Olaparib

Biopharma来时路｜AstraZeneca：从研发低谷到全球肿瘤巨头的重建之路 说明：本文依据AstraZeneca历年年报、公司公告、监管及正式学术发表等公开资料整理，仅用于医药行业信息交流与专业知识分享，不构成投资建议、诊疗建议或对公司及相关资产商业价值的最终评价。历史财务数据、研发状态和公司战略可能因统计口径及后续进展发生变化，应以企业、监管机构及正式披露的最新信息为准。 2026年的AstraZeneca，很容易让人形成一种错觉：这似乎从来就是一家以创新药研发见长、尤其擅长肿瘤的全球制药公司。 截至2025年，公司全年总收入已经达到587亿美元，拥有16款年收入超过10亿美元的药物；到2026年上半年，总收入进一步达到307亿美元，其中肿瘤业务贡献141亿美元，占公司收入的46%，罕见病贡献49亿美元，占16%。截至2026年7月，公司披露的研发管线共有183个项目，其中116个新分子实体或重大生命周期管理项目已经进入II期或III期。AstraZeneca依然维持2030年总收入达到800亿美元、在本十年结束前推出至少20款新药的目标。 Tagrisso、Imfinzi、Lynparza、Enhertu、Calquence、Farxiga、Ultomiris…… 这些名字共同构成了今天AstraZeneca的产品版图。 再往研发端看，它已经不满足于小分子、单克隆抗体和传统免疫治疗。ADC、放射性偶联药物、细胞治疗、多特异性抗体以及新的递送技术，都开始进入它下一轮研发体系。2024年，公司宣布收购Fusion Pharmaceuticals以加强放射性偶联药物布局，并计划在美国Rockville投入3亿美元建设下一代细胞治疗设施；在新加坡，则计划投资15亿美元建设首个覆盖ADC完整生产流程的工厂。 如果只从今天向前看，AstraZeneca似乎已经完成了一切。 但把时间拨回十几年前，情况完全不同。 2011年，AstraZeneca收入335.91亿美元。 2012年，降到279.73亿美元。 2013年，进一步降到257.11亿美元。 两年时间，收入减少接近四分之一。仅2013年，专利到期造成的收入损失就达到约22亿美元；核心营业利润同比下降22%。当时公司自己在年报中给出的解释非常清楚：几个关键品牌失去市场独占权，仿制药竞争正在迅速侵蚀原有的收入基础。 这才是理解AstraZeneca真正有意思的地方。 今天这家公司最值得研究的阶段，并不在1999年Astra和Zeneca完成合并的那一天，也不单独属于任何一款重磅药。真正改变公司命运的，是2012年前后开始的一场漫长重建。 它要解决的问题远比“开发几款新药”复杂。 一家已经拥有数万名员工、数百亿美元销售额、全球商业网络和庞大组织体系的Big Pharma，在原有重磅药专利陆续到期、研发生产率下降、新产品补充不足的情况下，究竟怎样重新建立创新能力？ AstraZeneca后来的答案，构成了过去十多年全球制药行业最值得研究的公司转型案例之一。 一、AstraZeneca其实出生于1999年，但它的两条血脉都比这早得多 严格来说，AstraZeneca是一家并不算“百年”的公司。 这个名字直到1999年才正式出现。 但如果沿着公司历史继续向前追，会看到两条完全不同的制药工业路径。 一条来自瑞典。 另一条来自英国。 1913年，一群医生和药剂师在瑞典Södertälje创立Astra AB。此后几十年间，Astra逐渐建立研发、制造和国际商业化能力。1954年，公司在Gothenburg建立Astra Hässle研发基地，1955年又建立位于Lund的Astra Draco研发基地；1982年，Astra与Merck & Co.达成美国市场合作。 另一条线则从英国化学工业开始。 1926年，Imperial Chemical Industries，也就是后来经常被简称为ICI的英国大型化工集团成立。ICI后来进入制药业务，并在参与青霉素工业化发展的基础上于1957年正式建立ICI Pharmaceuticals。1988年，曾供职于ICI Pharmaceuticals、因β受体阻滞剂等研究闻名的James Black获得诺贝尔生理学或医学奖。 这两条路线从一开始就带有不同气质。 Astra更像是一家逐渐国际化的欧洲专业制药企业。 ICI Pharmaceuticals背后则有大型化学工业集团的工程化、规模化与科研体系。 1993年，ICI进行重大公司重组，将制药、农化和特种化学相关业务分拆，Zeneca Group PLC由此形成。六年之后，Astra AB与Zeneca PLC合并，AstraZeneca PLC正式诞生。 把这段历史简单概括成“Astra和Zeneca于1999年合并”并没有错，却会遗漏当时制药行业的大环境。 20世纪90年代至21世纪初，全球制药业正在进入一个高度依赖规模的时代。 一款成功的重磅药物，需要越来越庞大的全球临床开发体系，需要面对美国、欧洲、日本等多个监管体系，需要建立全球市场准入和销售网络，还要承担不断上升的研发成本。 规模开始越来越重要。 因此，1999年的AstraZeneca首先是一场工业能力的汇合。 研发、制造、全球销售网络、不同治疗领域的产品组合，以及持续投入新药开发所需要的现金流，被装进了一家更大的制药公司。 但这一模式也同时埋下了一个隐患。 规模能够摊薄研发和商业成本，却无法保证新药一定能够持续产生。 这会成为十多年以后AstraZeneca最棘手的问题。 二、重磅药时代：一家典型Big Pharma的黄金商业模型 要理解AstraZeneca后来的危机，需要先理解它为什么曾经那么成功。 2008年的AstraZeneca拥有11款年销售额超过10亿美元的药物。 其中Nexium当年销售额约52亿美元，Seroquel约44.5亿美元，Crestor约36亿美元，Symbicort约20亿美元，Arimidex约18.6亿美元。公司全年研发投入约52亿美元。 一年后的2009年，Crestor收入已经增长到45亿美元左右，Seroquel接近49亿美元；Nexium仍然贡献接近50亿美元。 这就是20世纪末至21世纪初大型制药公司的经典商业模型。 先发现一个足够重要的靶点或者治疗机制。 开发出药物。 完成大型III期临床试验。 取得主要市场批准。 依靠专利和其他市场独占权建立一段时间的保护期。 随后利用全球商业体系迅速扩张。 如果药物进入高血压、高血脂、胃食管反流、精神疾病、糖尿病等大患者群体，单个产品就有可能贡献几十亿美元年收入。 一款药的利润继续支持下一批研发项目。 成功产品越多，公司越有能力承担临床失败。 于是形成一个循环： 已经上市的重磅产品提供现金流，现金流支持高风险研发，研发再产生下一代重磅产品。 AstraZeneca曾经非常适应这种体系。 问题在于，它对“下一代产品”的要求极其残酷。 一个拥有几十亿美元销售额的老产品失去独占权之后，新产品不能只是“成功”。 它还必须足够大。 如果一个年销售50亿美元的产品进入仿制药竞争，而新上市药物只能做到5亿或者10亿美元销售额，那么从医学角度看，新药依然可能非常有价值；从大型药企的财务结构看，却无法填补原产品留下的缺口。 这也是“专利悬崖”真正可怕的地方。 它不是收入缓慢下降。 在仿制药充分竞争的市场里，独占权到期后，原研药价格和份额都可能快速受到冲击。 而研发端从靶点发现到上市通常需要多年。 也就是说，今天看到的收入断层，很可能源于十年前研发组合中的不足。 三、AstraZeneca其实很早就意识到“小分子Big Pharma”已经不够 今天回头看，有一个很容易被忽略的细节。 AstraZeneca后来的生物药能力，并不是在2012年危机以后才开始建设。 早在2005—2007年，它已经连续做出几笔后来显得非常重要的交易。 2005年，AstraZeneca收购KuDOS Pharmaceuticals，以加强肿瘤领域。 2006年，公司收购Cambridge Antibody Technology，也就是CAT。 2007年，又完成MedImmune收购。 AstraZeneca官方后来把CAT和MedImmune放在同一条历史线上，认为这两笔交易使公司在生物药技术领域建立了重要地位。 这一段历史的重要性，远远超过“公司收购了几个Biotech”。 KuDOS带来的是DNA损伤修复领域的科学资产和能力。 CAT代表抗体发现技术。 MedImmune则进一步带来完整的生物药研发、临床、制造和商业化体系。 从今天看，这些能力后来会分别与AstraZeneca在PARP抑制剂、抗体、免疫治疗乃至ADC时代的发展产生联系。 这也说明一个重要事实： 大型药企的能力建设往往比最终产品成功提前很多年。 今天看到一款药物上市，很容易寻找一个确定的“成功起点”。 但真正的研发体系往往由许多早期投资叠加而成。 有些项目失败。 有些平台在几年内看不到回报。 有些收购在完成时甚至会受到质疑。 只有时间足够长，才能看清这些能力究竟有没有真正沉淀。 然而，即使AstraZeneca已经开始建设生物药能力，它依然无法逃脱即将到来的收入危机。 因为组织能力可以提前建立，专利悬崖却不会等待下一代管线成熟。 四、2011—2013：真正的危机并不只是专利到期 2011年到2013年的数字非常直观。 335.91亿美元。 279.73亿美元。 257.11亿美元。 两年减少约79亿美元。 2013年，AstraZeneca销售额按固定汇率计算下降6%，核心营业利润下降22%。公司明确指出，虽然Brilinta、糖尿病业务、呼吸业务、新兴市场和日本等增长平台合计增加了约12亿美元收入，但仍不足以抵消专利到期造成的约22亿美元收入损失。 这已经不仅是一款药的麻烦。 它暴露的是典型的Big Pharma“更新换代失配”。 旧产品正在快速衰退。 下一代产品尚未形成足够大的收入。 研发周期又无法压缩到一年两年。 于是公司进入最危险的阶段：既要承受当前利润下降，又不能为了保护短期利润而大幅削减那些可能在五年、十年以后产生回报的研发投入。 这类问题很容易在财务逻辑和研发逻辑之间形成冲突。 从财务端看，收入下降意味着成本需要调整。 从研发端看，新药产出不足意味着理论上更应该增强研发。 但研发投入本身并不能保证研发生产率。 多投10亿美元，并不会自动多出一款成功药物。 如果疾病选择错误、靶点质量不足、决策链条过长、组织之间缺乏协同、临床开发策略不合理，再多资源也可能被低质量项目消耗。 因此，2012年的AstraZeneca需要解决的真正问题已经不是“怎样熬过几款药的专利到期”。 它需要回答一个更困难的问题： 这家公司还能不能稳定地产生下一代新药。 五、2012年10月，Pascal Soriot接手的首先是一套需要重新配置的研发机器 Pascal Soriot于2012年10月正式出任AstraZeneca CEO。 几个月以后，2013年3月，公司对外公布了一套新的战略框架。 其中有两个非常明确的目标： Return to Growth。 以及： Achieve Scientific Leadership。 AstraZeneca当时提出，要把资源更加集中到少数核心治疗领域；加速Phase II资产进入后期开发；增加specialty care产品比重；重新建设R&D engine；简化组织；提高决策效率；同时利用BD和并购补强管线。 这一战略后来经常被概括成“Soriot重视科学”。 这句话没有错，但远远不够。 因为一家Big Pharma真正的研发转型，不可能只靠一句“重视创新”。 AstraZeneca做的是资源重新配置。 2013年，公司将大分子和小分子的主要研发投入聚焦到三个核心领域： 呼吸、炎症与自身免疫； 心血管与代谢； 肿瘤。 感染与疫苗、神经科学仍保留一定活动，但投入模式更加机会导向。 这背后的含义很重要。 研发战略的核心并不只是决定“做什么”。 同样重要的是决定“不重点做什么”。 每一家大型药企都会面对大量科学机会。 真正稀缺的资源通常不是idea，而是高质量的人才、临床患者、管理注意力、资本以及能够承担III期开发的组织能力。 如果一家企业同时把十几个治疗领域都当成战略优先级，最后往往等于没有优先级。 AstraZeneca开始缩小战场。 而肿瘤后来成为这场资源重新配置中最重要的方向。 六、研发组织也被一起拆开重建 治疗领域聚焦只是第一层。 第二层是研发组织本身。 2013年，AstraZeneca提出把研发、开发以及部分商业团队更集中地部署在几个战略性科研中心，并强化与全球生命科学集群的连接。公司当时明确提出，靠近大型bioscience clusters，可以让内部研究人员更容易与外部学术机构、Biotech以及彼此协作。 这听起来像办公地点调整，实际上是研发组织理论的改变。 传统跨国药企很容易随着几十年扩张形成大量历史遗留中心。 一项早期研究在一个国家。 另一个团队在另一座城市。 临床团队又在其他地方。 不同并购带来的组织保持原有体系。 层级越来越多。 决策链越来越长。 最终，一款药从科学发现到开发决策之间存在大量组织摩擦。 AstraZeneca试图降低这种摩擦。 与此同时，公司提出建立更自主的大分子和小分子biotech单元，提高创新效率和决策速度，并增加对novel biology和personalised healthcare的重视。 这里的“personalised healthcare”尤其值得注意。 因为它后来会与AstraZeneca肿瘤业务形成高度一致的研发风格： 不是把肺癌简单视为一种疾病； 而是继续拆分EGFR突变、ALK、HER2、MET以及不同耐药机制。 不是把卵巢癌视为单一人群； 而是寻找BRCA、HRD等分子特征。 研发从按器官分类，进一步走向按分子生物学分类。 这需要的不只是药物化学。 还需要诊断、转化医学、biomarker、临床样本、生物信息以及越来越复杂的患者分层能力。 2013年的这轮改革，因此可以视为AstraZeneca后来精准肿瘤模式的组织前提之一。 改革也伴随着相当大的成本。 AstraZeneca当时公布的Phase 4重组计划预计在2013—2016年期间减少约5050个岗位，涉及R&D footprint、销售和管理体系等多个部分，预计产生23亿美元一次性重组费用。 所以这并不是一场温和调整。 它意味着关闭、迁移、人员变化、项目选择以及资源重新分配。 Big Pharma的研发重构，本质上经常是一场组织手术。 七、2014年的Pfizer收购战，把整个转型推到公众面前 如果要给AstraZeneca过去二十年的历史选择一个最具有戏剧性的节点，2014年的Pfizer收购事件几乎无法绕开。 当时AstraZeneca仍处于收入低谷。 很多后来证明价值巨大的管线资产，还远没有成为今天的重磅药。 Pfizer却希望收购这家公司。 2014年5月，Pfizer最终给出的方案价值约为每股55英镑，由现金和Pfizer股票组成。AstraZeneca董事会拒绝了这一报价。 站在十多年后的今天，很容易把这件事写成一场“AZ坚持科学，最终证明自己正确”的胜利故事。 但如果站回2014年，情况没有这么简单。 当时摆在股东面前的，是两个不同时间尺度的价值。 一个是眼前可以计算的收购溢价。 另一个是尚未验证的研发管线。 AstraZeneca当时向股东提出的核心论据之一，就是公司正处于pipeline价值开始释放的拐点。公司估算其后期管线经风险调整后的峰值年销售潜力约230亿美元，并提出2017年以后恢复稳定增长、2023年年收入超过450亿美元的目标。 这是一个非常激进的承诺。 因为2013年收入只有257亿美元。 也就是说，管理层实际上在告诉资本市场： 今天看到的利润下降，并不能代表这家公司的长期价值。 真正需要定价的是尚未完全兑现的研发资产。 Pfizer和AstraZeneca的分歧，也不仅仅是价格。 AstraZeneca董事会公开表达了对大规模成本削减、R&D能力下降以及并购整合可能破坏管线开发的担忧。 这场收购战因此成了一个非常罕见的公开实验。 一边是大型并购能够带来的规模、成本协同和财务价值。 另一边是保持独立、继续投入尚未成熟的研发管线。 最终AstraZeneca选择了后者。 接下来几年，公司需要用真实的临床数据证明这个选择。 八、Tagrisso：AstraZeneca重建之后最具有象征意义的一款药 如果需要寻找一款最能代表“新AstraZeneca”的药，osimertinib可能比任何其他产品都更合适。 它后来成为Tagrisso。 最初，它面对的是EGFR突变非小细胞肺癌治疗中一个非常具体的问题：耐药。 第一代EGFR TKI已经证明，按照driver mutation选择患者，可以显著改变部分肺癌患者的治疗结果。 但靶向治疗很快遇到一个基本规律。 癌细胞会在药物选择压力下继续进化。 在相当一部分EGFR TKI耐药患者中，EGFR T790M成为重要的获得性耐药机制。 这使药物研发问题发生变化。 第一步是： 怎样抑制EGFR突变。 第二步变成： 怎样抑制已经在第一代药物压力下重新进化的EGFR。 AZD9291正是在这一背景下开发。 2015年11月，FDA批准Tagrisso用于EGFR T790M突变阳性的转移性NSCLC患者。AstraZeneca当时特别强调，从首次临床试验开始到获得批准只用了略多于两年半时间。 这款药的意义随后迅速扩大。 如果它只能解决“二线耐药”，它依然会是一款重要药物。 但AstraZeneca进一步把它向更早期治疗推进。 FLAURA研究证明，在既往未接受治疗的EGFR突变晚期NSCLC中，osimertinib相较早期EGFR TKI取得更好的生存结果；研究后续发表的总生存分析中，osimertinib组中位OS达到38.6个月。 再往后，ADAURA把osimertinib推入EGFR突变早期肺癌术后辅助治疗。 于是Tagrisso完成了一个非常典型的精准肿瘤药物生命周期： 先从明确耐药突变的小患者亚群切入； 建立强烈的临床proof of concept； 再向一线推进； 再向早期疾病推进； 最终从“耐药药物”变成一个跨疾病阶段的EGFR治疗平台。 这种开发方式后来会不断出现在AstraZeneca身上。 找到足够强的biology。 建立高度可识别的患者亚群。 快速获得临床信号。 随后通过大型随机试验不断向更早线、更广适应症和组合治疗扩张。 这和传统“开发一款大人群慢病药”的Big Pharma逻辑已经有明显差异。 九、Lynparza：AstraZeneca开始真正建立“科学平台”，而不只是重磅产品 如果Tagrisso代表tumour drivers与耐药，Lynparza代表的是另一种思维： DNA Damage Response。 PARP抑制剂背后的基础科学逻辑来自synthetic lethality，也就是合成致死。 简单理解，在某些肿瘤细胞中，一条DNA修复通路已经因为BRCA1/2等缺陷而受损；再通过药物抑制PARP相关修复能力，就可能把肿瘤细胞推过无法维持基因组稳定性的阈值。 这一模式有一个重要特点。 药物靶点PARP本身并不能完整定义患者。 真正决定药物敏感性的，是肿瘤背后的DNA修复状态。 这会进一步推动伴随诊断、BRCA检测和HRD等biomarker的发展。 Lynparza最初从卵巢癌等场景发展，后来逐步进入乳腺癌、前列腺癌、胰腺癌等多个BRCA/HRR相关肿瘤领域。 SOLO1研究尤其改变了PARP抑制剂的位置：在新诊断、BRCA突变的晚期卵巢癌患者中，olaparib一线维持治疗显著延长无进展生存，使PARP从复发后治疗进一步走向更早疾病阶段。 这里真正值得观察的，不只是Lynparza卖了多少。 它让AstraZeneca开始形成“平台型研发”的意识。 所谓科学平台，是同一套生物学理解可以不断产生下一代问题： PARP抑制为什么有效？ 哪些患者更敏感？ BRCA之外还有哪些HRR缺陷？ 耐药如何形成？ PARP1和PARP2能否进一步分离？ 能否进入脑转移或中枢肿瘤？ 能否和其他DNA damage response机制组合？ 当研发问题从“一款药做几个适应症”继续深入到“一个生物学领域还能产生哪些药物”时，公司拥有的就不再只是产品。 它开始拥有可以连续生成资产的科学空间。 十、Imfinzi：免疫治疗给AstraZeneca带来的并非第一名，而是另一条持续扩展的轴 AstraZeneca进入免疫肿瘤时，并不是这个领域最早建立商业统治力的公司。 PD-1/PD-L1赛道很快形成激烈竞争。 Merck的Keytruda和BMS的Opdivo已经建立非常强的市场存在。 AstraZeneca的durvalumab，也就是Imfinzi，选择了一条很有代表性的路线。 PACIFIC研究把durvalumab用于不可切除III期NSCLC患者同步放化疗之后的巩固治疗。 2017年发表的研究结果显示，durvalumab显著改善无进展生存；随后的总生存分析进一步确认生存获益。 这一结果的重要性，在于它创造了一个新的治疗阶段。 传统上，这类患者完成放化疗以后，缺少有效的后续系统治疗策略。 PACIFIC把免疫治疗插入了这个空白窗口。 这也是AstraZeneca后来肿瘤开发中经常出现的一种思路： 它不一定需要在已经极度拥挤的晚期治疗中正面复制竞争者。 寻找新的疾病阶段、新的组合和新的治疗窗口，同样能够建立独立位置。 随后Imfinzi逐步向小细胞肺癌、肝癌、胆道肿瘤以及围手术期等不同场景扩展。 到这里，AstraZeneca的肿瘤体系已经不再依赖单个机制。 它同时拥有精准靶向、DNA损伤修复和免疫治疗三条主轴。 而真正让其肿瘤战略发生下一次变化的，是ADC。 十一、Enhertu：AstraZeneca学会了另一件事——伟大的创新不需要全部诞生在自己内部 2019年3月，AstraZeneca与Daiichi Sankyo达成全球合作，共同开发和商业化trastuzumab deruxtecan，也就是后来广为人知的Enhertu。日本市场权益主要由Daiichi Sankyo保留，制造和供应也由Daiichi Sankyo负责。 对于理解AstraZeneca，这笔交易非常关键。 因为它代表Big Pharma创新模式的一个重要变化。 在传统想象中，一家优秀制药公司的核心能力似乎应该是： 自己发现靶点； 自己设计分子； 自己做临床； 自己把药上市。 这种完全内部化的模式当然仍然存在。 但现代生命科学创新分布得越来越分散。 大学实验室、小型Biotech、中型Pharma以及不同国家的研发体系，都可能产生关键技术。 在这样的环境里，大型药企如果只依赖内部发现，反而会人为缩小自己的创新来源。 因此，一家现代Big Pharma的研发能力，需要增加另一层： 识别外部创新。 Enhertu就是一个典型案例。 Daiichi Sankyo拥有其DXd ADC技术体系。 AstraZeneca提供的价值则更多体现在全球开发、临床战略、监管、市场覆盖以及继续扩大适应症边界的能力。 这不是简单“买一个药”。 真正困难的部分是：在资产价值尚未完全被验证之前，判断它是否值得下注。 十二、HER2-low改变的不只是一款ADC的市场，而是疾病分类方式 Enhertu后来的发展之所以值得写进AstraZeneca公司史，并不只是因为它成为一款重磅ADC。 更重要的是，它参与改变了乳腺癌临床中的HER2分类逻辑。 过去，HER2靶向治疗的核心人群主要是明确HER2阳性的患者。 但ADC的出现改变了对抗原表达水平的要求。 抗体需要承担靶向和内化，而真正造成强烈细胞毒作用的是偶联payload。 具有膜通透性等特征的payload还可能产生bystander effect，对邻近肿瘤细胞造成杀伤。 这意味着“HER2表达不够高，所以不属于传统HER2阳性”并不必然等于“HER2没有治疗意义”。 DESTINY-Breast04进一步验证了这一思路。在既往接受治疗的HER2-low转移性乳腺癌患者中，trastuzumab deruxtecan相较医生选择的标准化疗显著改善临床结局。 这件事很有象征性。 精准医学经常被理解为把患者切得越来越窄。 找到一个突变。 选择一个小群体。 给予一个高度特异的靶向药。 ADC显示出的另一种方向是： 通过药物工程能力改变一个biomarker的可利用边界。 HER2从过去相对二元的“阳性/阴性”，进一步进入HER2-low甚至更低表达水平的讨论。 也就是说，药物本身的发展反过来重构了疾病分类。 对于AstraZeneca而言，这进一步强化了一个战略判断： 下一代肿瘤治疗竞争，不会只发生在新的靶点。 也会发生在新的modalities。 十三、从一款Enhertu到ADC平台，公司的战略再次发生变化 2020年，AstraZeneca与Daiichi Sankyo继续合作开发datopotamab deruxtecan，也就是Dato-DXd。 到2024年，公司决定在新加坡投入15亿美元建设自己的首个ADC端到端制造设施，计划覆盖抗体生产、payload和linker相关生产、偶联以及最终制剂等完整流程。 这说明AstraZeneca对ADC的态度已经发生变化。 最初，它通过合作获得一个优秀外部资产。 随后，它增加第二款ADC合作。 再往后，ADC成为公司内部长期技术平台之一，并开始建设相匹配的制造基础设施。 这是大型药企经常出现的一条能力形成路径： 先通过BD进入。 通过临床开发验证。 逐渐形成内部知识和人才。 增加更多管线。 最终把技术变成组织能力。 因此，外部创新和内部研发并不存在简单对立。 真正强的公司，往往能够把外部创新吸收到内部体系里。 十四、AstraZeneca的肿瘤成功，本质上来自四种不同能力开始互相叠加 把Tagrisso、Lynparza、Imfinzi和Enhertu放在一起，会发现它们的成功逻辑并不相同。 Tagrisso依赖对driver mutation及耐药生物学的理解。 Lynparza来自DNA damage response和synthetic lethality。 Imfinzi来自肿瘤免疫以及对治疗阶段的重新设计。 Enhertu则把抗体工程、linker、payload、biomarker和外部合作结合在一起。 这意味着AstraZeneca后来的肿瘤地位并不是靠押中了一款“超级药”。 它建立的是多个可以同时运行的研发体系。 这也是为什么今天AstraZeneca会继续向更复杂的技术扩展。 公司目前将ADC和放射性偶联药物列入下一代肿瘤治疗平台，并在2024年收购Fusion Pharmaceuticals，加强actinium等放射性偶联药物布局。与此同时，公司也在继续建设细胞治疗能力。 背后的逻辑其实与十年前类似： 一旦某种技术被认为可能改变未来治疗标准，就不能只拥有一款产品。 需要逐渐形成从发现、临床、biomarker到制造的完整能力。 这就是“产品公司”和“平台型制药公司”的区别。 十五、但如果只有肿瘤，AstraZeneca依然面临新的集中风险 到2010年代末，AstraZeneca已经越来越像一家oncology-led company。 这当然是成功。 但成功本身也会制造新的问题。 如果越来越大比例的增长来自同一个治疗领域，那么公司会越来越依赖该领域持续保持高增长。 肿瘤市场很大，却也是全球竞争最激烈的创新药领域之一。 PD-1/PD-L1、EGFR、HER2、PARP、ADC等多个赛道都在快速拥挤。 新机制不断出现。 标准治疗不断前移。 已有药物的生命周期虽然可以通过新适应症延长，却终究存在专利期限。 因此，当AstraZeneca走出2012年的专利悬崖之后，它必须避免在十几年后再次面对类似问题。 这就引出了Alexion。 十六、390亿美元Alexion收购：这不是补几款药，而是在购买另一套疾病世界 2020年12月，AstraZeneca宣布收购Alexion。 交易对Alexion股东的总对价约390亿美元。 2021年7月，交易正式完成，AstraZeneca由此建立Rare Disease业务。 从金额看，这是一次大型并购。 从战略结构看，它的意义比金额更值得研究。 Alexion最核心的能力之一来自补体生物学。 Soliris和后来更长效的Ultomiris围绕C5形成了一套高度专业化的罕见病业务。 这类疾病与大众慢病、常见肿瘤有完全不同的研发和商业逻辑。 患者人数可能很少。 疾病诊断困难。 自然史研究非常重要。 临床试验招募困难。 医生往往高度集中于少数专科中心。 企业需要建设患者识别、诊断教育、全球罕见病网络以及长期疾病管理体系。 因此，当AstraZeneca收购Alexion时，它获得的不只是几个已上市产品的现金流。 它买入的是一种原本并不属于AstraZeneca核心能力的研发—商业化模型。 这是一种很典型的“能力型并购”。 十七、Alexion还解决了另一个问题：增长引擎需要分散 到2026年上半年，AstraZeneca的Rare Disease业务收入已经达到49亿美元，同比增长11%，约占公司总收入16%。与此同时，肿瘤业务占46%。 这个结构已经说明Alexion被纳入公司之后的意义。 AstraZeneca现在至少拥有三套差异明显的业务基础： 肿瘤； BioPharmaceuticals，包括心血管、肾脏、代谢以及呼吸与免疫等； 罕见病。 它们面对的患者群、商业模式、竞争格局和研发逻辑都不同。 这种组合本身就是风险管理。 对于一家年收入已经接近600亿美元的大型药企，增长很难长期依赖一两款产品。 真正需要建立的是多个相互独立但可以共享研发、临床、制造和全球商业基础设施的增长引擎。 这也是为什么AstraZeneca收购Alexion不能简单理解成“肿瘤公司进入罕见病”。 更准确的理解是： 一家已经通过肿瘤完成第一次转型的Big Pharma，又开始为下一个十年重新配置自己的风险。 十八、COVID-19疫苗是一段特殊历史，它展示的是另一种大型制药能力 2020年，AstraZeneca与牛津大学达成合作，负责一款COVID-19疫苗的全球开发和供应，并承诺疫情期间按非盈利原则广泛供应。 如果只按照长期产品收入判断，这并不是AstraZeneca转型史最核心的商业资产。 但它揭示了另一种经常被低估的Big Pharma能力： 规模化执行。 实验室可以发现科学。 Biotech可以创造平台。 但在全球公共卫生危机中，要把候选疫苗推入大型临床试验、与监管机构持续沟通、扩张到全球制造网络、建立供应协议并覆盖大量国家，需要完全不同的组织能力。 大型制药企业的价值，并不只存在于发现阶段。 开发、监管、生产、质量、供应链和全球交付同样是医药创新链的一部分。 这一点也能帮助理解Enhertu这样的合作为什么成立。 Daiichi Sankyo并不需要把所有全球开发能力复制成另一个AstraZeneca。 双方可以在不同环节贡献不同能力。 现代制药产业越来越像一个分工网络。 谁能够把这些能力组合得更有效，谁就可能放大单个科学创新的价值。 十九、AstraZeneca真正变化的，是它对“研发”的定义 回头看2012年的AstraZeneca，研发首先面对的是一个生产率问题。 老产品到期。 新产品不够。 因此最直观的目标是： 让pipeline重新产生药物。 但十几年以后，公司的研发体系已经明显扩大。 它不再只是寻找传统小分子。 2025年年报把“加速治疗modalities平台”列为战略重点之一。到2026年，公司公开管线覆盖Oncology、Cardiovascular/Renal/Metabolism、Respiratory & Immunology、Rare Disease等领域，共有183个研发项目。 肿瘤领域又进一步向ADC、radioconjugates、cell therapy和多特异性生物药等方向扩展。 这代表一种更深层的变化。 过去可以把药企研发理解成： 找靶点。 做分子。 筛化合物。 做临床。 现在越来越多项目需要在一开始就同时解决： 患者是谁； biomarker是什么； 需要哪一种药物形式； 药怎样到达组织； 怎样进入细胞； 怎样获得足够治疗窗； 是否需要伴随诊断； 能否和已有药物形成组合； 制造是否可规模化； 临床终点应该怎样设计。 “一个靶点对应一个药”的线性模式正在变得越来越不够。 AstraZeneca的转型，恰好发生在整个制药工业从blockbuster时代向precision medicine和platform medicine迁移的过程中。 它既是转型的参与者，也是这一变化的一个缩影。 二十、2013年最重要的决定，也许并不是选择了肿瘤 今天看结果，很容易认为AstraZeneca当时“选对了肿瘤”。 这确实重要。 但如果进一步分析，2013年真正具有长期意义的决策可能更抽象。 公司开始把资源配置建立在“哪里拥有足够强的科学基础和竞争能力”之上。 它没有把所有旧业务都维持成同等优先级。 也没有为了填补收入缺口大量追逐短期产品。 公司明确提出要增加specialty care比重，重新建设R&D engine，把内部研发部署到重要科学集群，同时增加BD、in-licensing和bolt-on acquisition。 这几件事后来分别演化成不同结果。 内部研发产生Tagrisso。 早期收购和合作能力沉淀到Lynparza等项目。 Daiichi Sankyo合作带来Enhertu。 Alexion大型并购建立Rare Disease。 Fusion等交易又继续补充新modalities。 也就是说，AstraZeneca最终建立的并不是一种单一创新模式。 它形成的是一个 创新组合系统 。 有些资产自己发现。 有些技术自己建设。 有些能力通过小型收购获得。 有些药物来自全球合作。 有些领域则通过大型并购整体进入。 大型药企真正需要擅长的，已经从“什么都自己做”，转变为“知道什么应该自己做、什么值得合作、什么值得购买，以及什么时候下注”。 这是一种资本配置能力，也是一种科学判断能力。 二十一、Pfizer收购案十年以后，真正被验证的是“pipeline可以被经营” 2014年AstraZeneca拒绝Pfizer时，最容易受到质疑的地方恰恰是pipeline估值。 研发管线和已上市药物不同。 它充满概率。 I期可能失败。 II期可能失败。 III期仍然可能失败。 监管也可能出现问题。 因此，把几十亿美元甚至数百亿美元价值建立在尚未成功的项目上，本质上是一种风险判断。 AstraZeneca当年提出2023年收入超过450亿美元。 最终，公司2023年总收入达到458亿美元左右；2025年进一步达到587亿美元。2024年，公司又把下一阶段目标提高到2030年800亿美元，并计划本十年推出至少20款新药。 这并不意味着2014年的每个预测都完美实现。 更重要的意义在于： AstraZeneca后来证明，一家大型药企的pipeline并不只是等待自然成熟的一篮子项目。 它可以通过资源投入、临床策略、生命周期管理、组合治疗、外部合作和不断淘汰低价值项目被主动经营。 Tagrisso最初解决T790M耐药，后来进入一线、辅助以及更广泛疾病阶段。 Lynparza从较窄的BRCA相关适应症不断扩大。 Imfinzi从一个PD-L1抗体发展出跨多个瘤种、多个疾病阶段的体系。 Enhertu从HER2阳性进一步进入HER2-low等人群。 这些产品价值的增长，很大一部分发生在第一次获批以后。 因此，所谓pipeline value并不完全存在于审批之前。 一家公司是否具备把一个临床成功资产持续扩展成franchise的能力，同样决定最终价值。 二十二、这也是为什么“发现能力”不能单独解释AstraZeneca的成功 如果把AstraZeneca的转型简单归结为“研发变强了”，还是会遗漏很多东西。 新药研发至少存在几个彼此不同的能力层级。 第一层是发现高质量生物学。 第二层是设计出真正能够调控它的药物。 第三层是把药推进人体并快速获得可解释的临床信号。 第四层是设计能够证明患者获益的注册性试验。 第五层是建立biomarker和患者选择体系。 第六层是继续开发更多适应症、组合和疾病阶段。 第七层是全球监管和商业化。 第八层是制造。 而AstraZeneca这十几年的真正变化，是越来越多层级开始同时成熟。 Tagrisso的快速开发代表临床执行。 Lynparza代表biomarker和机制驱动。 Enhertu代表外部创新判断与全球放大。 Alexion代表大型资本配置。 新加坡ADC工厂以及放射性药物、细胞治疗布局则进一步把复杂制造纳入下一阶段竞争。 因此，很难找到一个单一变量解释它的转型。 这也是制药行业最容易被低估的一点： 一家大型药企的竞争优势通常不是某一个实验室、某一位CEO或某一个爆款药。 它来自多个系统长期叠加。 二十三、AstraZeneca也没有摆脱大型药企最古老的问题 写到这里，如果把AstraZeneca描述成一个完成转型以后便进入永久增长的公司，同样会产生误导。 制药行业不存在永久解决专利悬崖的方法。 Tagrisso今天是重要增长产品，未来也会面对生命周期。 Enhertu今天快速扩展，ADC领域竞争也正在迅速增加。 免疫治疗早已进入高度拥挤市场。 PARP领域经历过适应症调整、安全性与长期生存数据重新评估。 心血管、肾脏和代谢市场同样进入SGLT2、GLP-1以及更多新机制竞争。 Rare Disease也会面对补体领域越来越多新进入者。 AstraZeneca解决2012年问题的方法，最终并不是让专利悬崖消失。 它只能让公司拥有更大的概率，在上一批产品衰退之前产生下一批产品。 这就是制药公司的宿命。 一家研发型企业永远处于产品更新周期中。 所谓“完成转型”，在这个行业里更多意味着： 从一次性的产品成功，变成能够重复承担失败、继续产生新资产的组织。 二十四、2026年的AstraZeneca正在为2030年以后再次下注 截至2026年上半年，AstraZeneca仍然保持2030年800亿美元收入目标。同期肿瘤业务收入141亿美元，同比增长15%；Rare Disease收入49亿美元，同比增长11%。公司在主要市场自2025年末以来已经获得30项批准。 但比短期收入更值得关注的是公司正在投资什么。 2024年，收购Fusion，加强radioconjugates。 同年，宣布美国Rockville下一代细胞治疗设施投资。 新加坡建设ADC端到端制造基地。 2025年宣布在美国至2030年投资500亿美元用于制造和研发，并在北京建设新的全球战略研发中心；2026年又宣布到2030年在中国投入150亿美元，扩大研发和制造能力。 这些投资未必全部会成功。 放射性偶联药物是否能够建立足够大的治疗窗口？ 实体瘤细胞治疗能否真正解决肿瘤微环境、持久性和制造等问题？ 下一代ADC能否继续改善疗效与毒性之间的平衡？ 新机制能否在已经拥有高标准治疗的疾病中证明额外临床价值？ 这些都没有确定答案。 但这恰好是研发型药企正常的状态。 真正值得观察的不是它能否保证每次下注正确。 而是它有没有能力持续生成足够多、高质量、彼此独立的下注机会。 二十五、从1999到2012，再从2012到2026，是两家几乎不同的AstraZeneca 1999年的AstraZeneca由两家成熟欧洲制药公司合并而来。 它拥有全球规模、成熟商业体系、大量小分子药物和经典blockbuster。 这种结构帮助它成为世界大型制药公司。 但规模本身并没有保护它免受专利悬崖和研发生产率下降。 到了2012年，公司已经站在传统Big Pharma模式最典型的困境里： 旧药太大。 新药太少。 组织太复杂。 研发周期太长。 收入正在下降。 后来发生的事情，可以理解成第二次“合并”。 只不过这次并没有两家公司签署合并协议。 被重新组合的是公司内部的能力。 小分子和生物药。 基础科学和转化医学。 精准诊断和临床开发。 内部研发和外部合作。 产品开发和资本配置。 肿瘤、BioPharmaceuticals和Rare Disease。 这些能力经过十多年重新排列，最终形成今天的AstraZeneca。 二十六、Soriot当然重要，但把一切归功于一个CEO会低估制药研发 AstraZeneca的转型几乎不可避免地与Pascal Soriot联系在一起。 这种联系有充分理由。 他在公司最困难的阶段接任CEO。 2013年的战略聚焦、研发组织调整、2014年拒绝Pfizer，以及随后长期坚持研发投入，都发生在他的任期。 但制药行业存在一个特殊的时间尺度。 一个2015年上市的药，很可能来自很多年前已经开始的化学、生物学和转化研究。 一笔2006年的收购，可能到十几年以后才真正显示出战略价值。 一个III期成功，又可能依赖几百家临床中心和数千名患者。 因此，很难把任何Big Pharma的研发复兴归结为一个人的决定。 更合理的理解是： 管理层决定资源往哪里流。 科学家决定哪些假设值得验证。 临床团队决定怎样把假设转化成患者证据。 BD团队把外部创新带进公司。 监管、生产和商业体系把资产真正推向全球。 资本市场则决定一家收入正在下降的公司，究竟有没有足够时间完成这一过程。 AstraZeneca的特殊之处，在于这些环节在2012年以后逐渐形成了正向反馈。 产品成功提高现金流和组织信心。 成功吸引更多人才和合作机会。 更多优质合作扩大pipeline。 pipeline又产生下一批产品。 当这个循环形成以后，公司才真正走出了原来的专利悬崖。 二十七、从AstraZeneca理解现代Big Pharma：内部研发已经只是创新体系的一部分 如果把AstraZeneca的历史再抽象一层，可以看到现代Big Pharma正在发生的一种结构性变化。 20世纪大型药企经常追求完整垂直整合。 实验室在公司内部。 化学在内部。 动物实验在内部。 临床在内部。 制造在内部。 商业化也在内部。 这种模式今天仍然存在，但边界已经越来越开放。 Enhertu来自Daiichi Sankyo。 Lynparza历史上也经历复杂的资产与合作演化。 Alexion通过大型并购整体加入。 Fusion通过收购进入radioconjugates体系。 更多早期技术则通过license、academic collaboration和Biotech合作进入。 现代大型药企越来越像一个创新网络的中心节点。 内部科学仍然重要。 但同等重要的是有没有能力判断外部科学。 如果一家Big Pharma拥有巨大的销售网络，却不能识别高质量创新，它会逐渐变成商业化公司。 如果只会收购，却没有足够内部科学能力判断什么值得买，它又可能不断支付高额溢价购买低质量资产。 真正困难的是两者之间的平衡。 足够强的内部科学，使公司能够理解外部创新。 足够开放的外部合作，又避免内部研发成为封闭系统。 AstraZeneca过去十多年的变化，很大程度上正发生在这个平衡点上。 二十八、最终决定AstraZeneca能否继续成功的，也不会是今天这批重磅药 2025年，AstraZeneca拥有16款blockbuster。 这当然是一个重要数字。 但回顾它自己的历史，会发现“有很多重磅药”并不能保证未来。 2008年，它已经拥有11款年销售额超过10亿美元的药物。 几年以后，依然进入严重收入下滑。 这可能是AstraZeneca历史里最值得记住的对照。 2008：11款blockbuster。 2013：收入跌至257亿美元。 2025：16款blockbuster。 它提醒所有大型药企： 今天的产品组合再漂亮，也只能解释今天。 真正决定2035年的，是2026年的pipeline。 而真正决定2040年的，甚至可能是今天还没有进入临床的技术。 所以当AstraZeneca提出2030年800亿美元收入目标时，问题从来不只是Tagrisso、Imfinzi、Enhertu还能增长多少。 更重要的问题是： 在它们以后，还有什么？ 这也是为什么公司把“next wave of pipeline innovation”和新的therapeutic modalities放在战略核心位置。 二十九、AstraZeneca留下的真正案例：大型药企怎样重新获得“创新的时间” 专利悬崖其实是一种时间问题。 旧产品的生命倒计时已经开始。 新药开发的时钟却无法随意加速。 当两者无法衔接，公司就会出现断层。 2012年的AstraZeneca，正处在这个断层里。 它后来真正得到的，并不只是几款成功药。 它重新获得了时间。 Tagrisso提供新的增长周期。 Lynparza提供新的增长周期。 Imfinzi提供新的增长周期。 Enhertu提供新的增长周期。 Farxiga等BioPharmaceuticals资产继续贡献另一部分增长。 Alexion又增加罕见病产品周期。 当这些周期相互错开，公司不再需要等待某一款“救世主产品”。 这就是组合的意义。 一款药失败，公司还能继续。 一个领域增长放缓，另一个领域可以接上。 某个内部项目失败，外部合作可能填补。 某项技术到达瓶颈，新modalities可以提供下一批选择。 最终，Big Pharma真正需要管理的其实不是药。 而是 一系列不同时间尺度、不同科学风险和不同商业风险的创新周期。 三十、再看今天的AstraZeneca，它已经很难再被简单定义为“肿瘤药企” 截至2026年上半年，肿瘤确实是AstraZeneca最大的治疗领域，占总收入46%。 但仅仅把它定义成肿瘤巨头已经越来越不完整。 心血管、肾脏与代谢构成另一套长期业务基础。 呼吸与免疫来自公司非常深的历史积累。 Alexion建立Rare Disease。 ADC已经成为公司重要的新药形式。 radioconjugates正在建设。 cell therapy继续投入。 全球R&D中心持续扩张。 复杂生物药制造和新型递送能力也在增加。 它正在尝试构建的是一个多治疗领域、多药物形式、多创新来源的全球研发体系。 这和1999年刚合并完成时的AstraZeneca已经属于完全不同的公司结构。 结语｜AstraZeneca的来时路，是一家Big Pharma重新学习如何创新的过程 AstraZeneca的故事如果只压缩成几个年份，会非常简单。 1913年，Astra成立。 1926年，ICI成立。 1993年，Zeneca形成。 1999年，Astra和Zeneca合并。 2012年，Pascal Soriot上任。 2014年，拒绝Pfizer。 2015年，Tagrisso获批。 2019年，与Daiichi Sankyo合作Enhertu。 2021年，完成Alexion收购。 2025年，收入达到587亿美元。 2026年，继续向800亿美元目标推进。 但这些年份本身无法解释AstraZeneca。 真正重要的是年份之间发生了什么。 它先依靠经典blockbuster模式成为Big Pharma。 随后亲身经历了这种模式最危险的一面。 专利到期。 研发缺口。 收入快速下滑。 再之后，它缩减研发战线，把资源集中到更少的科学领域，重构研发中心和组织结构，把precision medicine与biomarker引入越来越多项目，同时开始更加积极地利用合作、license和并购吸收外部创新。 Tagrisso证明精准靶向可以重新建立增长。 Lynparza证明一种科学机制可以成长为平台。 Imfinzi证明临床开发策略能够创造新的治疗空间。 Enhertu证明外部创新可以通过Big Pharma的全球开发能力被进一步放大。 Alexion证明，当第一轮转型取得成功以后，公司还需要主动寻找第二条增长曲线。 Fusion、ADC制造基地和细胞治疗投入，则说明这种重新配置仍然没有结束。 所以AstraZeneca的“来时路”最终讲的并不是一家药企怎样从257亿美元重新增长到近600亿美元。 它更像一个关于现代制药工业的案例。 科学会变化。 技术会变化。 标准治疗会变化。 产品会失去专利。 曾经正确的组织模式也可能过时。 一家大型药企真正长期存在的能力，只能是不断重新配置自己： 重新选择疾病。 重新选择技术。 重新选择资产。 重新选择合作伙伴。 重新决定哪些能力必须掌握在自己手里，哪些创新应该从外部获得。 1999年的AstraZeneca，是Astra和Zeneca两家公司合并的结果。 今天的AstraZeneca，则更像是一次持续十余年的第二次重组。 这一次，被重新组合的不是公司名称。 而是科学、研发、临床、资本和全球产业能力。 对于一家经历过专利悬崖的大型药企而言，这或许才是它真正完成的重建。 资料说明：本文主要依据AstraZeneca公司历史资料、2013年及后续年度报告、2013年战略投资者沟通资料、2014年Pfizer收购相关正式公告、历年产品与交易公告、2025年年度报告及2026年上半年业绩资料整理；Tagrisso、Lynparza、Imfinzi和Enhertu相关临床发展部分同时参考FLAURA、SOLO1、PACIFIC、DESTINY-Breast04等正式发表研究。涉及在研管线、新技术平台、收入目标和未来规划的内容均存在研发、监管、商业化及市场环境变化的不确定性，应以后续公司、监管机构和正式学术发表信息为准。

报告摘要 本报告对海外（美国为主）AI制药产业进行系统梳理，覆盖小分子、抗体与蛋白、核酸药物、细胞与基因疗法四类主要药物模态中的代表性公司，并延伸至跨模态平台、传统药企及科技巨头的研发布局，说明了平台能力和管线兑现在AI制药企业中的重要性。 AI制药已从平台展示阶段进入管线验证阶段，但不同药物模态的兑现节奏差异明显。小分子领域成熟度最高，头部公司已形成“计算平台+自动化实验+临床管线”的完整闭环，Schrödinger以物理计算软件建立稳定商业模式，Recursion依托超50PB专有数据和自动化实验推进FAP等难治适应症管线，Relay、Nimbus则分别以蛋白质动态构象和变构靶点开发形成差异化；其中Nimbus以60亿美元将TYK2项目授权武田、Recursion平台合作潜在里程碑超200亿美元，是当前AI平台商业化价值最直接的证据。 抗体与蛋白领域，Generate:Biomedicines的GB-0895成为首个由生成式AI设计并进入III期临床的蛋白药物，Absci、Nabla Bio已具备全长抗体从头设计能力并获得武田、BMS等大型药企的大额合作，但多数管线仍处于早期阶段，疗效与可开发性有待临床数据进一步验证。 核酸药物与细胞和基因疗法整体尚处早期赛道，AI更多作用于序列设计、递送优化和基因编辑工具挖掘。CAMP4、Inceptive分别以调控RNA图谱和RNA编译器切入，Metagenomi、Scribe、Profluent以宏基因组挖掘或从头设计构建新一代基因编辑工具，Dyno、Shape聚焦AAV载体工程化，Outpace则以AI蛋白设计探索实体瘤细胞治疗；上述方向技术差异化已经形成，但距离规模化商业兑现仍有距离，需跟踪其关键临床节点。 跨模态平台公司的价值，在于把疾病机制判断、靶点因果验证与药物模态选择整合为统一能力，但其价值同样依赖管线产出，平台能力不能等同于临床成功率。传统药企已形成财务投资、管线授权、平台合作与内部能力建设四类布局，英伟达、Google/Isomorphic、AMD、Anthropic等科技巨头从算力与基础模型两端介入，行业竞争正从单点工具转向体系能力。 风险提示：监管和模型可信度风险、数据质量和隐私风险等。 1.小分子药物 1.1.小分子药物研发的传统痛点 小分子药物是现代制药工业中最成熟的药物类型，长期占据已上市药物的主体地位，约占已上市药物的90%。但该比例在每年新药批准中会有明显波动，不应直接等同于年度新药批准结构——不同年份中生物药、细胞疗法和核酸药物的获批占比会明显波动。 小分子研发的主要难点集中在四个方面。第一，靶点选择的不确定性高。小分子项目的起点是找到与疾病机制相关、具备可调控性且存在成药机会的靶点。但许多靶点虽然在机制研究中具有合理性，却无法在动物模型或人体研究中转化为疗效，导致项目在临床前后期或临床阶段失败。第二，化学空间巨大，早期命中效率有限。可探索的小分子化学空间远超实验筛选能力。传统高通量筛选和虚拟筛选能够提供初始命中化合物，但仍面临假阳性、假阴性以及命中物成药性不足等问题。第三，先导化合物优化需要多目标平衡。从命中化合物到临床候选物，研发团队需要同时优化活性、选择性、溶解度、膜通透性、代谢稳定性、安全性和可合成性。传统药物化学依赖专家经验和“设计–合成–测试–分析”循环，往往需要大量类似物合成和实验验证。第四，ADMET和毒性风险可能在后期暴露。即使化合物在体外显示出良好活性，也可能因为药代动力学、代谢酶相互作用、心脏毒性、肝毒性或安全窗口不足而失败。一旦这些问题在临床前后期或临床阶段暴露，项目沉没成本较高。 1.2.AI在小分子药物研发中的应用价值 AI在小分子研发中的主要作用，是帮助研发团队在巨大化学空间中更快找到值得实验验证的候选分子，并提高先导优化阶段的决策效率。小分子药物结构明确、历史数据丰富、研发流程相对标准化，因此是计算方法和机器学习较早进入药物研发的领域。其作用是在靶点判断、分子筛选、结构优化和风险预测环节提高决策效率。 靶点识别与验证：机器学习模型可以整合基因组学、转录组学、蛋白组学、代谢组学、疾病表型和生物网络数据，用于识别更可能参与疾病发生发展的靶点。相比单一实验结果，多来源数据有助于提高早期靶点判断的稳健性。 命中化合物发现与虚拟筛选：机器学习可以改进传统虚拟筛选中的打分函数、分子构象采样和结构—活性关系预测。研发团队可以先用模型从大规模化合物库中筛选出更值得验证的分子，再进入体外实验环节，从而减少低价值筛选。 先导化合物优化：在先导优化阶段，机器学习、图神经网络、构效关系模型和主动学习方法可用于同时优化多个性质。其主要价值在于帮助药物化学团队更快识别优先合成的分子系列，减少低价值类似物的合成数量。 新结构设计：生成模型可以根据靶点结构、药效团、理化性质和安全性约束提出新的分子结构。该方法既可用于发现新的命中化合物，也可用于对已有先导系列进行结构改造。但生成结果仍需经过可合成性评估、体外活性测试、ADMET评价和体内药效验证。 药代和毒性预测：模型可用于预测溶解度、膜通透性、代谢稳定性、CYP相互作用、hERG风险、肝毒性和遗传毒性等性质。其价值在于提前识别高风险分子，降低项目进入后期才暴露安全性问题的概率。 1.2.1.Schrödinger (NASDAQ: SDGR)：通过物理+机器学习计算平台加速小分子药物和新材料设计 Schrödinger是一家临床阶段计算化学软件及药物发现公司，核心定位是通过物理学与机器学习结合的计算平台，加速小分子药物和新材料设计。 Schrödinger构建了行业最全面的基于物理计算平台。FEP+是旗舰技术，基于统计力学和分子动力学模拟，利用GPU加速MD、OPLS3力场、REST增强采样和循环闭合校正预测结合亲和力。Glide分子对接程序含HTVS模式，姿态精度98%。Desmond高性能MD引擎。LiveDesign企业级云端平台整合计算预测与实验数据，支持AI/ML分子性质预测（DeepAutoQSAR集成）。Jaguar提供量子化学计算。2025年软件业务营收1.995亿美元，毛利率74%，向SaaS模式转型。 核心管线SGR-1505（MALT1抑制剂）靶向NF-κB通路关键介导者MALT1，用于复发或难治性B细胞恶性肿瘤，处于阶段Ⅰ。获FDA治疗华氏巨球蛋白血症孤儿药资格及快速通道资格。2025年EHA年会显示45名患者中ORR达22%，展现良好安全性和初步疗效。 公司另有SGR-3515（Wee1/Myt1双重抑制剂，阶段Ⅰ，完全由FEP+设计，预计2026年上半年数据）、SGR-5573（CNS渗透性EGFR抑制剂）、SGR-4174（KRAS/SOS1抑制剂）和SGR-6016（CNS渗透性NLRP3抑制剂）。与诺华（1.5亿美元预付款）、礼来（最高4.25亿美元）和Ajax Therapeutics合作。2020年纳斯达克IPO（SDGR），2025年总营收2.559亿美元（+23.3%），现金约4.023亿美元。 1.2.2.Recursion (NASDAQ: RXRX)：整合自动化实验与AI药物合成的工业化研发平台，拥有超50PB全球最大专有生物数据集 Recursion Pharmaceuticals是一家临床阶段TechBio公司，核心定位是通过整合自动化实验、AI驱动小分子合成及临床开发系统，实现药物研发工业化。 技术平台核心是Recursion OS，由“数据、模型、算力”三大支柱构成。拥有全球最大专有生物化学数据集之一（超50 PB），涵盖表型组学、转录组学、蛋白质组学和患者数据。自动化湿实验室利用机器人+计算机视觉，每周数百万次微型化细胞实验。AI模型使用CNN等深度学习从图像提取细胞特征，映射数万亿生物学化学关系。2024年收购Exscientia后整合Phenom-2（细胞显微镜基础模型，80亿图像训练）、Boltz-2（蛋白结构+亲和力预测，1000x加速FEP）和MolPhenix（分子-表型预测，NeurIPS 2024最佳论文）。算力依托NVIDIA合作构建的BioHive-2超级计算机。 核心管线REC-4881（MEK1/MEK2变构抑制剂）是口服非ATP竞争性变构抑制剂，用于FAP及AXIN1/APC突变晚期实体瘤。FAP患者面临近100%结直肠癌终生风险，无FDA批准非手术疗法。Phase 1b/2 TUPELO试验中，4mg QD在第13周使息肉负荷中位数减少43%，停药12周后73%患者维持>30%减少，获FDA快速通道和罕见药资格。 公司另有REC-3565（MALT1抑制剂，Phase 1，15个月设计完成）及与赛诺菲、罗氏/基因泰克、拜耳等超10个合作项目（潜在里程碑超200亿美元）。2021年纳斯达克IPO（RXRX），2025年现金7.539亿美元。 Recursion OS是一个闭环的药物发现引擎，由“数据、模型、算力”三大支柱构成。公司拥有全球最大的专有生物和化学数据集之一（超过50 PB），涵盖表型组学、转录组学、蛋白质组学和去标识化的患者数据。 （1）自动化湿实验室：利用机器人技术和计算机视觉（如CellProfiler），每周可进行数百万次微型化细胞生物学实验，捕捉健康、疾病和受药细胞的高分辨率图像。 （2）AI与机器学习模型：使用卷积神经网络（CNNs）等深度学习算法，从图像中提取细胞特征，在不受人类偏见限制的情况下，映射出数万亿个生物学和化学关系的图谱。 （3）算力基建（BioHive）：依托与英伟达合作构建的BioHive-2超级计算机，提供每秒数万亿次的计算能力，支持分子动力学模拟和大规模AI模型训练。 1.2.3.Relay Therapeutics (NASDAQ: RLAY)：以蛋白质动态运动为核心机制开发肿瘤和遗传性疾病创新小分子药物 Relay Therapeutics是一家临床阶段精准医疗公司，核心定位是以“蛋白质动态运动”为核心机制，开发肿瘤和遗传性疾病创新小分子药物。 技术平台核心是Dynamo™平台，整合实验与计算顶尖技术。实验端利用全长冷冻电镜解析蛋白质结构，结合收购ZebiAI获得的DNA编码化合物库进行高通量物理筛选，REL-DEL通过机器学习驱动筛选。计算端依托D.E. Shaw Research超级计算机进行长时间分子动力学模拟，阐明野生型与突变型蛋白质构象差异，利用机器学习预测成药化学起点。平台寻找仅在特定构象下暴露的隐蔽变构位点（Allosteric sites），实现极高突变选择性。 核心管线Zovegalisib（RLY-2608，PI3Kα抑制剂）是首个进入临床的变构、泛突变（H1047X、E542X、E545X）且亚型选择性PI3Kα抑制剂。通过Dynamo平台发现的变构口袋选择性抑制突变型PI3Kα，避免传统抑制剂（如Alpelisib）的高血糖和皮疹毒性。正在进行全球III期临床（ReDiscover-2）治疗PIK3CA突变HR+/HER2-晚期乳腺癌。2026年2月联合氟维司群获FDA突破性疗法认定。此外开展PIK3CA驱动血管异常I/II期临床。 公司另有RLY-1971（SHP2抑制剂，与Genentech合作），Lirafugratinib（RLY-4008，FGFR2抑制剂）已授权Elevar。2020年纳斯达克IPO（RLAY），2025年净亏损2.765亿美元（较2024年收窄）。 Dynamo平台是Relay的核心技术引擎，它整合了实验与计算两大领域的顶尖技术： （1）实验端：利用全长冷冻电镜（cryo-EM）解析蛋白质结构，并结合通过收购ZebiAI获得的DNA编码化合物库（DEL）进行高通量物理筛选。 （2）计算端：依托D.E. Shaw Research的超级计算机进行长时间尺度的分子动力学模拟（Molecular Dynamics Simulations），以阐明野生型与突变型蛋白质在构象上的微小差异，并利用机器学习模型预测具有成药潜力的化学起点。 该平台使Relay能够针对以前无法解决或传统方法解决不佳的蛋白质靶点进行药物设计。 1.2.4.Eikon Therapeutics (NASDAQ: EIKN)：整合活细胞超分辨率显微镜、单分子追踪与AI技术，开发肿瘤和神经系统疾病疗法 Eikon Therapeutics是一家临床后期生物制药公司，核心定位是将活细胞超分辨率显微镜技术、单分子追踪技术与高性能计算和人工智能相结合，开发肿瘤和神经系统疾病疗法。 技术平台核心是活细胞单分子追踪平台，融合超分辨率荧光显微镜、高通量自动化机器人和机器学习算法。平台能在不到一秒内可视化数十万个蛋白质运动事件，通过测量蛋白质群体动态变化提取多维状态数据。每日生成近PB级数据，由Alphabet/Meta软件工程师团队开发机器学习算法分析。通过化学微扰或基因操作实时观察蛋白质行为变化，发现传统检测难以察觉的药物效应或新调控节点。采取“外部引进+内部自研”双轨战略。 核心管线EIK1001（TLR7/8激动剂）是免疫调节剂，刺激抗肿瘤免疫反应，正与Keytruda联合评估，用于黑色素瘤和NSCLC，处于临床II期。 公司另有EIK1003（PARP1抑制剂，临床I期）、EIK1004（CNS-PARP1，临床I期）、EIK1005（WRN抑制剂，临床I期，自研）、EIK1006（AR拮抗剂，IND-Enabling）及4个神经科学临床前项目。2026年2月纳斯达克IPO，累计私募融资超11.6亿美元（B轮5.178亿美元，估值31亿美元），IPO募资3.812亿美元。 1.2.5.Iambic Therapeutics：以物理+生成式AI架构驱动高度差异化小分子靶向疗法，关键管线已推进至临床阶段 Iambic Therapeutics是一家临床阶段AI驱动生物技术公司，核心定位是将物理学原理嵌入生成式AI架构，开发具有高度差异化特征的新型小分子靶向疗法。公司自主研发的NeuralPLexer是业界领先的蛋白质-配体结构预测生成式3D扩散模型，Enchant为多模态Transformer终点预测模型，两者与Magnet（分子设计）、OrbNet（AI加速量子化学，计算速度提升1000倍）共同构成四大AI引擎，通过每周DMTA闭环迭代实现从项目启动到IND提交平均24个月——约为行业平均水平的三分之一。 核心管线IAM1363是一款高选择性、脑渗透性HER2小分子抑制剂，对HER2的选择性较EGFR高出1000倍以上，目前处于Phase I/1b临床阶段，2025年10月ESMO公布的早期数据显示其在HER2野生型和突变型癌症中均表现出抗肿瘤活性和良好安全性。公司已就该管线与Jazz Pharmaceuticals达成联合疗法评估合作（IAM1363 + zanidatamab用于HER2阳性乳腺癌），后续若向一线治疗及联合用药拓展，有望打开更大市场空间。此外，公司另有CDK2/4双抑制剂和KIF18A抑制剂处于临床前阶段，预计2026-2027年进入临床。 在平台商业化方面，公司已与NVIDIA、Takeda（潜在价值超17亿美元）、Bayer、Lundbeck、Revolution Medicines、Jazz Pharmaceuticals等全球大型药企建立战略合作，验证其AI平台的外部价值。截至2026年7月，公司累计融资超3.3亿美元，连续第二年入选CNBC Disruptor 50榜单。 1.2.6.Nimbus Therapeutics：利用计算技术与机器学习针对难成药靶点设计高选择性小分子 Nimbus Therapeutics是一家临床阶段结构导向药物发现公司，核心定位是利用计算技术和机器学习，针对难以成药靶点设计高选择性小分子。 技术平台核心是基于结构的药物发现引擎，整合计算化学、结构生物学和分子科学。在AWS上使用Amazon SageMaker构建MLOps管线，自动化预测模型训练部署，几毫秒内预测分子暴露量、安全性和吸收代谢。与Anagenex合作应用生成式AI，利用Schrödinger LiveDesign进行实时预测，通过迭代机器学习预测+强化学习引导分子生成式AI探索化学空间。平台专门针对变构位点（如TYK2 JH2位点）设计高选择性分子。 核心管线NDI-219216（WRN抑制剂）是非共价小分子WRN抑制剂，通过合成致死效应治疗MSI-H肿瘤，处于阶段I/II期，2025年1月完成IND，12月完成剂量递增试验，临床前显示强大肿瘤消退能力。后续向更广泛DNA修复缺陷型肿瘤拓展，有望打开更大市场。 公司另有NDI-101150（HPK1抑制剂，阶段I/II，晚期实体瘤）、SIK2抑制剂（炎症/自身免疫）、AMPK激活剂（与礼来合作，肥胖/代谢）。累计股权融资超6.37亿美元，BD交易超80亿美元（TYK2项目60亿美元售武田；ACC项目12亿美元售吉利德）。 Nimbus的核心壁垒在于其自研基于结构的一体化药物发现引擎。平台依托与 Schrödinger长达十余年独家深度合作，深度融合高精度计算化学、高分辨率结构生物学、原子级分子模拟与定制化机器学习预测体系，形成靶点解析-虚拟筛选-分子迭代-成药性评估完整闭环，专门针对激酶、代谢酶等传统筛选手段难以实现亚型选择性、长期被视作难成药的蛋白靶点开发高选择性小分子化合物。 1.2.7.Enveda Biosciences：通过AI+高分辨质谱解码天然产物化学结构，开发全新作用机制的临床阶段小分子药物 Enveda Biosciences是一家临床阶段AI驱动生物技术公司，核心定位是通过“高分辨质谱+AI算法+高通量机器人技术”，从植物和微生物等自然界中解码复杂化学结构，开发具有全新作用机制的新型小分子药物。其“LOCKTAC”机制（非降解分子胶，重置细胞免疫应答）是AI驱动天然产物药物发现的代表性案例，突破了传统药物化学对已知化合物库的依赖。 核心管线ENV-294是一款口服特应性皮炎疗法，机制为靶向免疫突触的多通路调控剂（Th2/Th17/Th1）。2026年3月公布的Phase 1b数据显示：Day 28平均EASI评分降低68%，Day 42改善加深至85%；100%患者达EASI-50，78%达EASI-75，56%达EASI-90，44%患者实现完全清除或接近完全清除，且安全性良好（无严重不良事件）。目前ENV-294已启动Phase 2a，Phase 2b剂量范围研究预计2026年中启动，后续若向哮喘、慢性自发性荨麻疹等适应症拓展，有望打开更大市场空间。 公司另有ENV-308（口服肥胖症疗法，新型激素模拟物机制）和ENV-6946（口服IBD疗法，TL1A+通路抑制剂）均于2025年12月获FDA IND批准并启动Phase I。截至2026年7月，公司管线包括3个临床资产（4个适应症）、6个IND-enabling资产、17个开发候选，累计融资超3.39亿美元，2025年9月完成1.5亿美元D轮融资后估值近10亿美元。 Enveda构建了一个由AI驱动的天然产物化学搜索引擎平台。传统制药行业由于纯化复杂混合物、鉴定结构和表征活性的成本极高，导致自然界中99.9%的化学物质未被探索。Enveda的平台整合了机器学习、代谢组学（质谱分析）和高通量自动化机器人技术，能够在半秒内（传统核磁共振NMR需要数周）预测分子结构并将其与疾病联系起来。该平台将数十亿年的进化智慧转化为可搜索的化学数据库（Library of Life），使药物发现速度比行业平均水平快4倍，成本仅为行业平均水平的十分之一。 1.2.8.Genesis Molecular AI：AI与生物物理模拟深度融合，为不可成药靶点开发新型小分子药物 Genesis的核心竞争力在于其AI双引擎：GEMS平台与Pearl基础模型。GEMS将化学感知大语言模型、深度学习预测模型与物理分子模拟相融合，高精度预测分子效力、选择性及ADMET特性。Pearl是2025年10月发布的端到端生成式扩散基础模型，在预测小分子-蛋白质结合基准测试中超越AlphaFold 3，在Runs N' Poses基准上实现14.5%性能改进。Pearl结合物理学与生成式AI，利用大规模基于物理的合成数据训练，首次在分子AI领域证明“Scaling Laws”有效性，并通过英伟达cuEquivariance内核实现工业级推理。技术源自斯坦福Vijay Pande实验室。 公司另有与Genentech、Eli Lilly（2000万美元首付款，6.9亿美元潜在价值）、Gilead和Incyte（3000万美元首付款，8.85亿美元潜在价值）的战略合作。累计融资超3亿美元（B轮2亿美元），投资方包括a16z、Fidelity、BlackRock及NVentures。 GEMS是Genesis Therapeutics自主研发的专有 AI 操作系统，同时集成了生成式建模与预测式分析两大核心能力。该平台将具备化学感知能力的大语言模型、深度学习预测模型与物理分子模拟技术进行深度整合，形成三位一体的技术架构。 GEMS支持药物化学家在整个分子设计周期中开展工作，涵盖候选分子生成、性质预测、预测结果审问以及合成决策四个核心环节。AI Agent负责编排常规步骤并呈现权衡方案，使化学家能够专注于关键设计决策，实现7×24小时不间断运行完整设计工作流。 在预测能力方面，GEMS能够以极高精度预测分子的效力、选择性以及ADMET特性。平台专门用于攻克数据匮乏且化学结构复杂的不可成药靶点，通过物理机器学习模拟（包括分子动力学与量子化学计算）在缺乏大量训练数据的场景下依然保持稳健的预测能力。 GEMS 平台的核心技术模块包括：ADME条件化语言模型，用于生成数百万种多样的类药分子；扩散模型，用于精确预测蛋白质-配体复合物的三维结构；以及物理机器学习模拟，用于详细模拟分子相互作用，实现无需依赖大规模数据集的效力与选择性预测。 图 40：Pearl蛋白-配体共折叠基础模型架构、预测效果与基准性能对比 数据来源：Cbirt、东北证券 1.2.9.Terray Therapeutics：通过超高通量实验与生成式AI整合，改变小分子药物发现的成本、速度和成功率 Terray Therapeutics是一家临床前阶段AI原生生物技术公司，核心定位是通过超高通量实验与生成式AI整合，改变小分子药物发现的成本、速度和成功率。 技术平台核心是EMMI平台，实现湿实验与全栈AI的深度闭环。tArray系统利用DNA条形码和固相合成在纳米磁珠上构建组合化学库，磁珠置于含3200万个微孔的芯片上，通过DNA原位测序映射分子位置，可在4分钟内精确测量靶点-配体结合亲和力。截至2025年底，平台累计生成超130亿次结合测量数据，每天处理50TB图像数据。计算端由COATI化学基础模型驱动（第三代，超10亿分子训练）。2026年2月推出的TerraBind效力预测模型准确率比Boltz-2高20%，速度快26倍，成本降低96%。平台整合Latent Diffusion、Policy Gradient RL及Epistemic Neural Networks。 内部免疫学小分子管线正推进至临床试验阶段。合作方面，已为BMS、Gilead、Calico和Odyssey的多个困难靶点识别全新结构先导化合物。 公司累计融资超2亿美元（A轮6000万美元；B轮1.2亿美元），投资方包括Madrona、NVentures等。 Terray Therapeutics核心壁垒为自研EMMI 全栈闭环平台（前身为tNova），平台全称Experimentation Meets Machine Intelligence，实现超微型高通量湿实验硬件与全套 AI 算法深度绑定，是典型“计算预测-自动化实验-数据回流迭代”一体化研发体系。 平台底层两大核心组成：自研超高密度微型湿实验硬件（tArray微阵列系统）； 三层全栈AI软件体系。（COATI基础模型+ TerraBind 预测引擎+ EMTI Select 筛选模块） 自主专利超密分子微阵列芯片，单次可同步完成上亿组靶点-小分子相互作用检测，单季度新增十亿级专属生物测量数据，累计专有靶点结合数据集规模是全部公开化学数据的50倍。硬件端完整覆盖化合物合成、高通量活性检测、ADME体外评价全自动化工作站，摆脱传统筛选通量瓶颈，能够快速产出独家真实生物学数据，为 AI 模型持续迭代提供独有训练素材。 COATI多模态化学基础模型：第三代自研对比学习大模型，统一编码分子字符串、二维拓扑、三维空间结构三类数据，可在未开发化学空间内定向生成可合成全新分子，专为药物化学场景训练；TerraBind通用亲和力预测模型：兼顾序列与三维结构特征，预测精度较行业主流模型提升20倍，推理速度快26倍，大幅降低大规模分子打分算力成本；EMMI Select智能择优模块：区别于单纯打分排序，量化每项预测结果置信区间，基于不确定性策略筛选最优合成候选，Benchmark测试中分子筛选效率较传统方案提升3倍。 标准 DMTA 闭环工作流： 1.空间探索：依托 COATI 生成模型，针对难成药靶点批量输出全新分子骨架，挖掘传统化合物库无法覆盖的化学空间苗头分子； 2.多属性预测：TerraBind 同步完成亲和力、选择性、溶解度、渗透性、代谢稳定性等 30 余项成药性指标批量计算； 3.智能择优：模型量化预测置信度，筛选最优批次分子推送自动化合成管线，规避无效实验； 4.自动化实验回流闭环：微阵列硬件完成批量体外检测，真实活性数据自动回流 COATI、TerraBind 重训迭代，持续优化下一代分子设计逻辑，形成不间断循环。 1.2.10.DeepCure：利用强化学习与自动化硬件加速免疫与炎症领域小分子药物发现 DeepCure是一家临床前阶段AI驱动生物技术公司，核心定位是利用强化学习与自动化硬件加速小分子药物发现，针对免疫学和炎症领域难成药靶点。 技术底座是端到端AI药物发现平台。PocketExpander™结合AI与物理方法（量子力学模拟+分子动力学模拟），识别蛋白质表面相互作用特征。MolGen™利用深度强化学习，基于数百万化学构建块和200多种反应生成高可合成化合物库。Inspired Chemistry™是自动化机器人合成平台，已单次合成Paxlovid活性成分及其56种类似物。DiscoveryHub™集成设计、可视化、评估及合成路线规划。平台源自MIT Media Lab。 核心管线DC-9476（BRD4-BD2抑制剂，口服）选择性抑制BRD4的BD2结构域调控炎症基因转录，用于类风湿性关节炎、斯蒂尔病和化脓性汗腺炎，处于IND-Enabling阶段。2024年9月与LIRMM合作在RA患者中测试。DC-15442（STAT6抑制剂，口服）2025年6月成为开发候选药物，展现100%体内pSTAT6抑制和与度普利尤单抗相当疗效，用于哮喘和特应性皮炎，同样处于IND-Enabling阶段。公司另有TNFα抑制剂（早期发现）。累计融资约7140万美元（A轮4000万美元；A-1轮2460万美元），投资方包括Morningside Group、IAG Capital Partners。 DeepCure的技术底座是一个高度集成的端到端AI药物发现平台，涵盖了从靶点口袋识别、全新分子生成到跨学科协作与合成执行的全流程。 1.2.11.Valo Health：通过AI驱动的大规模人类真实世界数据整合，加速药物发现与开发 Valo Health是一家临床前阶段技术驱动生物制药公司，核心定位是通过AI驱动的大规模人类真实世界数据整合，加速药物发现与开发。 技术平台核心壁垒是Opal Computational Platform™端到端闭环平台。平台接入超1700万份去标识化患者真实世界记录（部分纵向病史20-30年）。Opal利用专有知识图谱、因果推断和统计遗传学，在N维空间处理数百万数据点，精准识别“患者亚型”并映射至生物学通路。闭环化学引擎从数万亿起点中生成优化小分子候选药物。Biowire® 3D工程人类组织模型模拟成熟生理结构以验证靶点。Logica®平台与Charles River联合推出，将Opal算法与实验室执行能力结合，直接交付临床前候选药物。核心管线OPL-0101是Logica平台首个针对狼疮的临床前小分子候选药物。公司另有与诺和诺德（1.9亿美元首付款+股权投资，46亿美元潜在里程碑）、辉瑞（自身免疫性疾病）和德国默克（超30亿美元，帕金森病）的重大合作。累计股权融资约4.5亿美元（A轮1亿美元；B轮3亿美元/Flagship Pioneering）。 1.2.12.Numerion Labs：通过机器学习算法加速小分子发现，战略聚焦免疫与炎症疾病 Numerion Labs（前身为Atomwise）是一家临床前阶段AI原生药物发现公司，核心定位是通过机器学习算法加速小分子发现，战略聚焦免疫与炎症疾病。 核心平台是AtomNet®，率先将深度学习神经网络应用于基于结构的小分子药物发现。AtomNet采用深度卷积神经网络架构，在原子层面学习蛋白-配体相互作用特征，用于虚拟筛选和亲和力预测。平台利用基础模型探索化学空间，通过超大规模虚拟化合物库筛选发现新型小分子。2025年10月品牌重塑为Numerion Labs，战略从技术服务转向内部自研管线，聚焦超快速虚拟筛选和免疫/炎症项目。 自研管线聚焦免疫和炎症疾病，致力于提供First-in-class和Best-in-class候选药物，包含针对TYK2等靶点的抑制剂项目。公司另有与赛诺菲（2000万美元首付款，12亿美元潜在价值）、礼来、翰森制药和Bridge Biotherapeutics的合作。累计融资2.46亿美元（B轮1.23亿美元），投资方包括Y Combinator、DCVC、B Capital Group。 Numerion Labs（原Atomwise）构建了一套深度学习驱动的AI超级药物发现平台，平台以自研COSMOS结构导向生成式生物基础模型为核心，搭配APEX全域检索引擎、EXPO先导优化模块形成完整研发体系。依托COSMOS预训练大模型，平台可覆盖超10¹¹种可合成类药分子，突破传统药物研发仅能利用10⁷存量化合物库的局限，在总量10⁶⁰的理论有机化学空间中定向探索；区别于依赖分子相似度、暴力对接的常规筛选工具，该平台从原子层面预测蛋白-配体结合作用，数秒内完成百亿级分子评估，挖掘传统技术无法捕捉、兼具高活性与合成可行性的全新小分子骨架，完整覆盖苗头识别、苗头转先导、先导精细化优化全流程，大幅提升难成药靶点的新药发现效率。 2.抗体与蛋白类生物药 2.1.抗体与蛋白类生物药研发的传统痛点 抗体和蛋白类药物通常具有较高靶向性和较强机制选择性，但其研发难度不同于小分子，主要体现在以下方面。第一，结构和质量属性复杂。抗体、融合蛋白和ADC并非简单的单一化学结构，其活性和安全性可能受到构象、糖基化、聚集、降解、杂质、连接子稳定性和制剂状态影响。候选物即使在早期结合实验中表现良好，也可能在稳定性、可制造性或质量一致性方面暴露问题。第二，可开发性要求高。抗体候选物不仅需要高亲和力和高特异性，还需要满足低聚集、低黏度、低非特异性结合、良好表达水平和可规模化生产等要求。部分候选分子在发现阶段表现优异，但难以进入稳定、可放大的生产流程。第三，免疫原性和安全性风险需要前置评估。蛋白类药物可能诱导抗药抗体，影响疗效或带来安全性风险。ADC还需同时评估抗体、连接子和细胞毒载荷的安全窗口。第四，传统发现和优化高度依赖实验筛选。抗体发现通常依赖动物免疫、展示库筛选、单B细胞分离、亲和力成熟和表位确认。该流程实验强度高、周期长，并且不一定能够高效获得针对理想表位的候选分子。 2.2.AI在抗体与蛋白类生物药中的应用价值 AI在抗体和蛋白类药物中的价值，是将部分候选设计和排序工作前移到计算环节，减少低质量候选物进入昂贵实验流程的比例。最终能否成药，仍取决于结合功能、体内活性、药代、安全性、可制造性和临床数据。 生物药在新药批准中的占比持续提升。以FDA CDER 2022年批准的新药为例，37个新药中包括15个新型治疗性生物药，约占41%；但该比例仅对应CDER口径，不代表全球全部新药批准结构。在抗体和蛋白类药物研发中，计算模型的应用主要集中在以下环节： 结构预测与复合物建模：AlphaFold 2显著提高了蛋白结构预测能力，在多数单蛋白结构预测任务中达到接近实验结构的准确度。AlphaFold 3进一步扩展到蛋白、核酸、小分子、离子和抗体复合物等相互作用预测，为抗原结构解析、抗体建模和结构指导优化提供了新的工具。 抗体结构建模：IgFold等抗体结构预测工具利用大规模天然抗体序列进行训练，可用于抗体可变区、CDR区域和候选抗体结构的快速建模，帮助研发团队更早开展表位分析和工程化优化。 结合能力和可开发性预测：机器学习模型可用于预测抗体—抗原结合、亲和力、特异性、聚集风险、非特异性结合、稳定性、黏度和表达水平。相比只关注“能否结合”，这类模型更强调候选分子是否具备进入药物开发流程的条件。 蛋白和抗体设计：扩散模型和蛋白设计模型正在被用于设计新的蛋白骨架、结合蛋白和功能蛋白。RFdiffusion已展示了从头设计蛋白结构和功能蛋白的能力，但这类方法仍需通过表达、纯化、结合实验、功能实验和安全性研究完成验证。 2.2.1.Absci (NASDAQ: ABSI)：生成式AI与可扩展湿实验室结合，加速下一代生物制剂发现与开发 Absci是一家临床阶段数据优先生成式AI生物制药公司，核心定位是将生成式AI模型与可扩展的湿实验室技术相结合，以更快的速度和更低的成本发现并开发下一代生物制剂。 核心平台为Origin-1生成式AI模型，于2026年初正式发布，专门用于针对零先验表位进行全长单克隆抗体的从头设计。该架构包含两个核心引擎：AbsciGen采用全原子扩散模型，根据未结合的抗原结构、抗体框架和用户定义的表位，生成抗体-抗原复合物并设计全新的结合模式；AbsciBind在实验表征之前对AI生成的抗体候选物进行评分和过滤，确保其可开发性。Absci的核心保障是Lab-in-the-Loop机制——平台每周可筛选数十亿个细胞，通过湿实验室对AI生成的数百万个设计进行快速验证，验证产生的高质量结合力、亲和力和可制造性数据持续反馈给AI模型进行训练。这种“数据训练->AI创->湿实验验证”的迭代周期最短仅需6周，最快可在14个月内完成从靶向到候选药物的开发。2025年9月，公司与甲骨文和AMD合作，利用最新硬件加速生物制剂设计周期。 核心管线ABS-101（Anti-TL1A）是针对炎症性肠病开发的潜在同类最佳抗TL1A抗体，被设计为每季度一次的皮下注射，对单体和三聚体TL1A具有极高的效力，并降低了免疫原性风险，目前处于Phase 1阶段。核心管线ABS-201（Anti-PRLR）是公司目前最核心的旗舰管线，一种靶向催乳素受体的抗体，主要用于治疗雄激素性脱发和子宫内膜异位症。在临床前模型中，其促进毛囊再生的效果显著优于现有的米诺地尔。目前针对脱发适应症的HEADLINE试验已进入Phase 1/2a期临床，2025年12月加速启动，预计2026年下半年获得中期疗效数据；针对子宫内膜异位症的Phase 2试验计划于2026年第四季度启动。后续若向更多自身免疫和炎症适应症拓展，有望打开更大市场空间。 公司另有ABS-301（免疫肿瘤学，Lead ID阶段）、ABS-501（靶向HER2肿瘤学，Candidate阶段）等早期管线。Absci于2021年7月在纳斯达克IPO（股票代码ABSI），上市时估值接近20亿美元。2025年全年营收280万美元，研发支出8140万美元，净亏损1.152亿美元；截至2025年12月31日拥有1.443亿美元现金储备，预计可支撑运营至2028年上半年。公司已与阿斯利康（价值高达2.47亿美元）、默沙东（高达6.1亿美元）、Almirall（高达6.5亿美元）等全球大型药企达成重要合作。 Absci的核心是其集成药物创造平台（Integrated Drug Creation™ Platform），该平台结合专有的合成生物学数据引擎和前沿的生成式AI模型： （1）Origin-1生成式AI模型：这是Absci于2026年初发布的突破性AI平台，专门用于针对“零先验”表位（即没有任何已知抗体或蛋白质结合物复合体结构的靶点）进行全长单克隆抗体的从头设计。该架构包含两个核心引擎：AbsciGen（生成引擎）：采用全原子扩散模型（all-atom diffusion model），根据未结合的抗原结构、抗体框架和用户定义的表位，生成抗体-抗原复合物并设计全新的结合模式。AbsciBind（评分引擎）：在实验表征之前对AI生成的抗体候选物进行评分和过滤，确保其可开发性。 （2）闭环实验室机制：这是Absci区别于纯计算AI公司的核心竞争壁垒。平台每周可筛选数十亿个细胞，通过湿实验室对AI生成的数百万个设计进行快速验证。验证产生的高质量结合力、亲和力和可制造性数据会持续反馈给AI模型进行训练。这种“数据训练 -> AI创造 -> 湿实验验证”的迭代周期最短仅需6周，最快可在14个月内完成从靶向到候选药物的开发。 2.2.2.BigHat Biosciences：整合高速自动化湿实验室与机器学习，开发下一代抗体疗法 BigHat Biosciences是一家临床前阶段AI驱动生物技术公司，核心定位是将高速自动化湿实验室与机器学习深度整合，以设计和开发下一代抗体疗法（ADC和TCE）。 核心平台为Milliner™，是一个全栈式抗体发现和工程平台。Milliner™将基于合成生物学的高速自动化湿实验室与先进的机器学习技术深度整合，通过连续的“设计-构建-测试”循环来迭代优化抗体。传统实验室需要数周到数月才能生成蛋白质变体，而Milliner™将数据获取周期缩短至几天。AI模型利用主动学习和贝叶斯优化等方法，在蛋白质序列的多参数搜索空间中进行优化。其自动化实验室每周能够设计、合成和表征数百种抗体，产能从A轮时的32个/周扩展到B轮时的800个/周。此外，公司还开发了RADS，每周训练并评测数千个模型，选择最佳模型生成下一轮候选。2026年1月，公司与礼来（Lilly）达成合作，通过Lilly TuneLab推进基于机器学习的生物制剂发现。 核心管线BHB810是一款针对胃肠道癌症的下一代抗体偶联药物，结合了Lonza/Synaffix的连接子-有效载荷技术，设计目标是优化“内化”能力。目前处于IND支持阶段，计划于2026年正式进入临床试验。核心管线BHB299是一款针对实体瘤的T细胞接合器，设计目标是优化“亲合力”，同样处于IND支持阶段，计划于2026年提交IND。后续若向更多肿瘤适应症拓展，有望打开更大市场空间。 公司另有I&I TCE（炎症与免疫学）、AND-gated TCE和NOT-gated TCE等早期管线，均处于发现/先导化合物优化阶段。BigHat已累计获得约1.48亿美元融资（种子轮530万美元、A轮1900万美元、B轮7500万美元），并与默沙东、艾伯维、强生、安进、BMS等多家大型跨国药企达成合作。 图 62：BigHat Biosciences的管线 数据来源：BigHat官网、东北证券 BigHat的核心技术壁垒是其自主研发的Milliner™平台。该平台将基于合成生物学的高速自动化湿实验室与先进的机器学习技术深度整合，形成了一个全栈式的抗体发现和工程平台。 （1）核心机制：平台通过连续的“设计-构建-测试”循环来迭代优化抗体。传统实验室工作流程需要数周到数月才能生成蛋白质变体并表征其行为，而Milliner™平台将这一数据获取周期缩短至几天。 （2）机器学习应用：AI模型能够整合长期积累的实验数据，在蛋白质序列的多参数搜索空间中进行优化。平台利用主动学习和贝叶斯优化等方法，指导实验设计，而非盲目筛选。 （3）湿实验室能力：其自动化实验室每周能够设计、合成和表征数百种抗体，从而快速验证AI模型的预测准确性，解决抗体亲和力、稳定性、溶解度以及功能性等成药性难题。 2.2.3.A-Alpha Bio：结合合成生物学与机器学习大规模测量、预测和改造蛋白质相互作用 Alpha Bio是一家临床前阶段AI驱动生物技术公司，核心定位是结合合成生物学与机器学习技术，大规模测量、预测和改造蛋白质-蛋白质相互作用，加速药物发现与开发。 技术底座由“干湿结合”的两大核心平台组成。AlphaSeq是基于酵母细胞工程的合成生物学高通量实验平台，采用“库对库”方法，将表达不同蛋白质变体的酵母细胞混合，当两种蛋白质发生相互作用时酵母细胞会融合，随后通过基因测序技术定量测量数百万个蛋白质-蛋白质结合亲和力。AlphaBind是基于AlphaSeq生成的全球最大规模高质量PPI数据库训练的计算模型，利用蛋白质语言模型嵌入，能够直接从蛋白质序列预测其结合强度，不仅能进行从头设计，还能对候选抗体或分子胶进行亲和力优化，并通过AlphaSeq进行快速的实验验证和模型迭代。 核心管线聚焦于分子胶与靶向蛋白降解以及生物制剂与抗体发现两大领域。在分子胶领域，利用AlphaSeq平台发现E3泛素连接酶与致病靶蛋白之间的微弱相互作用，与百时美施贵宝（BMS）合作表征新型E3连接酶和靶点对，与安进（Amgen）扩大合作推进分子胶降解剂的合理设计。在生物制剂领域，专注于免疫细胞因子和肿瘤学领域的抗体优化，与吉利德科学（Gilead Sciences）合作推进下一代HIV治疗方案，与诺和诺德（Novo Nordisk）合作优化多种治疗支架并支持从头蛋白质设计。目前所有管线均处于临床前阶段。 公司另有与Tamarind Bio的合作，将AlphaSeq平台整合至其工作流中，为AI设计的抗体提供大规模实验验证。A-Alpha Bio累计融资超过5100万美元（种子轮280万美元、A轮2000万美元、A2轮2240万美元），并获得比尔及梅琳达·盖茨基金会、NSF等机构的数百万美元非稀释性赠款支持。 2.3.4.Nabla Bio：将生成式AI与高通量湿实验室深度融合，实现原子级精度抗体药物从头设计 Nabla Bio是一家临床前阶段AI原生生物技术公司，核心定位是将生成式人工智能与高通量湿实验室技术深度融合，实现原子级精度的蛋白质和抗体药物从头设计。 技术平台核心AI引擎为JAM与JAM-2。JAM是Nabla专有的多模态生成建模系统，基于海量蛋白质序列和结构数据训练，并结合了Nabla内部生成的人类相关生物学测量数据。JAM-2是最新迭代的通用从头蛋白质设计系统，能够获取部分的分子上下文（如特定的疾病靶点或表位），并“自动补全”剩余的抗体结构。JAM-2在无需进一步优化的前提下，能够直接从计算机生成具有药物级亲和力（皮摩尔或个位数纳摩尔级别）和高可开发性的VHH-Fc和全长单克隆抗体。平台采用“低N监督”方法，仅需少量（如24个）经过功能测定的突变序列，即可构建准确的虚拟适应度景观，在硅基环境中筛选上千万个序列。JAM平台可以在设计之初预先指定结合表位，系统性地探索表位生物学，设计出能够同时结合多个疾病通路的复杂多特异性抗体。 核心管线采用合作开发模式，主要聚焦于传统方法难以成药的多次跨膜蛋白，包括G蛋白偶联受体、离子通道和转运蛋白。利用JAM-2平台，Nabla Bio已成功生成了直接针对天然细胞环境中的GPCR靶点的抗体结合物，成功率分别达到11.7%和3.8%，且最高设计的亲和力达到了单纳摩尔级别（如针对CXCR4的KD值为1.4 nM）。根据2025年与武田的合作规划，Nabla预计其AI设计的化合物将在两年内（即2027年左右）进入首次人体临床试验。 公司另有与阿斯利康、百时美施贵宝的合作管线。Nabla Bio累计股权融资3700万美元（种子轮1100万美元、A轮2600万美元），并与阿斯利康、BMS和武田达成总价值超过5亿美元的合作协议；2025年10月与武田达成新的多年度重大AI合作，仅首付款和早期研究资金就达数千万美元，潜在里程碑付款超过10亿美元。 Nabla Bio的核心竞争力在于将AI生成模型与高通量湿实验深度整合的闭环系统。 （1）核心AI引擎 – JAM（Joint Atomic Model）与JAM-2：JAM是Nabla专有的多模态生成建模系统，基于海量蛋白质序列和结构数据训练，并结合了Nabla内部生成的人类相关生物学测量数据。最新迭代的JAM-2是一个通用的从头蛋白质设计系统。它能够获取部分的分子上下文（如特定的疾病靶点或表位），并“自动补全”剩余的抗体结构。JAM-2在无需进一步优化的前提下，能够直接从计算机生成具有药物级亲和力（皮摩尔或个位数纳摩尔级别）和高可开发性的VHH-Fc和全长单克隆抗体（mAbs）。 （2）高通量湿实验验证：平台不仅依赖“干实验”，还拥有高通量多重细胞分析能力。平台能够直接在天然细胞环境中评估抗体的结合力、可开发性、细胞功能和体内表现。这种“低N监督”方法使得模型仅需少量（如24个）经过功能测定的突变序列，即可构建准确的虚拟适应度景观，从而在硅基环境中筛选上千万个序列。 （3）精确表位靶向：与传统的免疫或噬菌体展示技术不同，JAM平台可以在设计之初预先指定结合表位，从而系统性地探索表位生物学，设计出能够同时结合多个疾病通路的复杂多特异性抗体，有效降低了多特异性抗体常见的错折叠或聚集风险。 2.2.5.Diagonal Therapeutics：开发疾病修饰性聚集抗体，通过纠正失调受体信号传导治疗遗传性疾病 Diagonal Therapeutics是一家临床前阶段AI驱动生物技术公司，核心定位是开发疾病修饰性聚集抗体，通过纠正严重遗传性疾病中失调的受体信号传导来从根源上治疗疾病。 核心平台为DIAGONAL Product Engine，旨在解决激动剂抗体和聚集抗体开发中长期存在的挑战。大多数获批的抗体药物是阻断或抑制细胞信号传导的，而Diagonal的抗体旨在通过结合两个或多个受体并迫使它们形成特定的构象，从而激活或抑制下游信号传导，修复因基因突变而受损的受体功能。平台工作流程包含以下核心步骤：针对每个靶点受体复合物生成包含约200,000个不同抗体序列的免疫组库，覆盖受体上所有可能的结合位点；利用专有的计算方法预测抗体的三维形状，并对其进行聚类分析；根据抗体与靶点受体的互补性进行分类；基于可能的分箱组合生成抗体，并优化其分子序列特征；结合实验技术，以极高的速度在数十亿种组合中筛选出能够诱导正确细胞信号传导的聚集抗体，随后在体外和体内疾病模型中进行验证。由于公司构建的是多特异性抗体，潜在的组合数量超过100亿种。 核心管线DIAG723是一种首创的、具有疾病修饰潜力的双特异性聚集抗体，专门设计用于结合并激活内皮细胞中的ALK1受体，恢复因基因突变导致的ALK1信号传导功能障碍。在遗传性出血性毛细血管扩张症适应症中，DIAG723在临床前模型中不仅预防了动静脉畸形的形成，还成功逆转了已有的病理改变和贫血症状，该适应症将于2026年上半年进入首次人体临床试验，并已获得FDA和EMA授予的罕见药资格。在肺动脉高压适应症中，DIAG723也正作为潜在根治性疗法进行临床前推进。后续若向其他ALK1信号通路相关疾病拓展，有望打开更大市场空间。 公司另有多个早期管线，其多特异性聚集抗体技术正被应用于多个不同的受体类别，涵盖肿瘤学、自身免疫性疾病以及其他罕见遗传病的发现和临床前研究阶段。Diagonal Therapeutics累计融资2.53亿美元（A轮1.28亿美元、B轮1.25亿美元），B轮由Sanofi Ventures和Janus Henderson Investors共同领投。 核心技术平台：DIAGONAL Product Engine（DIAGONAL产品引擎）。该平台旨在解决激动剂抗体和聚集抗体开发中长期存在的挑战。大多数获批的抗体药物是阻断或抑制细胞信号传导的，而Diagonal的抗体旨在通过结合两个或多个受体并迫使它们形成特定的构象，从而激活或抑制下游信号传导，修复因基因突变而受损的受体功能。平台的工作流程模型包含以下核心步骤： （1）深度免疫组库生成：针对每个靶点受体复合物，平台能够生成包含约200000个不同抗体序列的免疫组库，覆盖受体上所有可能的结合位点。由于公司构建的是多特异性抗体，潜在的组合数量超过100亿种。 （2）计算与形状聚类：利用专有的计算方法预测抗体的三维形状，并对其进行聚类分析。 （3）互补性分箱：根据抗体与靶点受体的互补性进行分类。 （4）组合与优化：基于可能的分箱组合生成抗体，并优化其分子序列特征。 （5）高保真筛选与表征：结合实验技术，以极高的速度在数十亿种组合中筛选出能够诱导正确细胞信号传导的聚集抗体，随后在体外和体内疾病模型中进行验证。 2.2.6.Noetik：利用自监督机器学习和海量人类空间多组学数据构建肿瘤免疫基础模型 Noetik是一家临床前阶段AI原生生物技术公司，核心定位是利用自监督机器学习和海量人类高通量空间多组学数据，构建肿瘤生物学基础模型，以发现并开发新一代精准肿瘤免疫疗法。 核心平台由三大技术支柱构成。OCTO基础模型是Noetik构建的癌症生物学多模态世界模型。其首个公开发布的模型版本OCTO-VC是一个基于数据驱动的肿瘤微环境统计模型，通过对空间转录组学和蛋白质组学数据进行自监督学习训练而成，能够模拟真实患者体内细胞状态及细胞间的复杂相互作用。 Perturb-map是高通量体内CRISPR功能基因组学平台，允许在单次实验中对数百个经过基因修饰的肿瘤克隆进行汇集并行分析，能够在保留空间背景的情况下直接在组织中解析基因扰动的影响，为AI模型提供真实的因果关系训练数据。 Noetik还构建了已知全球最大的肿瘤空间组学图谱之一，包含超过1000个肿瘤样本和数亿个细胞的数据，数据模态包括高密度空间DNA/RNA数据、空间蛋白质组学、组织学图像以及临床注释。 核心应用方向聚焦于全新靶点发现和临床响应预测与生物标志物。由于OCTO模型已经“见过”数以百万计处于不同空间生态位和环境中的细胞，它能够模拟肿瘤内的扰动，模仿现有药物、联合疗法或假设化合物的作用机制，以无偏见的方式搜索癌症治疗空间，直接发现数百个传统方法难以发现的新肿瘤靶点。在生物标志物方面，Noetik的模型能够极其精确地识别潜在响应者、响应者内的亚组以及每个人获益的可能性——这一能力已在2025年6月与Agenus的合作中得到验证，Noetik正利用该平台为Agenus的BOT/BAL联合疗法开发预测性生物标志物。目前，OCTO-VC模型在非小细胞肺癌和结直肠癌领域展现出极高的成熟度。 公司另有与Bruker Spatial Biology的合作，扩大基础模型开发。Noetik累计融资5400万美元（种子轮1400万美元、A轮4000万美元）。2026年1月与GSK达成价值5000万美元的AI基础模型授权合作，标志着行业从传统的AI服务外包向AI基础设施授权模式的重大范式转变。 Noetik的核心壁垒在于其专有的技术平台，该平台通过生成海量高质量的人类肿瘤空间数据来训练AI基础模型，从而指导后续的管线开发。 3.核酸药物 3.1.核酸药物研发的传统痛点 核酸药物主要包括ASO、siRNA、mRNA、适配体和部分环状RNA等类型。这类药物能够通过RNA降解、剪接调控、翻译调控或蛋白表达补充等方式干预遗传信息传递过程，具有较强可编程性。但其成药仍面临多重挑战。 第一，体内稳定性不足。天然RNA或DNA容易被核酸酶降解，mRNA还可能发生骨架水解，导致体内暴露不足和药效持续时间有限。因此，核酸药物通常需要化学修饰、序列优化或递送系统保护。 第二，递送是关键瓶颈。核酸分子分子量大、带负电、亲水性强，难以自行进入细胞并到达胞质或细胞核。递送系统不仅要保护核酸不被降解，还要实现组织富集、细胞摄取、内涵体逃逸和胞内释放。 第三，脱靶、免疫刺激和毒性风险需要严格控制。ASO和siRNA可能因部分序列互补产生非目标RNA沉默；未充分修饰的RNA也可能激活先天免疫通路，引发干扰素反应或炎症反应。 第四，序列设计是高维优化问题。以mRNA为例，5’UTR、编码区、3’UTR、poly(A)尾、密码子选择、GC含量、二级结构和核苷修饰都会影响稳定性、翻译效率和免疫刺激。传统经验规则难以覆盖完整设计空间。 第五，递送载体筛选成本高。LNP等递送系统涉及离子化脂质、胆固醇、辅助脂质、PEG脂质、粒径、pKa和包封率等多个参数，传统开发高度依赖经验筛选和动物实验。 3.2.AI在核酸药物研发中的应用价值 总体来看，AI在核酸药物中的作用，是提高序列和递送系统设计的效率，降低纯经验筛选带来的时间和成本压力。但核酸药物的最终开发仍取决于体内递送、组织分布、药效持续性、安全性和可制造性。 核酸药物中的计算方法主要服务于三个环节：结构预测、序列设计和递送系统开发。 核酸结构预测：深度学习已被用于RNA二级和三级结构预测。SPOT-RNA可用于RNA二级结构预测，并能处理部分假结和非经典相互作用；trRosettaRNA使用Transformer网络预测RNA三维结构；RoseTTAFoldNA进一步用于蛋白—核酸复合物建模。这些工具有助于理解RNA功能、适配体识别、蛋白—核酸相互作用和核酸药物结合机制。 核酸序列设计：对ASO和siRNA而言，模型可用于综合评估靶RNA可及性、GC含量、热力学不对称性、脱靶风险、化学修饰和免疫刺激风险。对mRNA而言，模型可用于优化UTR、编码序列、二级结构和翻译效率。Sample等研究利用大规模5’UTR翻译实验数据建立模型，预测并设计影响翻译效率的UTR序列；LinearDesign则通过联合优化密码子选择和mRNA结构，提高mRNA稳定性和蛋白表达水平。 递送系统开发：机器学习也被用于LNP和离子化脂质设计。相关研究将机器学习与组合化学、高通量合成和实验筛选结合，从大规模虚拟脂质空间中优先选择更可能提高mRNA递送效率的候选物。AGILE平台也展示了用深度学习和高通量脂质合成加速LNP开发的思路。 3.2.1.CAMP4 Therapeutics (NASDAQ: CAMP)：开发靶向调控RNA的反义寡核苷酸疗法，通过精准上调基因治疗单倍体不足 CAMP4 Therapeutics是一家临床阶段生物技术公司（路径辅助型），核心定位是开发首创的靶向调控RNA的反义寡核苷酸疗法，通过精准上调基因表达并恢复健康的蛋白质水平，治疗广泛的单倍体不足及其他遗传性疾病。 技术平台核心为RAP Platform®。科学机制上，人类基因组中只有极少部分编码蛋白质，CAMP4专注于基因组的“暗物质”——调控RNA（regRNA）。RAP平台系统性地绘制控制蛋白质编码基因表达的活跃regRNA图谱，识别可通过ASO调控的靶点。AI在平台中处于辅助角色，用于分析基因组调控网络与识别可调控靶点，ASO设计以化学修饰与药理学优化为核心。技术差异化在于从调控RNA层面而非直接靶向蛋白编码基因来恢复基因表达。 核心管线为CMP-001（靶向regRNA的ASO疗法），针对单倍体不足遗传病适应症，通过上调目标基因表达恢复蛋白质水平。目前处于临床I期，已完成首例患者给药。后续若向神经退行性疾病和代谢性疾病拓展，有望打开更大市场空间。 公司另有与GSK的合作，获得合作预付款及里程碑收入。2025年全年营收350万美元（较2024年65.2万美元大幅增长），2025年全年净亏损约4500万美元。CEO Josh Mandel-Brehm曾在Biogen业务开发团队担任领导职务，在罕见病领域具有丰富经验。 核心技术平台为RAP Platform®： （1）科学机制：人类基因组中只有极少部分编码蛋白质，而CAMP4专注于基因组的“暗物质”——调控RNA（regRNA）。RAP平台能够系统性地绘制控制蛋白质编码基因表达的活跃regRNA图谱。这些regRNA充当基因表达的“主调节器”，在局部作用于转录因子。 （2）治疗逻辑：该平台通过设计特异性的反义寡核苷酸（ASO）药物，精准靶向并结合这些regRNA。这种结合可以改变局部转录因子的活性，从而实现对目标mRNA及蛋白质表达的“可调控、持久且特异性”的上调。该技术主要针对单倍体不足和隐性部分功能丧失的遗传病（已知有超过1200种此类疾病），在这些疾病中，适度增加健康蛋白质的表达即可产生具有临床意义的疗效。 3.2.2.Atomic AI：融合机器学习和结构生物学，以RNA基础模型驱动下一代RNA药物发现 Atomic AI是一家临床前阶段AI驱动生物技术公司，核心定位是将前沿机器学习与结构生物学深度融合，以推动下一代RNA药物发现。 技术平台核心为ATOM-1™基础模型与PARSE引擎。ATOM-1是业内首个RNA基础模型/大语言模型，基于十亿级化学图谱数据训练，涵盖数百万RNA序列和十亿+核苷酸测量，可预测RNA二级/三级结构，优化mRNA疫苗稳定性、siRNA活性与毒性等关键属性。PARSE是AI驱动的3D RNA结构发现引擎，CEO Raphael Townshend其RNA结构预测研究成果发表于Science杂志。技术差异化在于将几何深度学习应用于生物分子结构预测，解决传统冷冻电镜获取高分辨率RNA结构耗时困难的痛点。 核心管线聚焦于RNA靶向小分子和RNA编辑疗法，针对肿瘤和遗传性疾病靶点。目前处于临床前阶段，基于ATOM-1模型设计的候选分子正在通过PARSE引擎进行结构验证与优化。后续若向神经退行性疾病和罕见病拓展，有望打开更大市场空间。 公司另有与大型药企的合作洽谈。累计融资1.15亿美元，2022年种子轮700万美元，2024年A轮3500万美元由Playground Global领投，2025年B轮由Radical Ventures等追加投资。CEO Raphael Townshend曾在DeepMind AlphaFold团队和Google担任研究科学家。 3.2.3.Inceptive：构建端到端生命基础模型，将RNA视为可编程序列进行AI设计 Inceptive是一家临床前阶段AI驱动生物技术公司，核心定位是构建端到端的生命基础模型，将RNA视为可编程序列进行AI设计。 技术平台核心为生物软件体系，包含两大引擎：一是序列到结构模型，基于Transformer架构，通过专利RNA编译器实现RNA序列的零样本从头设计，将传统药物研发时间从数年缩短至数月；二是干湿实验闭环，内部高通量湿实验室以前所未有的规模生成实验数据，在体外和体内高频验证AI设计分子，实现硅基与碳基的迭代循环。平台覆盖mRNA、siRNA、ASOs和多肽等序列决定功能的药物，已与Alnylam合作siRNA设计，累计推进310+项目从临床前到临床阶段。 核心管线为传染病mRNA疫苗（与大型欧洲药企合作），目前处于临床前阶段，预计2026年进入GLP毒理学研究阶段（GLP tox）。该管线基于AI设计的独特mRNA分子，通过合作方推进临床开发。后续若向肿瘤疫苗和个性化肿瘤疫苗拓展，有望打开更大市场空间。 公司另有与辉瑞（Pfizer）2000万美元AI驱动研发合作、与诺华（Novartis）1500万美元合作洽谈。累计融资1.2亿美元，2023年A轮由NVIDIA旗下NVentures和a16z领投，估值超3亿美元。 Inceptive的核心技术被称为“生物软件”，旨在构建端到端的生命基础模型，专门针对mRNA、siRNA、ASOs和多肽等序列决定功能的药物进行设计。其平台具有以下两大核心壁垒： （1）序列到结构模型：平台利用类似于大型语言模型的深度学习架构，将AI应用于生物学。通过其申请专利的“RNA编译器”，模型可以直接从生命的多样化观察中学习，像编写计算机代码一样设计并微调RNA序列，从而将传统药物研发的时间从数年缩短至数月。 （2）干湿实验闭环：Inceptive的平台不仅依赖多尺度的异构数据（包括公共数据集和合作伙伴数据）进行训练，还拥有内部的高通量湿实验室。当计算模型面临训练数据不足时，湿实验室会以前所未有的规模生成实验数据，并在体外和体内高频验证AI设计的分子。这种硅基与碳基（生物实验）的迭代循环，大幅降低了从设计到候选药物的试错成本。 3.2.4.Strand Therapeutics：合成生物学与mRNA技术深度融合，开发可编程长效精准mRNA基因疗法 Strand Therapeutics是一家临床阶段AI驱动生物技术公司，核心定位是将合成生物学与mRNA技术深度融合，开发可编程的、长效的精准mRNA基因疗法。 技术平台核心为下一代mRNA形式与基因编程逻辑电路的结合。合成生物学层面，将逻辑电路嵌入mRNA序列，通过miRNA传感器实现细胞类型选择性表达，仅在有特定miRNA标志物的细胞中激活治疗载荷；响应小分子药物的基因开关实现外部剂量控制，形成生物计算在mRNA层面的工程化实现。AI层面，生成式AI优化mRNA序列的稳定性、翻译效率和免疫原性，与合成生物学逻辑电路协同设计。平台覆盖自扩增mRNA和环状RNA等下一代mRNA形式。 核心管线为STX-001（可编程mRNA疗法），针对肿瘤适应症，通过miRNA传感器实现肿瘤细胞选择性杀伤。目前处于临床前/IND阶段，正在推进IND申报。后续若向自身免疫性疾病和遗传性疾病拓展，有望打开更大市场空间。 公司另有与大型药企的合作洽谈。累计融资超2.5亿美元（约2.56亿美元），2025年完成1.53亿美元融资。联合创始人Jake Becraft拥有MIT生物工程和合成生物学博士学位，是首个mRNA编程语言的联合创造者，担任MassBio董事。 Strand Therapeutics的专有平台将下一代mRNA形式（如自扩增mRNA/Replicon和环状RNA）与基因编程的逻辑电路相结合，以解决传统mRNA疗法脱靶毒性和表达时间短的痛点。 （1）逻辑控制表达：依托自研机器学习预测系统，平台搭建覆盖人体细胞miRNA 表达特征的专属数据库，在广阔RNA序列空间内自动设计嵌入布尔逻辑基因回路的mRNA、自复制mRNA与EverScript环状RNA。 （2）小分子开关控制：模型可根据不同组织、肿瘤细胞独特的miRNA 特征，设计搭载SignalLock感应调控元件的核酸载体，实现治疗蛋白表达的智能开关控制；精准设定目标蛋白表达位置、启动时机、持续时长与表达强度，仅在目标病变细胞内激活药效，健康细胞中自动静默，从源头降低系统性毒副作用。 （3）递送系统：将湿实验产出的功能数据持续回流机器学习模型，持续优化四大核心指标预测精度：细胞环境识别特异性、RNA 体内稳定性、蛋白长效表达能力、免疫刺激风险。通过多轮干湿闭环迭代，不断优化基因回路排布、UTR 调控元件、复制子骨架组合，减少试错周期。 3.2.5.ADARx Pharmaceuticals：利用专有RNA靶向平台开发遗传性疾病和CNS疾病下一代RNA疗法 ADARx Pharmaceuticals是一家临床阶段生物技术公司（路径辅助型），核心定位是利用专有RNA靶向平台（包括RNA抑制、降解和编辑技术）及靶向递送系统，开发治疗遗传性疾病、心血管代谢疾病、补体介导疾病及中枢神经系统疾病的下一代RNA疗法。 技术平台核心为MST™和EDT™两大技术体系。MST通过化学修饰的反义寡核苷酸实现mRNA沉默，EDT实现RNA编辑和降解。递送系统包括靶向肝脏、肌肉和中枢神经系统的专有递送技术。AI在平台中处于辅助角色，应用于序列设计与脱靶风险评估，核心壁垒在于RNA化学修饰与靶向递送技术而非AI原生设计。 核心管线为ADX-201（靶向补体C5的ASO疗法），针对补体介导的疾病适应症，通过抑制C5mRNA表达阻断补体级联反应。目前处于临床I期，已完成健康志愿者给药。后续若向心血管代谢疾病和中枢神经系统疾病拓展，有望打开更大市场空间。 公司另有与大型药企的合作洽谈。累计融资3.53亿美元，2020年完成A轮及种子轮融资。CEO Zhen Li拥有哈佛大学化学与化学生物学博士学位，联合创始人团队在RNA疗法领域具有深厚背景。 3.2.6.Kernal Biologics：通过mRNA 2.0平台实现体内细胞重编程，开发癌症与自身免疫精准疗法 Kernal Biologics是一家临床前阶段AI驱动生物技术公司，核心定位是通过mRNA 2.0平台实现体内细胞重编程，开发针对癌症和自身免疫性疾病的精准疗法。 技术平台核心为mRNA 2.0双重制衡系统，结合AI驱动的靶向脂质纳米颗粒与细胞特异性翻译技术。AI层面，Transformer大语言模型分析不同细胞类型和疾病状态下的转录组与翻译组数据，挖掘决定mRNA稳定性和翻译效率的序列特征，实现AI优化的mRNA序列设计。递送层面，tLNP靶向递送系统实现细胞类型特异性递送，细胞特异性翻译技术确保mRNA仅在目标细胞中翻译，形成"双重制衡"机制，解决传统mRNA疗法在肿瘤治疗中的脱靶毒性难题。 核心管线为KR-001（mRNA肿瘤免疫疗法），针对实体瘤适应症，通过tLNP递送编码免疫激活因子的mRNA，在肿瘤微环境中直接重编程免疫细胞。目前处于临床前阶段，正在推进IND-enabling研究。后续若向自身免疫性疾病和体内CAR-T拓展，有望打开更大市场空间。 公司另有ARPA-H提供的4800万美元政府非稀释性资助。累计融资超8300万美元（含股权融资与政府资助），2023年完成2500万美元A轮融资。联合创始人Yusuf Erkul拥有MIT生物学学士和医学博士学位，曾在默沙东担任研发职务。 Kernal的mRNA 2.0平台旨在解决传统mRNA疗法在肿瘤和细胞治疗中面临的脱靶毒性与递送难题。该平台通过“双重制衡”机制实现极高的精准度： （1）靶向脂质纳米颗粒：传统的LNP通常会在肝脏中富集，而Kernal开发了专用的tLNPs，能够实现肝外靶向递送。这些tLNPs被设计为专门寻找并被体循环中的特定细胞（如静息T细胞）吸收，从而实现组织和细胞层面的精准递送。 （2）AI驱动的选择性翻译：这是该平台的核心壁垒。公司构建了一个包含基于Transformer架构的大语言模型的机器学习平台。该AI模型通过分析不同细胞类型和疾病状态下的转录组学和翻译组学数据集，挖掘出决定mRNA稳定性和翻译效率的独特序列特征与基序。通过将这些特征编入合成的mRNA序列中，Kernal能够确保该mRNA仅在目标细胞（如肿瘤微环境中的恶性细胞或特定的T细胞）内被翻译成治疗性蛋白质。即使tLNP错误地进入了健康细胞，由于缺乏特定的翻译环境，mRNA也不会被激活，从而极大拓宽了治疗窗口并降低了系统性毒性。 3.2.7.Therna Biosciences：将RNA生物学与生成式AI基础模型结合，开发可编程RNA靶向疗法 Therna Biosciences是一家临床前阶段AI驱动生物技术公司，核心定位是将RNA生物学与生成式AI基础模型结合，通过在环实验室平台开发可编程的RNA靶向疗法。 技术平台核心为生物学引导的生成式AI平台，采用在环实验室闭环迭代流程。生成式AI基础模型设计RNA序列，高通量湿实验快速验证RNA稳定性、翻译效率与脱靶风险，实验数据持续反馈模型迭代优化。技术差异化在于将RNA生物学先验知识嵌入AI模型，而非纯数据驱动，确保设计的RNA分子在生物系统中具有可预测的功能表现。平台覆盖mRNA疫苗、ASO和siRNA等多种RNA药物形式。 核心管线为可编程RNA靶向疗法，针对肿瘤和遗传性疾病靶点。目前处于临床前阶段，基于AI设计的候选RNA分子正在通过实验室在环平台进行验证和优化。后续若向神经退行性疾病和心血管代谢疾病拓展，有望打开更大市场空间。 公司另有与AI投资基金的合作。2025年8月完成1000万美元种子轮融资，由AIX Ventures领投。联合创始人Nazli Azimi在药物开发和临床战略方面拥有深厚专业知识，Hani Goodarzi在RNA生物学领域具有学术背景。 Therna Biosciences 的核心技术壁垒为RNA-Logix 生物学引导生成式 AI 平台，平台实现自研RNA专属生成大模型与高通量核酸湿实验深度绑定，构建标准化 实验室在环闭环研发体系，从底层改写mRNA、ASO、siRNA等可编程核酸分子的设计开发范式，区别于仅依靠通用大模型、缺乏 RNA 专属生物学约束的行业通用 AI 工具。平台三层闭环完整运行逻辑： （1）AI 生成层：全域 RNA 序列智能探索 平台搭载行业规模领先的 RNA 专用生成基础模型，基于 RNA 转录、翻译、免疫调控、组织靶向等底层生物学规则完成训练，可在海量核酸序列空间定向搜索、从头设计定制化 RNA 分子。模型能够根据研发需求精准输出三类可编程核酸序列：上调基因表达的 mRNA、沉默致病基因的 siRNA、精准剪接调控的 ASO，实现基因激活、抑制、精细表达调控多元设计目标，突破传统人工序列设计迭代慢、优化维度单一的短板。 （2）高通量湿实验验证层：快速产出真实生物学数据 配套专属 RNA 体外高通量测试管线，可批量完成候选核酸分子的翻译活性、体内稳定性、免疫原性、细胞靶向能力平行检测，快速输出高分辨率功能学原始数据，为 AI 模型提供真实生物学反馈，规避纯计算预测与体内真实作用脱节的痛点；同时平台支持单患者个性化罕见病 RNA 药物定制实验体系，可快速搭建个体化核酸研发方案。 （3）模型持续迭代层：四大核心指标定向优化 将体外、体内实验产出的标准化功能数据回流 RNA 基础模型，持续迭代优化模型预测精度，核心聚焦四大决定核酸药物临床价值关键属性：mRNA 翻译效率、分子体内长效稳定性、宿主免疫逃逸能力、细胞 / 组织特异性靶向表达。每一轮实验数据均可缩小模型预测偏差，大幅减少无效核酸序列合成与测试，压缩多轮优化周期。 3.2.8.Raina Biosciences：通过生成式AI平台GEMORNA加速mRNA药物发现并拓展应用边界 Raina Biosciences是一家临床前阶段AI驱动生物技术公司，核心定位是通过全球首个专为mRNA设计和优化构建的生成式AI平台GEMORNA，加速药物发现并拓展mRNA疗法应用边界。 技术平台核心为GEMORNA生成式AI平台，基于Transformer架构，是全球首个专门为mRNA设计和优化而构建的生成式AI系统。技术差异化在于突破传统仅优化编码区的局限，GEMORNA可生成包含5'UTR、编码区和3'UTR的完整mRNA序列，实现Zero-shot优化。平台通过分析大量mRNA序列-功能数据，学习优化mRNA稳定性、翻译效率和免疫原性的序列特征，为mRNA疫苗和疗法提供端到端设计能力。 核心管线为mRNA肿瘤疫苗和体内CAR-T疗法，针对实体瘤和血液肿瘤适应症。目前处于临床前阶段，基于GEMORNA平台设计的候选mRNA分子正在通过闭环验证系统进行评估。后续若向基因治疗和罕见病拓展，有望打开更大市场空间。 公司采用“内部管线开发+外部合作授权”的双轮驱动模式。累计融资570万美元（天使轮），投资方包括MIT及天使投资人。联合创始人Jicong Cao在RNA生物学和AI领域具有深厚背景。 GEMORNA是全球首个专门为mRNA设计和优化而构建的生成式AI平台。该平台突破了传统mRNA序列优化的局限性，其核心技术特征包括： （1）多维设计空间探索与Zero-shot优化：GEMORNA结合了Transformer架构，不仅能够优化编码序列，更是首个能够生成包含非翻译区的完整mRNA序列的AI模型。它通过整合mRNA特征的潜在表示，在近乎无限的序列设计空间中生成具有极高成功率的全新序列，实现零样本优化，从而大幅缩短临床前研发时间。 （2）闭环实验验证系统：Raina拥有高通量基因合成和实验验证实验室。AI设计出的序列可以直接进入实验室进行快速合成和并行筛选。这种“设计-测试”的闭环不仅提供了真实的实验数据反哺AI模型，还以极高的速度和准确性加速了高活性mRNA疗法的发现。 3.2.9.Creyon Bio：利用AI和机器学习构建寡核苷酸工程引擎，为罕见病开发靶向RNA药物 Creyon Bio是一家临床前/早期临床阶段AI驱动生物技术公司，核心定位是利用AI和机器学习技术构建行业首个寡核苷酸工程引擎，为罕见病和常见病患者按需设计并开发安全有效的靶向RNA寡核苷酸药物。 技术平台核心为AI驱动的寡核苷酸工程引擎。AI层面，结合量子化学原理与机器学习，基于专有体内外数据集训练寡核苷酸安全性与有效性预测模型，实现ASO和siRNA序列与化学修饰的按需设计。干湿实验闭环层面，自动化实验验证组织特异性递送效率，持续优化模型。技术差异化在于将量子化学计算与机器学习结合，预测寡核苷酸的脱靶风险和毒性，而非依赖传统高通量试错筛选。 核心管线为靶向RNA寡核苷酸疗法，针对罕见遗传病和常见慢性病靶点。目前处于临床前阶段，基于AI设计的候选寡核苷酸分子正在通过自动化实验平台进行验证。后续若向神经退行性疾病和心血管代谢疾病拓展，有望打开更大市场空间。 公司另有与礼来的合作，获得1300万美元首付款及潜在里程碑付款。累计股权融资4000万美元。CEO Serge Messerlian拥有超过25年生命科学行业经验，曾任强生旗下Janssen Oncology总裁。 Creyon Bio的核心技术壁垒是其专有的“AI驱动的寡核苷酸工程引擎”。该平台旨在推动传统药物发现从高通量试错筛选向按需工程化设计转变，转而采用“按需工程化设计”的理念。 （1）专有数据构建：平台建立在专用的、经验衍生的庞大数据集之上。Creyon通过在体内（啮齿动物的肝脏、肾脏、心血管系统和神经系统）和体外（人类细胞）测试大量代表不同核苷酸序列和化学修饰的化合物，记录其生物物理特性、毒性和免疫刺激作用。 （2）AI与量子化学原理：利用上述专有数据集训练机器学习算法，并结合量子化学原理，平台能够精准预测新型寡核苷酸药物的安全性、有效性及药理特性。该引擎支持广泛的分子模式设计，包括单链反义寡核苷酸（ASOs）、小干扰RNA（siRNA）、DNA和RNA编辑系统，以及靶向适配体。 （3）组织特异性递送：平台还结合了基于适配体的组织靶向递送技术，确保药物能够精准递送至特定组织（如溶酶体等），从而提高药物在靶点的浓度并降低全身毒性。 4.细胞与基因疗法 4.1.细胞与基因疗法研发的传统痛点 细胞与基因疗法主要包括CAR-T/TCR-T等免疫细胞疗法、干细胞疗法、AAV或慢病毒载体基因治疗，以及基因编辑疗法。与传统药物相比，这类产品的活性成分通常是活细胞、病毒载体或基因编辑系统，因此在设计、生产、质控和长期安全性方面更复杂。 第一，构建体和递送系统设计难度高。AAV载体需要平衡组织嗜性、免疫原性、装载容量、体内分布和生产效率。CAR-T疗法中，scFv、铰链区、跨膜区和共刺激结构域都会影响T细胞活化、扩增、持久性和毒性。 第二，安全性风险高且个体差异明显。CAR-T治疗可能出现细胞因子释放综合征和免疫效应细胞相关神经毒性综合征；基因治疗和基因编辑还需关注插入突变、脱靶编辑、长期表达异常和免疫反应等风险。CAR-T相关CRS和ICANS已成为该领域重点管理的安全性问题。第三，生产制造和质量控制复杂。自体细胞疗法需要经历患者采集、细胞激活、转导、扩增、质控放行和回输等步骤，流程长、批间差异大、成本高，且患者初始细胞质量会直接影响最终产品质量。第四，长期随访要求高。基因疗法和部分细胞疗法可能在体内长期存在或产生长期遗传影响，因此监管机构通常要求开展长期随访，以监测迟发性不良事件和疗效持续性。FDA已发布人用基因治疗产品长期随访指导原则。 4.2.AI在细胞与基因疗法中的应用价值 AI在细胞与基因疗法中的价值更多体现为研发和生产流程支持，主要体现在构建体设计、患者风险预测、制造过程控制和长期安全性监测。 载体和编辑系统设计：机器学习可用于AAV衣壳序列设计，预测包装能力、组织嗜性、表达效率和免疫相关风险，从而提高载体筛选效率。AAV衣壳工程中，机器学习与定向进化结合已成为重要研究方向。 CAR结构和细胞功能优化：模型可用于分析抗原结合结构域、共刺激结构域和受体序列对T细胞活性、持久性和毒性的影响。该类应用仍处于较早阶段，实验验证和临床数据仍是判断产品质量的核心依据。 疗效与安全性预测：机器学习可整合患者基础疾病特征、肿瘤负荷、实验室指标、细胞产品特征、炎症因子和早期治疗反应，用于CAR-T疗效预测、CRS/ICANS风险分层和个体化管理。 制造过程控制：在细胞治疗生产中，过程建模可用于分析培养条件、细胞扩增、表型组成和关键质量属性之间的关系。对于自体细胞疗法，相关模型可辅助判断收获时间、降低批次失败风险，并提高生产流程一致性。 长期安全性监测：自然语言处理和机器学习可用于分析不良事件报告、电子病历、注册登记数据和长期随访数据，帮助识别潜在安全信号。该类应用需要与监管要求、数据质量控制和人工医学判断结合使用。 4.2.1.Metagenomi Therapeutics (NASDAQ: MGX)：利用AI驱动的宏基因组工具包挖掘下一代基因编辑系统，开发治愈性基因疗法 Metagenomi Therapeutics是一家临床前阶段AI驱动生物技术公司，核心定位是利用AI驱动的专有宏基因组学基因编辑工具包，从全球自然环境微生物基因组中挖掘下一代基因编辑系统，开发治愈性基因疗法。 Metagenomi拥有一个由人工智能驱动的专有宏基因组学基因编辑工具包。该平台通过挖掘全球自然环境中的微生物基因组，分析了超过74亿个蛋白质，从而发现并改造出比第一代CRISPR技术更小、更精准、脱靶率更低的下一代基因编辑系统。其技术平台涵盖全谱系的基因编辑能力：超小型核酸酶（Ultra-compact Nucleases，包括紧凑型V型核酸酶，能够通过单一AAV载体实现All-In-One的高效体内递送）；碱基编辑器（Base Editors，在不造成DNA双链断裂的情况下实现单碱基精准替换）；大型基因整合系统（包括RNA介导的整合系统RIGS和CRISPR相关转座酶CAST系统，能够将大型治疗性基因精准定点整合到人类基因组已知安全位点）；以及先导编辑系统（Prime Editing Systems，具备高度灵活的基因片段插入、删除和替换能力）。知识图谱辅助匹配疾病与最优编辑工具。 核心管线MGX-001针对甲型血友病，旨在通过定点基因整合技术恢复凝血第八因子的表达，为成人和儿童甲型血友病患者提供终身、治愈性的保护，防止出血事件和关节损伤。截至2025年底，该管线在非人灵长类动物模型中展示了长达约19个月的持久、治愈水平的FVIII活性，且未发现脱靶编辑。公司已于2025年第四季度与FDA完成pre-IND会议，预计将在2026年第四季度提交IND/CTA申请，并于2027年启动首次人体临床试验。其他管线包括：依托MGX-001已验证的定点基因组整合系统，内部平行开发针对其他分泌蛋白缺陷的管线项目；与Ionis Pharmaceuticals合作推进心血管代谢疾病（高甘油三酯血症、转甲状腺素蛋白淀粉样变性、难治性高血压）；与Affini-T Therapeutics合作开发基于TCR的免疫肿瘤学细胞疗法。（注：PH1项目在Moderna终止合作后权利已收回，ALS早期管线已于2024年8月终止。） 公司2016年由Brian Thomas和Jillian Banfield共同创立，2024年2月在纳斯达克IPO（股票代码：MGX），累计融资超3.5亿美元（含IPO）。截至2025年12月31日，现金及等价物总额1.608亿美元。后续若向更多分泌蛋白缺陷疾病和心血管代谢疾病拓展，有望打开更大市场空间。 Metagenomi搭建AI驱动的专有宏基因组基因编辑发现平台。平台持续从全球多样自然微生物环境挖掘海量遗传资源，依托人工智能完成序列解析、功能预测与高通量筛选，累计分析超过74亿条蛋白序列，从中发现并工程化改造下一代CRISPR编辑系统；相较于第一代Cas9技术，新系统普遍具备体积更小、靶向精准度更高、脱靶风险更低的优势，构建覆盖全类型基因修饰需求的模块化编辑工具箱。平台拥有四大类核心技术体系： （1）超小型可编程核酸酶：自研紧凑型V型CRISPR核酸酶家族，蛋白尺寸显著小于传统 Cas9，整套编辑组件可整合至单一AAV载体，实现All-In-One体内递送，突破载体包装上限约束，拓展中枢神经、肌肉等多种组织的体内编辑场景。 （2）碱基编辑器：依托小型核酸酶骨架开发微型碱基编辑系统，无需诱导DNA双链断裂，直接完成基因组单碱基精准转换，规避双链断裂引发的染色体异常、大片段缺失等基因毒性风险，适配点突变类遗传病治疗。 （3）大型基因定点整合系统：包含RNA介导整合系统与CRISPR相关转座酶两大技术路线，能够将全长治疗性大片段基因精准定点插入人类基因组安全位点（如白蛋白内含子、AAVS1位点），适用于需要全长基因增补的单基因遗传病。公司先导管线MGX-001（血友病 A）即依托该平台实现凝血因子VIII 基因定点插入。 （4）先导编辑系统：具备高度灵活的“搜索 - 替换”编辑能力，可在无双链断裂前提下实现基因片段精准插入、删除与多种碱基替换，覆盖复杂复合型基因突变的修复需求。 4.2.2.Dyno Therapeutics：利用AI和机器学习设计优化AAV载体，解决基因治疗体内递送难题 Dyno Therapeutics是一家临床前阶段AI驱动生物技术公司，核心定位是利用AI和机器学习设计并优化新一代腺相关病毒载体，解决基因治疗中的体内递送难题。 Dyno的核心技术壁垒是其自主研发的AI驱动平台——CapsidMap™。该平台脱胎于哈佛医学院Wyss研究所George Church实验室的早期研究，基于2019年Science论文的序列-功能映射方法论。CapsidMap™通过结合前沿的机器学习算法与体内高通量实验，系统性地绘制AAV衣壳序列与功能之间的关系图谱。平台每月能够生成并评估数以百万计的合成AAV变体，AI模型通过学习数十亿个体内序列-功能测量数据，能够预测并设计出自然界不存在的全新AAV衣壳。这些AI设计的衣壳具备三大优势：精准的组织靶向性、免疫逃逸以及优化的包装与可制造性。此外，公司还开发了LEAP™，进一步提升模型迭代效率。2024年5月，Dyno与NVIDIA达成合作，利用其算力加速生物序列设计与AI模型的迭代。 与传统生物制药公司不同，Dyno采取重平台、轻管线的横向B2B商业模式，内部不自研临床基因治疗药物，而是专注于扮演递送载体供应商的角色，将AI设计的AAV衣壳授权给大型制药公司。核心合作管线覆盖：与Sarepta Therapeutics及安斯泰来（Astellas）合作的肌肉疾病领域（2026年4月安斯泰来正式行使骨骼肌靶向衣壳许可权，Dyno获1500万美元授权费）；与诺华（Novartis）合作的眼科疾病；以及与罗氏（Roche）及Spark Therapeutics合作的CNS及肝脏疾病（罗氏2024年追加超10亿美元合作协议）。 公司另有与多家头部药企的广泛合作网络。2018年由George Church等创立，2020年走出隐匿模式，累计融资超1.09亿美元（A轮1亿美元由a16z领投）。后续若向肺部、心脏和肾脏等更多组织类型拓展，有望打开更大市场空间。 Dyno的核心技术壁垒是其自主研发的AI驱动平台 —— CapsidMap™。传统基因治疗面临的最大瓶颈是野生型AAV载体在靶向性、免疫原性和生产可制造性上的局限。CapsidMap™平台通过结合前沿的机器学习算法与体内高通量实验，系统性地绘制AAV衣壳序列与功能之间的关系图谱。该平台每月能够生成并评估数以百万计的合成AAV变体，AI模型通过学习这些海量的体内数据，能够预测并设计出自然界不存在的全新AAV衣壳。这些经过优化的衣壳具备以下显著优势： （1）精准的组织靶向性：能够高效穿透血脑屏障靶向CNS，或在低剂量下精准靶向骨骼肌、眼部、肝脏等特定器官。 （2）免疫逃逸：规避患者体内预存的中和抗体，提高治疗的安全性和有效性。 （3）优化的包装与可制造性：降低大规模生产的成本并提高基因有效载荷的包装效率。 4.2.3.Shape Therapeutics：融合AI与可编程RNA编辑技术，开发AAV递送的RNA编辑基因疗法 Shape Therapeutics是一家临床前阶段AI驱动生物技术公司，核心定位是融合生成式AI与可编程RNA编辑技术，开发下一代AAV递送的RNA编辑基因疗法。 ShapeTX的竞争壁垒在于其将生成式AI与RNA生物学深度结合，构建了从靶点发现、有效载荷设计到递送和制造的端到端技术平台。核心技术平台包括：RNAfix®（精准RNA编辑平台，利用人体细胞内天然存在的ADAR酶，通过工程化设计的向导RNA在RNA转录本上进行精确的A-to-I碱基替换，不改变底层基因组，极大降低脱靶毒性和免疫原性风险）；DeepREAD（专有的生成式机器学习模型，基于扩散模型，通过数百万个高通量筛选实验数据点训练，能够在几分钟内生成数千个高质量gRNA设计，大幅提高RNAfix的编辑特异性和效率）；AAVid™（组织特异性AAV递送平台，在非人灵长类动物中筛选超过10亿个AAV衣壳，开发的SHP-DB1衣壳具有极强的血脑屏障穿透能力，能深入大脑区域靶向神经元，同时避开肝脏和背根神经节等易产生毒性的区域）；TruStable™（可扩展制造平台，通过构建稳定的人类生产细胞系，显著提高AAV载体的生产产量、质量和批次一致性）。 核心管线SHP-201是一种旨在改变帕金森病疾病进程的基因疗法，利用SHP-DB1衣壳静脉递送RNAfix有效载荷，靶向并编辑编码alpha-synuclein的SNCA转录本。在最新的非人灵长类动物和人类iPSC衍生神经元数据中，SHP-201成功实现了超过95%的SNCA mRNA敲低和超过80%的aSyn蛋白减少，展现出极高的治疗潜力。公司另有内部早期管线SHP-261、SHP-231、SHP-221、SHP-202，涵盖神经系统疾病、内分泌和代谢疾病。 外部合作方面，与罗氏（Roche）达成潜在总价值超30亿美元的战略合作，针对阿尔茨海默症、帕金森病及罕见病；与VectorY Therapeutics合作开发VTx-003（亨廷顿舞蹈症）和VTx-005（阿尔茨海默症）；与大冢制药（Otsuka）合作开发眼科疾病AAV基因疗法。 公司2018年由Prashant Mali实验室背景团队在西雅图创立，累计融资约1.48亿美元（A轮3550万美元由NEA领投，B轮1.12亿美元由德诚资本和Breton Capital领投）。后续若向更多神经退行性疾病和罕见病拓展，有望打开更大市场空间。 4.2.4.Scribe Therapeutics：CRISPR by Design平台从头设计和改造专为人类治疗优化的CRISPR分子 Scribe Therapeutics是一家临床前阶段（向临床阶段过渡中）AI驱动生物技术公司，核心定位是通过"CRISPR by Design™"平台从头设计和改造专为人类治疗优化的CRISPR分子，开发同类最优的体内基因编辑疗法。 Scribe的核心平台CRISPR by Design™的核心理念是不依赖于自然界中发现的、在细菌中进化出的传统CRISPR酶，而是从头设计和改造专为人类治疗用途定制的CRISPR分子。平台基于CasX酶系（XE技术）开发，与传统Cas9相比，CasX分子体积更小、特异性更高、效力更强，能够有效避免传统CRISPR技术常见的脱靶效应和免疫原性问题。此外，公司还开发了表观遗传沉默技术，通过在靶基因上添加甲基基团来沉默基因表达，而不需要对DNA序列进行永久性的切割或改变，提供了一种更温和、更安全的基因调控方式。由于其工程化的CRISPR分子体积微小，能够完美适配并封装于AAV或LNP中，实现高效的体内靶向递送。 核心管线STX-1150是一种针对肝脏靶向的表观遗传沉默疗法，旨在通过表观遗传学机制沉默PCSK9基因，从而持久降低低密度脂蛋白胆固醇水平，用于治疗动脉粥样硬化性心血管疾病。该药物无需永久改变DNA，在非人灵长类模型中已展现出极高的安全性与有效性，预计将于2026年中期正式进入I期临床试验。后续管线STX-1400针对载脂蛋白C-III，主要用于治疗严重的罕见代谢疾病（重度高甘油三酯血症和家族性乳糜微粒血症综合征），临床前小鼠模型数据显示可显著降低相关蛋白和甘油三酯水平。外部合作方面，与渤健（Biogen）合作开发ALS等神经退行性疾病疗法；与礼来（Eli Lilly）合作推进神经和神经肌肉疾病靶点；与赛诺菲（Sanofi）合作开发镰状细胞病及其他基因组疾病体内基因药物（2025年初达成关键里程碑）。 公司2018年由诺贝尔化学奖得主Jennifer Doudna等共同创立，累计融资超1.2亿美元（B轮1亿美元由Avoro Ventures领投）。后续若向心血管代谢疾病的大规模临床验证和更多适应症拓展，有望打开更大市场空间。 Scribe 核心自研平台命名为CRISPR by Design™（工程化定制CRISPR平台）。平台底层核心理念区别于行业主流思路：不局限筛选、改造自然界细菌演化形成的天然CRISPR核酸酶，而是面向人类体内治疗场景，以蛋白工程、机器学习辅助高通量定向进化为手段，从头理性设计与深度改造适配人体给药需求的CRISPR分子工具。 天然CRISPR系统演化目标是保护细菌抵御噬菌体入侵，并非适配人体细胞环境，普遍存在尺寸偏大、脱靶风险高、免疫原性强、体内递送难度大等短板。依托 CRISPR by Design™全栈工程化体系，Scribe围绕编辑效率、靶向特异性、蛋白尺寸、免疫原性、载体兼容性五大治疗核心指标开展定向优化，可根据适应症、给药方式（体内AAV /体外细胞编辑）、作用模式（基因敲除、表观沉默、精准编辑）定制专属 CRISPR 工具。基于该平台迭代出两大核心技术体系： （1）XE（X-Editor）精准基因编辑器：经过深度工程改造的CasX编辑系统，实现 DNA 双链精准切割，适配体内外基因敲除、位点精准修正； （2）ELXR（Epigenetic Long-Term X-Repressor）长效表观沉默系统：催化失活型工程化 CasX，不切断DNA骨架，依靠表观修饰持久抑制致病基因表达，规避双链断裂带来的染色体损伤风险。 整套平台产出的工程化CRISPR工具天然适配 AAV 体内递送，脱靶突变水平显著低于野生型 Cas9；依托平台开发的管线聚焦心血管代谢疾病，多条资产进入临床前开发阶段。 4.2.5.Arbor Biotechnologies：通过AI与宏基因组发现引擎挖掘新型CRISPR核酸酶，开发治愈性基因组药物 Arbor Biotechnologies是一家临床阶段AI驱动生物技术公司，核心定位是通过AI与宏基因组发现引擎，从自然界生物多样性中挖掘新型CRISPR核酸酶，开发具有潜在治愈性的体内和体外基因组药物。 Arbor的核心竞争力在于其独特的发现引擎，通过整合人工智能、基因组测序、基因合成和高通量筛选，从自然界的宏基因组数据库中挖掘全新的CRISPR核酸酶。公司拥有目前业内最广泛的专有基因组编辑器工具箱（包括Cas13d以及多种Type V核酸酶如Cas12m、Cas12f10等），能够覆盖超过90%的人类基因组，使公司能够根据疾病病理学反向推导，为每种疾病选择最理想的基因编辑方法。2026年最新公布的首创紧凑型逆转录编辑器由新型切口酶和新型逆转录酶组成，总长度小于1200个氨基酸，可通过单一AAV载体进行体内递送，解决了目前RT编辑技术因体积过大必须依赖双AAV递送的痛点，极大拓宽了其在CNS及肝外组织中的应用前景。 核心管线ABO-101针对原发性高草酸尿症1型，这是一种罕见的遗传性酶缺乏症。ABO-101采用体内基因编辑技术，旨在敲低肝脏中驱动该疾病的HAO1基因的表达。该管线已在非人灵长类动物中获得概念验证数据，并于2025年利用C轮融资资金正式推进至临床I/II期试验。后续管线ABO-202针对肌萎缩侧索硬化症，利用CRISPR基因编辑技术对STMN2基因进行靶向破坏，以防止其mRNA的异常剪接，从而在人类运动神经元中实现表型逆转，目前处于临床前/IND准备阶段。外部合作方面，与Vertex Pharmaceuticals合作开发体外工程细胞疗法（包括1型糖尿病胰岛细胞和镰状细胞病/β-地中海贫血治疗方案）。 公司2016年由CRISPR先驱张锋（Feng Zhang）等共同创立，累计融资约3.04亿美元（B轮2.15亿美元由淡马锡等领投，C轮7390万美元由TCGX和ARCH领投）。后续若向CNS疾病和更多肝外组织适应症拓展，有望打开更大市场空间。 Arbor的发现引擎通过整合AI、基因组测序、基因合成和高通量筛选，从自然界的宏基因组数据库中挖掘全新的CRISPR核酸酶。 （1）广泛的专有DNA编辑器组合：Arbor 拥有业内规模领先的全自主专利基因组编辑酶组合，涵盖靶向 RNA 的Cas13d以及多款新型V型CRISPR核酸酶（Cas12m、Cas12f10、Cas12i 系列等）。依托多样化效应蛋白、差异化PAM识别序列与切割模式，整套工具可靶向超过 90% 的人类基因组位点。研发团队能够结合疾病发病机制反向推演最优编辑策略，灵活选用不同工具实现多层次基因调控，覆盖从RNA水平基因敲低、基因敲除、片段切除直至精准基因插入等多元编辑需求，突破传统单一CRISPR系统适用场景受限的短板。 （2）首创的紧凑型逆转录编辑器：2026年最新公布的平台技术。平台推出业内突破性小型RT编辑器，由新型切口酶与专属逆转录酶组合构建，整体长度小于 1200 个氨基酸。相较于市面上主流先导编辑系统体积偏大、必须依靠两套独立AAV载体共递送的行业痛点，该紧凑型编辑器可连同向导RNA一并装载进单一AAV载体完成体内递送。这一技术突破大幅降低载体包装与给药复杂度，拓展了中枢神经系统和肝脏以外多种组织的精准基因编辑应用范围，为神经退行性疾病等难以给药的适应症提供全新开发路径。临床前数据证实，该系统可在动物脑内实现稳定、精准的原位基因修正，无明显旁观者突变效应。 4.2.6.Profluent：利用深度生成式AI从头设计并验证新型功能性蛋白与CRISPR基因编辑工具 Profluent是一家临床前阶段AI驱动生物技术公司，核心定位是通过深度生成式AI和大型语言模型将生物学转化为可编程语言，从头设计并验证新型功能性蛋白质和基因编辑工具。 Profluent的核心壁垒在于其底层AI平台及由此衍生的多模态蛋白质管线。平台核心包括：Profluent Protein Atlas（全球最大的蛋白质数据资源库，包含超过1150亿个独特的蛋白质序列，为AI模型提供极其丰富的进化上下文和结构数据）；ProGen2/ProGen3（大蛋白质语言模型，在238,917个Cas9蛋白上训练，能够生成全新的CRISPR-Cas系统）； Protein2PAM（深度学习模型，预测和定制PAM识别序列）；ProseLM（蛋白质结构编码语言模型，结合原子级细节）；以及最新推出的Profluent E-1（前沿AI基础模型，在业内首次证明缩放定律适用于生物学——即随着数据量和算力的增加，AI模型设计蛋白质的能力呈指数级提升）。科学家只需用人类语言输入所需的蛋白质特性，AI即可输出相应的DNA序列配方。 核心管线OpenCRISPR-1是世界上首个完全由AI从头设计的基因编辑系统（包括Cas样蛋白和向导RNA），已被数千家商业机构、学术研究人员和全球大型制药公司使用，证明了AI不仅能优化现有的天然CRISPR支架，还能创造出具有极高活性的全新编辑工具。2025年1月，公司在Nature杂志发表论文详细阐述该成果。其他管线包括：与礼来（Eli Lilly）合作开发的重组酶管线；与Ensoma合作开发的体内HSC碱基编辑器；与Rett综合征研究信托基金（RSRT）合作的Rett综合征定制碱基编辑器；与IDT合作的下一代工业与科研用酶；以及与Corteva Agrisciences合作的农业用蛋白质。 公司2022年由Salesforce AI科学家Ali Madani创立，累计融资1.50亿美元（B轮1.06亿美元由Altimeter Capital和Jeff Bezos旗下Bezos Expeditions共同领投，投后估值接近10亿美元）。 4.2.7.Outpace Bio：利用AI驱动蛋白质设计和合成生物学重新编程免疫细胞，开发实体瘤细胞疗法 Outpace Bio是一家临床阶段AI驱动生物技术公司，核心定位是利用AI驱动的蛋白质设计和合成生物学技术重新编程免疫细胞，开发下一代实体瘤工程化细胞疗法。 Outpace的核心壁垒在于其专有的AI驱动蛋白质设计平台，该平台不局限于寻找新靶点，而是通过设计全新的蛋白质来重新编程T细胞，使其在恶劣的实体瘤微环境中做出正确决策。平台由四大模块化、即插即用的技术组成：OUTSMART™（解决实体瘤分泌错误细胞因子抑制免疫细胞活性的问题，通过受调控的启动子使细胞在肿瘤局部产生特定细胞因子，在不引起全身毒性的情况下招募旁观者免疫细胞）；OUTLAST™（解决免疫细胞耗竭问题，通过降解剂和基因控制赋予T细胞自我调节能力，使其在体内自主休息和重新激活）；OUTSPACER™（优化CAR结构的全人源序列库，最大化CAR-T细胞的功能）；OUTSAFE™/CO-LOCKR™（解决脱靶毒性问题，开发的EGFRopt™安全开关可对西妥昔单抗响应以清除工程化细胞）。 核心管线OPB-101是一种靶向间皮素（Mesothelin, MSLN）的自体CAR-T细胞疗法，主要针对晚期铂耐药的上皮性卵巢癌、输卵管癌或原发性腹膜癌。OPB-101集成了OUTSMART™、OUTLAST™、OUTSPACER™和OUTSAFE™四项核心技术。已获IND批准并于2025年完成首例患者给药。临床前体内模型数据显示，OPB-101在极低剂量（低至5万到25万个细胞）下即可实现实体瘤的完全且持久消除，外周血扩增超过100倍，且表现出对PD-1、TIGIT和CD39等耗竭标志物的抗性，突破了传统CAR-T在实体瘤中无法扩增和易耗竭的瓶颈。后续管线OPB-201是一种靶向PRAME抗原的TCR-T疗法，用于子宫内膜癌和卵巢癌等实体瘤，实现了非细胞因子依赖性的扩增，预计于2025年底至2026年提交IND申请。 公司另有OPB-201等后续管线。Outpace由David Baker实验室背景的Marc Lajoie和Scott Boyken于2021年从Lyell Immunopharma分拆创立，累计融资约2亿美元（B轮1.44亿美元由RA Capital Management领投，2024年8月完成）。后续若向更多实体瘤适应症和通用型细胞疗法拓展，有望打开更大市场空间。 5.跨模态平台公司 5.1.跨模态平台公司的定位 跨模态平台公司是指能够同时覆盖多个药物类型，或在靶点发现、疾病建模、候选物设计、实验验证和临床分层等环节提供通用能力的公司。这类公司的关键价值在于更早回答三个问题： （1）疾病机制是否足够明确； （2）靶点是否具有因果性和可干预性； （3）最适合采用小分子、抗体、RNA、蛋白工程、基因治疗还是细胞疗法。 人类遗传学证据与更高的临床成功概率相关，靶点选择质量仍是决定研发成败的基础变量。跨模态平台公司的第二项价值，是将多组学数据、单细胞数据、扰动实验、结构信息、临床表型和药物化学数据纳入统一分析流程，用于支持靶点发现、患者分层、药物模态选择和候选物排序。第三项价值，是通过自动化实验和数据回流，提高研发流程的可重复性和可积累性。平台能力不能直接等同于临床成功率。FDA关于AI支持药品监管决策的草案指南强调，模型使用必须围绕明确场景、风险等级和可信度评估展开；FDA与EMA发布的良好AI实践原则也强调数据治理、模型性能评估和生命周期管理。 5.1.1.Generate:Biomedicines (NASDAQ: GENB)：通过AI从头生成具有特定功能的蛋白质，重塑传统药物发现模式 Generate:Biomedicines是一家临床阶段AI驱动生物技术公司，核心定位是生成式生物学——通过AI从头生成具有特定功能的蛋白质，重塑传统的药物发现模式。 技术平台以“生成-构建-测量-学习”实时反馈闭环为核心：利用生成式AI模型从头设计蛋白质序列和结构，通过高通量自动化实验室快速构建和测试候选分子，利用冷冻电镜和多种实验技术获取高质量数据，再将数据反馈至模型进行迭代优化。平台具备多模态生成能力，能够设计蛋白-蛋白相互作用界面、优化酶活性、以及生成免疫逃逸蛋白等复杂功能分子。2025年研发支出达2.247亿美元，支撑平台持续迭代。 核心管线进展显著：GB-0895（TSLP长效单抗，针对重度哮喘和COPD，全球III期临床试验SOLAIRIA-1/2于2026年1月完成首例患者给药，预计2028年上半年完成入组）、GB-4362（MMAE中和单抗，已获FDA IND批准和快速通道资格，计划开展I期临床试验联合enfortumab vedotin和pembrolizumab治疗尿路上皮癌）、GB-5267（MUC16 CAR-T，针对卵巢癌实体瘤，处于临床前阶段）、以及GB-0669（SARS-CoV-2单抗）。GB-0895是生成式AI设计的首个进入III期临床的蛋白质药物，具有里程碑意义。 融资与合作里程碑：2026年2月在纳斯达克IPO（股票代码：GENB），每股16美元发行2500万股，募资4亿美元。累计私募融资超7亿美元，投资者包括Flagship Pioneering、ARCH Venture Partners等头部投资机构。 核心技术平台打破了传统计算科学与湿实验生物学之间的壁垒，构建了一个由机器学习驱动的“生成-构建-测量-学习”实时反馈闭环。 （1）核心原理：平台通过深度学习数以百万计的已知蛋白质序列、结构和功能数据，学习了自然界编码蛋白质功能的通用统计规律。基于这些规则，平台能够按需生成自然界中不存在的全新蛋白质序列，实现从“药物发现”向“药物生成”的范式转变。 （2）多模态生成能力： 全新蛋白-蛋白相互作用：能够生成靶向特定表位的复杂抗体复合体，或能够精准激动细胞表面受体的功能性抗体。 功能特异性蛋白：通过机器学习生成具有更高持续合成能力和底物特异性的优化酶。 免疫逃逸蛋白：对治疗性蛋白质进行全面重编码，在保留其治疗功能的同时，减少或消除人体免疫系统的识别，从而大幅降低免疫原性。 硬件与实验闭环：平台不仅依赖纯计算算法，还深度整合了高通量自动化实验室能力（包括可扩展的DNA组装、快速蛋白质生产、多重检测分析）以及内部的冷冻电子显微镜（Cryo-EM）核心设施。这种软硬件结合使得公司能够规模化地实验验证生成的蛋白质，并将高精度结构数据实时反哺给生成模型进行迭代。 5.1.2.Twist Bioscience（NASDAQ: TWST）：硅基DNA合成平台构建AI药物发现的湿实验基础设施 Twist Bioscience是一家总部位于美国南旧金山的合成生物学上市公司，核心定位是以半导体级硅基DNA合成平台实现高通量、低成本、高保真的DNA制造，为NGS（读）、合成生物学（写）和生物制剂（抗体发现）提供底层工具。在AI制药环境下，公司并不开发药物管线，而是承接AI产生的大规模候选序列，完成合成、表达、表征和数据回流，成为连接硅基计算设计与碳基实验验证的关键基础设施。 技术平台核心为硅基半导体DNA合成平台：公司将传统96孔板的合成反应微缩至硅片上的独立微反应腔，反应体积缩小约100万倍、通量提升约1000倍，单片硅片全产能可合成9,600个基因，而传统方法在同一物理空间仅能合成1个基因。在AI药物发现场景下，公司构建“设计-构建-测试-学习”闭环服务：AI/ML团队提交序列，Twist最快15天完成抗体表达、纯化及10余项结合力与可开发性表征，输出可直接用于模型训练的标准化数据。官方披露，平台已累计完成26.5万+抗体检测、13.5万+蛋白表达，生成1,200万+数据点，服务445+合作伙伴，抗体产能约6,000个IgG/周。 核心业务与AI结合点：在与纪念斯隆-凯特琳癌症中心（MSK）的合作中，研究人员计算设计了近30万个新抗体，其中前10万个交由Twist合成与检测，直观体现“AI大规模设计+高通量湿实验验证”的工作模式。抗体发现方面，公司于2026年2月扩展服务，新增双特异性抗体发现能力；并已与Absci等AI抗体发现公司开展合作，从序列供应商升级为合作开发伙伴。从财务口径看，AI相关订单预计由2025财年约2,500万美元增至2026财年约5,000万美元、2027财年约1亿美元；2026年6月季度治疗学业务收入4,024万美元，同比增长49%，公司将该增长主要归因于AI驱动需求；据GenomeWeb报道，公司已按AI驱动药物发现重新梳理收入披露口径。 融资与合作里程碑：公司2013年由Emily Leproust、Bill Banyai和Bill Peck联合创立；2018年10月31日在纳斯达克IPO上市（代码TWST），发行500万股，发行价14美元/股；2021年5月与Genome Project-write合作推出全基因组设计CAD平台；2026年2月扩展双特异性抗体发现业务；2026年7月披露AI订单指引及治疗学业务高增数据。 5.1.3.Insitro：构建Virtual Human物理AI因果引擎，以大规模人类遗传学数据驱动疾病机制预测与药物发现 Insitro是一家临床前阶段/平台型AI驱动生物技术公司，核心定位是Virtual Human™物理AI引擎——通过大规模人类遗传学数据与物理模拟融合，构建能够预测疾病机制与药物响应的虚拟人体模型。 技术平台以三大核心系统构成差异化：Virtual Human™基于诱导多能干细胞（iPSC）和CRISPR基因编辑技术，每月生成超过100TB的多模态生物学数据，涵盖基因组学、转录组学、蛋白质组学和细胞表型数据；TherML™AI平台专用于药物分子设计与优化，整合深度学习与物理化学模拟；iNDEL/ChemML平台采用DEL-Dock技术整合3D空间结构信息，实现对数十亿化合物的虚拟筛选。数据来源包括全球最大的ALS遗传学iPSC细胞系库、与学术机构合作的队列研究数据，以及内部高通量实验验证数据。 核心管线覆盖四大疾病领域：代谢疾病（CTRO-1013/1029处于IND-Enabling阶段，针对NASH和2型糖尿病）、肥胖（OBS-1/2项目）、肌萎缩侧索硬化症（利用全球最大ALS遗传学iPSC库进行靶点验证）、以及干性年龄相关性黄斑变性。其中代谢疾病项目进展最快，预计2025-2026年提交IND申请。 目前处于临床前阶段，尚无临床数据披露。后续若向神经退行性疾病拓展（如阿尔茨海默病、帕金森病），有望利用其iPSC遗传学平台打开更大市场空间。 融资与合作里程碑：累计融资超10.4亿美元，2024年D轮融资4亿美元，估值达28亿美元。战略合作包括：与吉利德合作NASH项目（1500万美元首付+最高10.5亿美元里程碑）、与BMS合作ALS项目（潜在总额20亿美元）、与礼来合作小分子机器学习模型开发。 Insitro 搭建了名为Virtual Human™（虚拟人类）的物理 AI 因果引擎，整套体系以人类因果生物学为底层基础，打通“疾病靶点挖掘-药物分子设计-小分子虚拟筛选”端到端药物发现闭环。 （1）大规模数据生成与细胞表型筛选体系 Insitro 摒弃传统依赖动物模型开展药效筛选的研发范式，依托诱导多能干细胞、CRISPR基因扰动技术与全自动机器人实验室，开展海量并行化细胞功能实验。平台内部自动化管线每月产出超100TB高质量、带精确标注的高内涵成像、多组学多模态数据集，持续作为真实生物学真值数据供给机器学习模型训练，形成 “湿实验产出数据-模型迭代-AI设计新一轮实验”的持续学习闭环，核心技术载体为POSH高通pooled光学筛选平台。 （2）TherML™跨模态AI药物设计平台 借助Virtual Human™因果推理引擎精准识别疾病因果驱动基因与可干预靶点后，依托TherML™一体化 AI 平台完成最优治疗分子设计。区别于仅专注单一药物类型的工具，TherML实现小分子、寡核苷酸、复杂生物制剂多模态药物统一优化，可同步平衡分子活性、选择性、成药性与可开发性；平台能够根据疾病生物学需求自主选择最优药物模态，从源头降低后期临床失败风险。 （3）iNDEL / ChemML™小分子药物发现平台 iNDEL是面向 DNA 编码化合物库的专属机器学习平台，配套自研DEL-Dock 技术，融合蛋白质-配体复合物三维空间结构信息，实现对数十亿规模化合物库的高效智能虚拟筛选；模型可快速定位化学空间内具备开发潜力的分子区域，高效指导苗头化合物向先导化合物迭代优化。ChemML承接前端筛选结果，搭建完整小分子设计闭环，集成自适应化学文库、ADMET预测、自动化合成循环，持续推进候选小分子的定向优化。 5.1.4.Pathos AI：以肿瘤多模态数据和基础模型驱动的AI临床开发引擎 Pathos AI是一家AI驱动的临床阶段精准肿瘤生物技术公司，核心定位是构建以多模态患者数据和肿瘤基础模型为核心的临床开发引擎，通过AI筛选临床阶段药物资产、设计生物标志物驱动的适应性临床试验，提高肿瘤药物研发成功率。公司2022年由Tempus创始人Eric Lefkofsky与Ryan Fukushima联合创立，2025年5月由Iker Huerga出任CEO。与传统AI药企从零发现分子不同，Pathos AI几乎不开展从头小分子合成，而是聚焦临床阶段资产的价值挖掘、患者分层与临床试验优化，路线更接近“AI驱动的临床开发平台”。 融资与合作里程碑：公司2022年成立后，2022年11月完成1500万美元A轮融资，2023年4月完成3500万美元B轮融资；2024年10月完成6200万美元C轮融资（NEA领投，投后估值6亿美元），累计融资1.02亿美元；2025年5月完成3.65亿美元D轮融资，投后估值约16亿美元，正式成为独角兽企业。公司先后与诺和诺德、Prelude Therapeutics、DeuterOncology、阿斯利康、康宁杰瑞等达成资产合作，并与Tempus、阿斯利康共建肿瘤基础模型；2025年5月起由Iker Huerga担任CEO，加速Foundry模型研发与管线临床推进。 核心管线均为外部授权或收购获得。pocenbrodib（原FT-7051，内部代号P-300）是CBP/p300小分子抑制剂，2023年自诺和诺德获得全球权益，正在mCRPC适应症开展I b/II a期临床，并探索乳腺癌、多发性骨髓瘤，试验方案包括单药及联合阿比特龙、奥拉帕利、¹⁷⁷Lu-PSMA；P-500（原PRT811）是脑穿透型PRMT5小分子抑制剂，2024年自Prelude Therapeutics收购，I期已完成，I期16例IDH突变胶质瘤患者中观察到2例完全缓解，正筹备II期扩展试验，适应症包括IDH突变高级别胶质瘤和葡萄膜黑色素瘤；DO-2是MET小分子抑制剂，通过收购DeuterOncology多数股权获得，处于临床I期，针对MET外显子14跳跃突变NSCLC；AZD4241是ERα PROTAC，与阿斯利康合作授权，处于临床前。2026年8月，公司新增首个大分子资产JSKN016，与康宁杰瑞达成授权协议，获得大中华区以外全球独家开发、生产与商业化权益，该资产为首创TROP2/HER3双特异性抗体偶联药物（ADC），康宁杰瑞在大中华区推进III期临床，Pathos将启动海外临床开发，重点布局三阴性乳腺癌等适应症；交易包括1.25亿美元首付款、最高20.93亿美元开发及商业化里程碑、分层海外销售特许权使用费，并附带6250万美元优先股认股权证。 技术平台核心为PathOS平台，由Scout、Sprint、Foundry三大引擎构成闭环飞轮。Scout是AI资产筛选引擎，扫描全球临床阶段管线，将药物作用机制与最可能获益的患者亚群匹配，指导外部管线授权与收购，核心管线pocenbrodib与P-500均由Scout筛选获得；Sprint是AI临床执行引擎，以小型自主团队（Sprint Pod）推进单条管线，依托生物标志物方案、患者分层策略与自适应试验设计实现阶段跨越；Foundry是中央AI核心，底层为公司与Tempus、阿斯利康联合共建的肿瘤跨模态基础模型，整合超200PB多模态肿瘤数据（约为TCGA的50倍），覆盖电子病历、病理影像、基因组、转录组与真实世界生存结局，并通过自有湿实验室实现模型-实验闭环迭代，支撑临床资产筛选、生物标志物挖掘与自适应临床试验设计。 5.1.5.Chai Discovery：依托多模态生物分子基础模型实现蛋白质结构预测与从头分子生成 Chai Discovery是一家总部位于美国旧金山的AI驱动生物技术公司，核心定位是依托多模态生物分子基础模型实现蛋白质结构预测与从头分子生成，推动生物学由经验科学转向可预测的工程学科，重构生物大分子药物早期发现范式。 技术平台形成“Chai-1结构预测底座 + Chai-2零样本分子生成”完整技术链条：Chai-1为2024年开源多模态结构预测基础模型，对标AlphaFold3，可基于氨基酸序列精准预测蛋白、蛋白-小分子配体、抗原-抗体复合物原子级三维结构，独家搭载表位约束功能，仅少量抗原残基信息即可显著提升抗体复合物预测精度，模型采用Apache 2.0协议开放，支持学术研究与药物发现商业场景；2025年推出的Chai-2为全原子分辨率旗舰生成模型，无需依赖传统抗体筛选文库与同源模板，输入抗原及目标结合表位信息，即可从头生成兼具高特异性与优良成药性的全长抗体序列，适配肿瘤新生抗原、GPCR等难成药靶点开发。公司现阶段以模型算法研发为重心，短期不布局重资产自动化湿实验基地，通过合作药企与CRO完成分子湿实验验证。 核心管线布局抗体、微型结合蛋白等生物治疗分子，重点面向肿瘤、自身免疫性疾病、感染性疾病领域；多条AI从头设计抗体候选分子处于体外结合与细胞功能验证阶段，尚未推进至IND申报阶段。 融资与合作里程碑：2025年12月完成1.3亿美元 B 轮融资，投后估值13亿美元，累计融资总额超2.25亿美元，投资方包含Oak HC/FT、OpenAI投资基金、General Catalyst、Thrive Capital；2026年1月与礼来达成战略合作，依托整套AI技术平台联合推进新一代生物药的早期发现。公司目前为非上市私营企业，尚未产生药品销售收入，处于Pre-revenue阶段。 其核心平台技术由两代多模态基础模型构成： Chai-1（多模态分子结构预测基础模型）：2024年正式开源发布，对标 AlphaFold系列，属于通用生物分子结构预测基础模型。Chai-1支持统一预测蛋白质、核酸、小分子复合物等多种生物分子原子级三维构象，仅依靠氨基酸序列即可实现高精度结构解析。不同于仅聚焦单一蛋白折叠的传统工具，该模型可直接解析靶点-配体复合物空间相互作用；作为开放科研基础设施，支撑全行业基于结构的药物发现工作流，帮助研发人员在项目早期解析靶点空间构象、识别可结合口袋，为分子设计提供结构基础。模型采用宽松开源协议，允许学术与商业场景使用。 Chai-2（零样本从头生成式抗体设计平台）：2025 年推出的旗舰级全原子分辨率生成式基础模型，实现从“结构预测”向“功能性分子创造”跨越。区别于传统抗体发现高度依赖噬菌体展示、杂交瘤筛选等海量体外文库筛选手段，Chai-2支持零样本从头抗体设计；科研人员仅需输入目标抗原三维结构与目标结合表位信息，模型即可不依赖同源抗体模板，直接从头生成全长单克隆抗体完整序列与原子级三维结构。 5.1.6.Xaira Therapeutics：端到端AI药物发现与开发平台，从靶点识别到临床候选全流程AI驱动 Xaira Therapeutics是一家临床前阶段AI驱动生物技术公司，核心定位是端到端AI药物发现与开发平台——从靶点识别到临床候选药物的全流程AI驱动，尤其专注于蛋白质设计与虚拟细胞建模。 技术平台的核心差异化来自三大支柱：RFdiffusion + ProteinMPNN（源自David Baker实验室的蛋白质设计工具，能够从头设计具有特定功能的蛋白质结构）、X-Cell虚拟细胞模型（2026年3月发布的49亿参数扩散大语言模型架构，能够模拟细胞在不同扰动条件下的响应）、以及X-Atlas/Pisces数据集（包含2560万个单细胞转录组数据，覆盖7种不同细胞环境）。X-Cell模型通过整合单细胞基因组学数据，实现了对细胞状态转换和药物响应的预测，为靶点验证和药物机制研究提供了前所未有的计算能力。 核心管线聚焦于炎症与免疫学领域的抗体治疗，针对传统方法难以成药的不可成药靶点。利用RFdiffusion技术，Xaira能够设计具有特定结合特性的新型蛋白质结构，为自身免疫性疾病和炎症性疾病提供创新治疗方案。管线目前处于早期发现阶段，尚未披露具体靶点和适应症细节。 融资与合作里程碑：累计融资超13亿美元，包括2024年种子轮超10亿美元承诺资本（由ARCH Venture Partners和Foresite Labs领投），以及2025年8月A轮融资8亿美元。公司由David Baker（2024年诺贝尔化学奖得主）和Marc Tessier-Lavigne联合创立，科学顾问委员会包括多位诺贝尔奖得主。 Xaira的底层技术平台由三大核心支柱构成：基于机器学习的生物学理解、驱动新模型的大规模数据生成、以及强大的治疗产品开发能力。 5.1.7.Alloy Therapeutics：通过开放共享技术平台和AI基础设施，服务全球药物发现与开发 Alloy Therapeutics是一家平台生态型AI驱动生物技术公司，核心定位是通过开放共享的技术平台和AI机器学习基础设施，加速全球药物发现与开发。 技术平台以六大核心系统构成完整生态：ATX-Gx™抗体发现平台（历时10年开发的全人源转基因小鼠平台，能够产生高亲和力、低免疫原性的全人源抗体）、mAbForge™高通量筛选系统（整合自动化实验与AI预测，加速抗体先导化合物识别）、Keyway™ TCR发现平台（针对T细胞受体疗法的发现与优化）、AntiClastic™基因药物平台（环状核酸技术结合AI/ML优化，用于基因治疗和RNA疗法）、细胞疗法平台（基于低免疫原性iPSC技术）、以及AI/ML数据基础设施（整合多平台数据，实现跨模态学习与预测）。 Alloy采用开放平台商业模式，不保留自研管线，而是通过技术授权和合作研发服务全球生物医药生态。截至目前，已建立200+合作伙伴关系，100+授权项目，推动22款候选药物进入临床阶段，其中2款处于III期临床。合作覆盖大型药企、生物技术公司和学术机构。 融资与合作里程碑：累计融资超1.68亿美元，2026年4月E轮融资4000万美元，估值达10亿美元。战略合作包括：与辉瑞达成多年战略合作协议、与赛诺菲合作（最高4亿美元潜在价值）、与渤健合作开发AntiClastic™ ASO疗法。 5.1.8.Manifold Bio：通过高通量体内实验与AI闭环优化，开发精准递送至特定组织的生物药物 Manifold Bio是一家平台型AI驱动生物技术公司，核心定位是组织特异性靶向生物药物发现引擎——通过高通量体内实验与AI闭环优化，开发能够精准递送至特定组织的生物药物。 技术平台以三大创新技术构成核心壁垒：mDesign™高通量体内发现引擎（能够在活体模型中同时测试数千种蛋白质变体，实现从设计到体内验证的快速迭代）、mCodes蛋白质条形码技术（为每种蛋白质变体分配独特DNA条形码，实现高通量识别和定量）、以及Direct-to-In-Vivo与AI闭环（将体内实验数据实时反馈至“虚拟生物体”预测模型，利用机器学习优化下一轮设计）。这一闭环系统将传统需要数月的实验周期压缩至数周，显著加速了组织特异性靶向分子的发现。 核心管线聚焦两大方向：血脑屏障（BBB）穿透载体（与罗氏达成20亿美元合作协议，5500万美元首付款，开发能够穿越BBB递送治疗性蛋白至中枢神经系统的载体）、以及肿瘤学靶向效应物（包括Cell Engagers和ADCs，利用组织特异性靶向技术提高肿瘤杀伤效率并降低全身毒性）。BBB项目处于早期发现阶段，肿瘤学项目处于先导化合物优化阶段。 融资与合作里程碑：累计融资超1.33亿美元（包括股权融资和合作首付款）。2023年与罗氏达成战略研发合作，潜在总额达20亿美元，首付款5500万美元，是蛋白质工程领域最大的前期合作协议之一。 Manifold Bio 核心技术平台为mDesign™（高通量体内发现引擎，High-Throughput In Vivo Discovery Engine），搭建业内首个规模化高通量体内药物筛选体系，平台将大规模多重动物体内筛选与AI驱动蛋白质生成设计深度耦合，重构生物药早期开发范式。 （1）解决行业核心研发痛点 传统药物研发普遍依赖体外细胞实验开展分子筛选，但体外简化环境无法复刻活体内部血液循环、组织屏障、免疫微环境等复杂生理体系。由此带来显著短板：即便经过体外数据充分训练的 AI 蛋白设计模型，在预测候选蛋白药物体内药代动力学、组织生物分布等关键成药属性时依然存在巨大偏差，大量体外表现优异的分子进入体内后迅速失效。 （2）mCodes™专有蛋白质条形码核心追踪技术 平台底层核心是自研mCodes™分子条形码技术。研究人员为每一条候选蛋白分子装配独一无二的核酸条形码标签；仅需单次活体动物（小鼠、非人灵长类等）给药实验，就能够同步追踪、定量数千种候选蛋白在全身各类组织、器官中的富集水平、滞留时长，一次性批量获取海量分子的真实体内分布数据。相比传统“一动物一分子”的独立给药模式，大幅压缩动物使用规模、缩短筛选周期、降低研发成本。 （3）体内实验与 AI 持续学习闭环：虚拟生物体预测体系 mDesign™平台实现直接在活体生理环境中定向优化生物治疗分子属性。依托 mCodes高通量体内筛选持续产出规模化、具备生理真实性的数据集，Manifold Bio 训练构建虚拟生物体预测模型，形成稳定迭代闭环：AI生成全新候选蛋白分->mCodes高通量体内平行测试->真实体内数据回流持续优化 AI 模型。经过多轮循环迭代，AI 对蛋白体内分布、半衰期、组织靶向能力的预测精度持续提升，实现从“体外筛选”转向“以体内表型为核心”的蛋白理性设计。 5.1.9.Tahoe Therapeutics：大规模单细胞数据生成平台与预训练基础模型，实现细胞行为高精度预测 Tahoe Therapeutics是一家临床前阶段AI驱动生物技术公司，核心定位是人类细胞AI虚拟模型——通过构建大规模单细胞数据生成平台与预训练基础模型，实现对细胞行为和药物响应的高精度预测。 技术平台以三大核心系统构成差异化优势：Mosaic平台（全球首个能够在单细胞精度下生成体内数据的可扩展平台，将体内实验与单细胞测序技术结合，实现对药物在体内作用的单细胞分辨率解析）、Tx1模型家族（30亿参数的基础模型，基于2.66亿个单细胞谱进行预训练，能够预测细胞状态转换、基因扰动效应和药物响应）、以及Tahoe-100M（1亿数据点的开源数据集，包含多种细胞类型和扰动条件下的单细胞数据，为学术界和工业界提供高质量训练数据）。Tx1模型通过自监督学习从海量单细胞数据中提取生物学规律，实现了对不可成药靶点的计算验证。 核心管线包括：实体瘤先导候选药物（目前处于IND支持性研究阶段，利用Mosaic平台和Tx1模型发现的创新靶点）、以及与Alloy Therapeutics合资开发的ADC项目（2款First-in-Class抗体偶联药物，针对实体瘤）。Tahoe的技术优势在于能够从单细胞水平理解肿瘤微环境，发现传统方法难以识别的靶点。 融资与合作里程碑：累计融资4200万美元，2025年8月A轮融资3000万美元，估值达1.2亿美元。与Alloy Therapeutics建立战略合作，共同开发ADC项目。 （1）Mosaic平台：已公开报道中全球首个实现单细胞精度、规模化体内药物发现的数据生成平台。传统体外细胞实验难以还原患者个体异质性，而 Mosaic独创 “细胞群落” 实验范式，可将来源于不同患者、不同器官的多种细胞混合池化并行测试。单次体内器官实验条件下，平台能够同步检测药物对上百种患者来源细胞的作用，产出数百万条药物扰动诱导的单细胞基因表达谱数据，在药物研发早期阶段即可还原贴近真实生理的疾病微环境，精准捕捉患者层面药物响应差异。 虚拟细胞模型与Tx1（Tahoe-x1）模型家族：Tahoe 致力于搭建超越单纯蛋白结构预测、面向全细胞调控网络的虚拟细胞基础模型。核心模型Tx1（Tahoe-x1）为面向扰动预测的单细胞基础模型（30 亿参数级别），依托包含Tahoe-100M在内约 2.66亿条单细胞转录组数据完成预训练。模型借鉴大语言模型设计思路，学习基因在多样化生物学环境下的功能规律，输出细胞、基因的数值表征嵌入；仅依靠初始细胞状态与药物/基因扰动信息，即可精准推演扰动发生后完整的基因表达变化，具备预测训练集中从未出现过的全新生物实验结果的零样本泛化能力。 Tahoe-100M 数据集与TahoeDive交互工具：Tahoe-100M为公司开源巨型单细胞扰动图谱，包含1亿条单细胞转录组数据，规模远超所有公开药物扰动单细胞数据集总和，是训练Tx1虚拟细胞模型的核心底层资源。为降低海量组学数据集的使用门槛，公司配套开发网页端可视化分析工具TahoeDive；科研人员无需编程，直接使用自然语言即可在浏览器端检索、挖掘数据集，快速解析药物扰动、基因调控相关生物学规律。整套基础设施推动新药研发由传统试错模式，向可量化、可预测的工程化研究转型。 5.1.10.Relation Therapeutics：以“Lab-in-the-Loop”平台和细胞生物学基础模型切入药物发现 Relation Therapeutics是一家未上市的AI驱动生物技术公司，总部位于英国伦敦，核心定位是利用“Lab-in-the-Loop”平台，将前沿AI、患者来源多组学数据与自有实验系统整合，以“对疾病生物学的深度理解”为核心，开发免疫、代谢和骨疾病领域的变革性药物。公司由Charles Roberts、Benjamin Swerner和Jake Taylor-King于2020年1月创立，2022年4月起由David Roblin担任首席执行官。 融资与里程碑：2020年获得比尔及梅琳达·盖茨基金会资助（与Yoshua Bengio团队、Mila和Scripps Research合作）；2022年6月完成2500万美元融资，由DCVC和Magnetic Ventures领投；2024年1月完成Seed-2轮，由DCVC和NVIDIA旗下NVentures共同领投，累计种子轮融资达6000万美元；2024年12月GSK战略投资1500万美元；2025年12月获NVentures、DCVC和Magnetic Ventures追加2600万美元投资。截至目前，公司已披露的股权融资合计约1亿美元，主要投资者包括DCVC、Magnetic Ventures、Khosla Ventures、Firstminute Capital、Meltwind、NVIDIA（NVentures）、Hitachi Investments、Ark Invest和Deerfield。 技术平台以“计算+实验+患者数据”闭环为核心： （1）Lab-in-the-Loop：将单细胞多组学、基因组学与机器学习结合，通过患者组织直接生成疾病生物学图谱，用于靶点发现、排序和验证，并覆盖从靶点到临床前开发的完整链条； （2）MORGAN基础模型：2026年7月30日发布的下一代细胞生物学基础模型（Multi-Omic Regulatory Genomics using Artificial Neural Networks），利用大规模多组学扰动数据训练，可跨细胞类型应用，并针对治疗相关关键细胞类型构建组织特异性模型； （3）Osteomics骨组织图谱：公司自研的功能性单细胞骨组织图谱，号称全球最大规模，用于骨质疏松等骨疾病的靶点与生物标志物发现； （4）算力与模型能力：与NVIDIA合作使用英国最强大的超算Cambridge-1，在机器学习中综合运用生成式模型、大语言模型和图神经网络。 核心管线与布局： （1）骨质疏松为首个适应症，全球（美国、欧洲、日本）患者超4500万，50岁以上女性约二分之一、男性约四分之一受影响，已识别基因位点超2000个；公司在英国和澳大利亚开展临床观察性研究，利用患者样本构建细胞稳态图谱； （2）免疫和代谢疾病为主要拓展方向； （3）2024年12月与GSK达成两项战略合作，总金额4500万美元（含1500万美元股权投资），聚焦纤维化疾病和骨关节炎的新靶点识别与验证； （4）2025年12月与诺华达成多项目战略合作，聚焦特应性疾病，公司获得5500万美元（含首付款、股权投资和研发资金），并有资格获得最高17亿美元的临床前、开发、监管及商业里程碑付款和分层销售分成； （5）2026年1月与Deerfield Management建立合作，公司可提名平台发现的靶点，通过双方共同持有的NewCo推进下游开发，双方共享产品净销售额分成； （6）2026年7月30日与GSK扩大合作，最高可获得1.1亿美元首付款和基于成功的里程碑付款，用于生成大规模人类细胞扰动数据集并训练MORGAN等基础模型。 6.传统制药巨头与海外药企的AI辅助药物研发布局 专利悬崖加大收入替换压力。大型药企正在进入新一轮专利悬崖周期。艾昆纬指出，到2030年，超过2300亿美元的生物医药行业收入将面临失去市场独占权风险，2030年代早期还可能有额外2000亿至2500亿美元收入暴露在后续独占权到期压力下。这一压力已经在2025年开始体现，Fierce Pharma将强生的Stelara、Regeneron的Eylea、Amgen的Prolia等列为2025年美国市场重要失去独占权案例，其中Stelara位列2025年美国失去独占权药物名单前列。因此，大型药企布局AI辅助研发是补充新靶点、新机制、新候选物和外部研发能力的一种方式。更准确地说，AI的作用是帮助企业在更早阶段提高候选项目的筛选质量，降低后期才发现问题的概率。 研发失败成本上升，推动AI前移项目筛选关口。对于营收排名靠前的跨国药企而言，研发失败并不只是单个项目损失，还会影响后续资源配置、管线更新节奏和专利悬崖下的收入替换能力。尤其是在II期和III期临床阶段，项目一旦失败，往往意味着多年研发投入、临床运营费用和机会成本同时损失。因此，大型药企引入AI的重点，正在从“提高早期筛选速度”转向“提高早期决策质量”。具体而言，AI可用于靶点可靠性评估、疾病亚型识别、适应症优先级排序、候选物成药性预测、毒性风险预警和临床试验人群分层。其核心目标是在项目进入高成本临床阶段前，尽可能提高候选项目质量，降低后期失败概率。 AI应用正在进入受监管研发流程。FDA在2025年发布《Considerations for the Use of Artificial Intelligence to Support Regulatory Decision-Making for Drug and Biological Products》草案指南，讨论AI模型如何生成支持药物和生物制品安全性、有效性和质量监管决策的信息，并提出基于使用场景的模型可信度评估框架。AI应用正在从早期发现工具，逐步延伸至临床开发、真实世界证据、CMC、质量控制和药物警戒等更接近监管决策的环节。对大型药企而言，这意味着AI能力必须纳入数据治理、模型验证、质量体系和合规流程，而不能只停留在研发部门的单点工具使用。 竞争压力和潜在经济价值推动持续投入。麦肯锡估算，生成式AI每年可为制药和医疗产品行业带来约600亿至1100亿美元经济价值，覆盖早期发现、临床开发、运营、医学事务和商业化等环节。该数字属于潜在价值测算，不能等同于已经兑现的利润或研发成功率提升。同时，AI平台公司与大型药企的合作规模正在扩大。Isomorphic Labs已与礼来和诺华签订战略合作，潜在总金额接近30亿美元；罗氏/基因泰克也与Recursion建立了围绕机器学习、高内涵筛选和复杂生物学图谱的长期合作。因此，AI能力已经成为大型药企外部创新和研发基础设施竞争的一部分。对头部药企来说，相关布局的价值不仅在于获得某一个项目，更在于建立可复用的数据、模型、实验和合作网络。 6.1.大型药企AI辅助研发布局的四类路径 大型药企的AI辅助研发布局可分为四类：财务投资、管线授权、平台合作和内部能力建设。前三类对应外部合作深度由浅到深，第四类则决定企业能否把外部能力真正纳入研发体系。 财务投资：以较低绑定度获取战略期权。财务投资通常包括少数股权投资、战略投资、CVC投资或与合作协议绑定的股权投资。其目标不是立即获得某个产品，而是提前接触外部平台、数据资源或技术团队，并保留未来加深合作的可能性。典型案例是辉瑞与CytoReason的合作。CytoReason披露，辉瑞在2022年扩展双方多年合作，并进行2000万美元股权投资；该合作潜在总金额可达1.10亿美元，CytoReason的疾病模型用于支持Pfizer药物研发项目。财务投资的优点是风险相对可控，适合大型药企跟踪多个技术方向；不足是绑定深度有限，如果缺少后续数据共享、项目合作和内部吸收机制，投资本身难以转化为研发生产力。 管线授权：围绕明确靶点或项目补充候选资产。管线授权通常围绕特定靶点、药物类型或候选项目展开，交易结构包括首付款、里程碑付款、销售分成、区域权益或全球开发权。其核心目的是补充内部研发管线。例如，百时美施贵宝与Terray Therapeutics围绕多个靶点开展合作，Terray在2025年宣布达成AI辅助药物发现里程碑；百时美施贵宝此前也与Exscientia建立过多靶点AI驱动药物发现合作。阿斯利康与Absci的合作则体现了生物药方向的管线补充逻辑，Absci披露双方围绕AI驱动的肿瘤候选物开展合作，将Absci的AI抗体发现能力与阿斯利康的肿瘤研发能力结合。管线授权适合专利悬崖压力较大、需要快速补充中早期资产的公司，但其成败仍取决于后续实验验证、临床数据、注册路径和商业化质量。 平台合作：将外部模型和实验体系接入内部研发流程。平台合作通常具有多靶点、多年期和多轮数据回流特点。与单一项目授权相比，平台合作更强调持续生成候选物、迭代模型、共享实验结果和建立跨项目复用能力。罗氏/基因泰克与Recursion的合作属于典型平台型合作。罗氏披露，该合作利用Recursion的技术平台，并结合罗氏和基因泰克的单细胞数据生成与机器学习能力，用于发现新的药物靶点，并推进神经科学和特定肿瘤方向的小分子药物开发。艾伯维与BigHat Biosciences的合作也具有平台特征。BigHat披露，双方将利用其机器学习引导的Milliner平台和高速湿实验能力，发现面向肿瘤和神经科学的下一代治疗性抗体。平台合作的关键在于药企能否把外部模型、实验数据和内部药物化学、生物学、转化医学、临床开发流程相结合。 内部能力建设：数据、算力、模型治理和合规体系。内部能力建设是大型药企AI布局中最容易被低估的一环。没有高质量历史数据、实验数据标准化、模型验证流程和合规治理，外部平台合作很难规模化复制。礼来的TuneLab体现了内部能力外溢的趋势。礼来披露，TuneLab向部分生物技术公司开放由Lilly多年研发数据训练的AI/ML模型，首批模型背后的专有数据获取成本超过10亿美元；平台采用联合学习方式，使合作方可以利用模型能力，同时避免直接暴露自身或礼来的数据。FDA草案指南强调，AI模型可信度评估必须围绕明确使用场景展开，并根据模型输出对监管决策的影响程度决定验证要求。因此，内部模型治理将成为大型药企未来AI应用能否进入注册、质量和临床决策流程的基础条件。 6.2.Top 10药企AI辅助研发布局总览 6.3.AI巨头在制药领域的布局 头部科技公司正凭借算力、基础模型与数据生态进入AI制药领域，参与环节涵盖算力基础设施、生物模型平台、药物设计工具与自研药物管线。 6.3.1.英伟达（NASDAQ: NVDA）：通过算力与BioNeMo平台构建AI制药基础设施 英伟达是全球领先的AI计算平台公司，核心定位是通过GPU加速计算、生物基础模型与实验室数据闭环，为AI制药行业提供基础设施。2023年7月，英伟达向Recursion投资5000万美元，并围绕AI药物发现软件开展合作；Recursion随后依托英伟达算力构建BioHive-2超级计算机，作为其Recursion OS平台“数据、模型、算力”三大支柱中的算力基础设施。 技术平台以BioNeMo为核心：BioNeMo是英伟达的生物模型开发平台，覆盖蛋白质结构、RNA结构与分子设计等模型，并配套BioNeMo Agent Toolkit等工具，支持生物基础模型的训练、优化与部署；Chai Discovery、Dyno Therapeutics、Terray Therapeutics、OpenFold、Basecamp Research、Apheris等公司均在平台上训练或部署模型。英伟达以DGX/HGX等加速计算硬件和CUDA生态为底层支撑，形成“算力+模型+数据”的完整工具链。 核心布局与合作进展： （1）2023年7月投资Recursion 5000万美元并开展AI药物发现合作，双方围绕英伟达算力与Recursion生物学数据构建AI药物发现平台。 （2）2026年1月，英伟达在JPM医疗健康大会宣布BioNeMo平台获得生命科学行业广泛采用，并与礼来共建AI联合创新实验室，计划五年内投入最高10亿美元，用于人才、基础设施与Vera Rubin等下一代算力架构。 BioNeMo通过“lab-in-the-loop”工作流连接实验数据与模型迭代，将实验数据转化为可用于AI训练的结构化信号。 核心技术平台： （1）BioNeMo开放平台：提供蛋白、RNA与分子设计模型，支持生物基础模型训练、优化与部署。 （2）Agent Toolkit与工具链：以AI智能体方式连接文献、实验数据与模型，支持科学发现工作流自动化。 （3）算力与数据基础设施：DGX/HGX加速计算、CUDA生态与BioNeMo数据预处理库共同构成AI制药的底层算力平台。 6.3.2.Google/Alphabet（NASDAQ: GOOGL）：从AlphaFold到Isomorphic Labs的AI药物设计布局 Alphabet是全球领先的科技集团，通过Google DeepMind与Isomorphic Labs进入AI制药领域，核心定位是从科研工具（AlphaFold）延伸至端到端AI药物设计（IsoDDE与药物管线）。Alphabet与Google首席执行官为Sundar Pichai，Google DeepMind与Isomorphic Labs由Demis Hassabis创立并领导。 技术平台以AlphaFold与IsoDDE为核心：Google DeepMind于2020年推出AlphaFold 2，实现蛋白质结构高精度预测；2024年5月，DeepMind与Isomorphic Labs联合发布AlphaFold 3，将预测范围扩展至蛋白-DNA-RNA-配体等复合物，蛋白质-配体相互作用预测精度较现有方法至少提升50%，并同步推出免费AlphaFold Server。2026年2月，Isomorphic Labs发布AI药物设计引擎IsoDDE，公司披露其在最具挑战性体系上的预测精度较AlphaFold 3提升一倍以上，抗体-抗原高保真预测精度提升2.3倍，Nature杂志称其为“AlphaFold 4”级别的进展。 核心布局与合作进展： （1）Isomorphic Labs成立于2021年，由Demis Hassabis创立，专注以AI进行药物设计。 （2）2024年1月，Isomorphic Labs与礼来、诺华签订AI药物设计合作协议，潜在总金额接近30亿美元，其中首付款8300万美元、里程碑付款29亿美元。 （3）2026年5月，Isomorphic Labs完成21亿美元B轮融资，由Thrive Capital领投，Alphabet/GV、MGX、Temasek等参与，累计融资约27亿美元，公司正在将IsoDDE应用于多个药物设计项目并推进候选药物管线。 核心技术平台： （1）AlphaFold结构预测：AlphaFold 2与AlphaFold 3提供蛋白质及生物分子复合物结构预测，AlphaFold Server面向科研社区免费开放。 （2）IsoDDE药物设计引擎：面向难成药靶点的蛋白-配体、抗体-抗原预测，公司披露其在高难度体系上较AlphaFold 3显著提升。 （3）合作管线与自研药物设计：Isomorphic Labs以IsoDDE服务礼来、诺华等药企合作，同时推进内部候选药物项目。 6.3.3.AMD（NASDAQ: AMD）：以高显存GPU与开放软件栈切入生命科学算力 AMD是半导体计算平台公司，核心定位是以Instinct GPU、EPYC CPU与ROCm软件栈提供差异化算力，在AI制药领域主要作为算力基础设施提供商切入。 技术平台以“GPU+CPU+开放软件栈”为核心：AMD Instinct MI300X GPU具备192GB高带宽内存与5.3TB/s内存带宽，适合承载大规模蛋白质语言模型与分子模拟任务；EPYC处理器用于数据准备、评分与高通量CPU筛选；ROCm作为开放软件栈支持主流AI框架与生物计算工具，形成完整算力方案。 核心布局与合作进展： （1）代表案例为MindWalk（原BioStrand）：其在Vultr云上基于MI300X与EPYC运行LENSai平台，蛋白语言模型embedding吞吐提升约70%，RAG文献挖掘成本下降约39%。 （2）免疫原性筛查约4.5小时完成17万对抗体配对，对比此前平台估测的145天，体现高通量抗体筛选场景下的算力优势。 （3）2026年7月，MindWalk在AMD Advancing AI大会公开演示ReefIQ药物发现平台，展示AI药物发现工作流在AMD算力上的落地。 核心技术平台： （1）Instinct MI300X：192GB高带宽内存与5.3TB/s内存带宽，支撑大型蛋白模型与分子模拟训练。 （2）EPYC处理器与ROCm软件栈：承担高通量CPU筛选与数据预处理，并以开放软件栈降低部署门槛。 （3）生物计算应用案例：以MindWalk/ReefIQ为代表，覆盖蛋白语言模型、文献挖掘、抗体筛选与免疫原性评估。 6.3.4.Anthropic：大模型、科研工作台与自研管线的组合布局 Anthropic是AI模型公司，核心定位是以大模型能力为基础，通过Claude Science科研工作台、AI for Science资助计划与内部药物发现项目进入制药领域，首席执行官为Dario Amodei。 技术平台以Claude大模型与Claude Science工作台为核心：2026年6月30日，Anthropic发布Claude Science科研工作台，集成基因组、单细胞、蛋白质组与化学信息学工作流，接入60余个科学数据库，可原生渲染蛋白与分子结构，并支持HPC算力调度，面向科研与药企用户开放。 核心布局与合作进展： （1）2026年6月30日，Anthropic宣布启动内部药物发现项目，聚焦传统药企投入较少的被忽视疾病。 （2）Claude Science早期用例包括Manifold Bio的组织靶向药物开发、Allen Institute的文献综述与UCSF的胶质瘤研究等。 （3）2026年7月20日，Anthropic推出AI for Science罕见病研究资助计划，单个项目最高提供5万美元Claude credits，并与Monarch Initiative等机构合作，覆盖药物重定位、变异分类和监管文件辅助等场景。 核心技术平台： （1）Claude模型能力：以通用大模型为基础，支持生物医学文献分析、序列与分子数据理解。 （2）Claude Science科研工作台：连接60余个科学数据库，支持多组学分析、分子结构渲染与HPC算力调度。 （3）AI for Science与自研药物项目：通过科研资助与内部药物发现项目，探索AI原生的药物开发流程。 7.风险提示 临床进展不及预期风险、监管和模型可信度风险、数据壁垒、数据质量和隐私风险、算力与模型成本风险、合作整合风险、融资断裂风险等。 资料来源：东北证券 请务必阅读正文后的声明及说明 报告发布时间：2026-08-12 发布报告机构：东北证券股份有限公司 相关报告：《中报业绩催化板块回暖，把握CXO和AI制药的产业化机遇》--20260810 报告作者： 证券分析师：叶菁 执业证书编号：S0550524040003 证券分析师：文将儒 执业证书编号：S0550524100005 wenqr@nesc.cn yejing@nesc.cn 证券分析师：古翰羲 执业证书编号：S0550524080002 研究团队简介