性基团的取代替换，合成出一系列类似化合物，再进行定向筛选，最终确定具有潜力的新化合物。以呋虫胺为例，其研发过程正是基于这种策略。研究人员以一种优良的农药品种为先导物，通过深入研究其结构和作用机理，利用AI模型进行模拟和预测，合成了大量类似化合物，并通过实验筛选，最终发现了呋虫胺这种高效防治害虫的新化合物。
3、搭建农药创新药研发平台
搭建农药创新药研发平台的底层逻辑在于构建一个以数据为驱动、模型为支撑、算法为引擎的系统，实现从靶标发现到候选分子筛选、优化与评估的全流程智能化。
3.1、基于机器学习进行创新药研发的底层逻辑
Kruger等人（2023）提出了一个基于机器学习判断化合物是否具有杀虫活性的典型数据筛选案例，其通过构建杀虫剂与非杀虫剂样本的数据集，训练机器学习模型以识别潜在杀虫剂分子，并依据特征数据进行性能评估。研究者采用BCPC数据集，用非农药数据构建负数据集，利用公开工具如PaDEL和MOE构建高质量输入特征，并使用SVM、LDA、DT、RF、ANN、SOM六种主流的机器学习模型进行训练与预测。最终训练完成的模型能够判断新输入品种的性能是否为合格杀虫剂。例如，当机器输出0时，说明机器基于其特征数据认为不是杀虫剂，性能较差。
3.2 、当前面临的主要问题：模型优化困难，输出结果准确性较差
需要注意的是，利用机器学习辅助药品研发早在2000年左右就有学者提出，但由于数据质量参差不齐以及机器学习内部机制通常被视为″黑箱″，预测结果难以被完全信任，尤其是在涉及患者安全和药物疗效的关键决策中，因此没有得到有效普及和使用。当前学界重点工作之一便是优化模型，得到更加准确的结果。Chen等（2023）提出Pesti-DGI-Net深度学习结构，该架构通过多模态机器学习手段优化农药识别模型。
数据方面，研究人员首先构建了涵盖1220个市场已销售的农药分子（包括杀虫剂、杀菌剂和除草剂）与1986个非农药分子的高质量数据集，作为正负样本用于训练模型。为表征分子结构的不同特性，采用了三种主流表示方式：一是基于RDKit软件包提取的分子描述符，输入至人工神经网络（ANN）；二是利用DGL-LifeSci工具构建分子图结构，输入图神经网络（GNN）；三是将分子结构可视化为图像，输入卷积神经网络（CNN）进行识别。在模型融合方面，团队创新性地引入了缩放点积注意力机制为输入信息分配权重，从而提升模型对关键结构特征的识别能力。通过对多种组合模型的性能评估，结果显示融合分子描述符、图结构与图像特征的DGI模型表现最优，在准确率与鲁棒性上均优于单一模型，这为农药分子的理性设计提供了可复制的技术路径。
3.3、当前实用解决方案：基于现有技术搭建综合平台
考虑到当前许多成熟的机器学习模型辅助药物研发工具主要针对药品单一属性，构建综合性工具平台是AI辅助农药创新药研发较为实用的解决方案。例如，PDAI平台（Pesticide Designbasedon Artificial Intelligence）就是一个专门为农药分子设计量身打造的综合性开发平台，通过整合多种技术模块，覆盖从靶点识别到候选物筛选等多个关键研发阶段，为农药研发提供一站式服务。其显著优势一是操作界面简洁直观，使农药设计过程更具可访问性和成本效益；二是通过模块化集成实现多功能贯通，与传统软件聚焦单一功能形成差异；三是数据资源涵盖全面，平台构建了包括农药数据库、分子筛选库、药物片段库、用户私有分子库及靶点数据库等在内的专业数据库体系，其中数据来源涵盖PPDB、PubChem、DrugBank、Uniprot、PDB等权威资源。以靶点识别模块为例，PDAI可调用AutoDock、Vina等分子对接工具进行自动化分析，并通过算法评估得出最优结合位点和潜在靶点，辅助科学决策。PDAI已在多个实际案例中展示其应用价值，如HPPD靶点预测、细胞色素bc1复合物抑制剂发现、以及新型蜜蜂友好型肽类杀虫剂的3D-QSAR建模等，显著提升了农药研发过程的效率。
4、风险提示
全球农化需求下滑风险：中国农药产品销往全球，若全球农化需求不及预期，企业销量下滑拖累业绩增长。
农药价格下跌风险：目前我国农化行业处于供需再平衡阶段，农化行业需求较稳定，部分原药品种存在供给端的增加而导致价格下跌风险。
转基因作物推广进度不及预期：转基因的推广将带动部分农药产品需求的增长，若转基因推广进度不及预期，将对部分农药品种的需求造成影响。
安全环保政策风险：安全检查影响农药企业的开工率，从而影响企业正常的生产和经营。
来源: 国金证券
