Nirogacestat hydrobromide

AI正在把生物制药行业从传统“发现更多药物”的模式，推进到以早期识别失败、降低研发风险和提高资本效率为核心的新模式。 Isomorphic Labs的21亿美元融资、Generate上市以及NewLimit的4.35亿美元融资，显示科技资本正在大举进入“Tech-Bio”。AI不仅可用于分子设计，还可优化临床前研究、患者筛选和试验设计，从而让错误项目更早终止。 不过，AI不能消除人体生物学、临床试验和监管的不确定性，科技投资者过度追求速度可能造成估值泡沫，并促使企业回避高难度疾病。 AI更可能成为生物医药研发和资本配置的长期结构性变化，而非疫情时期那样的短期资金浪潮。 有问题，问星光智能体！ 人类基地：OpenAI亲自下场！Thrive融资20亿美金，将传统行业“买下来重做一遍” 投资亮点 真正发生变化的是生物科技行业的资本配置模型：投资者开始尝试用计算能力，把药物研发风险更早暴露出来。 1. 最大价值不是“研发更快”，而是“让失败更早发生” 传统药物研发最大的经济问题不是单纯耗时长，而是很多项目在已经投入数亿美元之后才发现失败。如果AI能够在靶点选择、分子性质、毒性、患者亚群或临床终点阶段更早识别问题，那么即使最终并没有明显提高每个药物的成功率，也可能显著提高整个研发组合的资本回报率。 从投资角度可以简化为：研发价值≈成功概率×成功后的经济价值－失败前累计投入。 “Fail-fast”的关键就是压低最后一项。因此AI最大的潜在价值未必是制造100%成功的药，而是把原本在Phase II才失败的项目，提前到临床前阶段淘汰。这种资本效率改善如果能够得到临床数据验证，长期价值可能比单纯缩短药物设计时间更重要。 2. Isomorphic的21亿美元融资代表资本开始给“研发操作系统”估值 Isomorphic Labs在2026年5月完成21亿美元B轮融资，由Thrive Capital领投，Alphabet、GV继续参与，Temasek、CapitalG等加入；资金将用于扩大AI药物设计引擎并把内部项目推进至临床。与此同时，公司已经与诺华、礼来和强生建立合作关系。 这里的核心投资逻辑是：资本买的并不是某一个单品，而是一个可能连续产生候选药物的平台。 这与传统Biotech的估值逻辑差异很大。传统公司往往高度依赖一两个临床资产，失败一次可能损失大部分企业价值；平台型AI公司理论上可以不断生成新资产，因此拥有更强的“期权组合”属性。更重要的是，Isomorphic早期与礼来和诺华的合作潜在总价值接近30亿美元，说明Big Pharma愿意用真实资金测试该平台，而不仅仅是参与AI概念宣传。 3. Generate正在成为AI药物平台真正的“临床试金石” 相较Isomorphic目前主要还是私募市场故事，Generate更加值得二级市场投资者观察，因为它已经上市，并且已有药物进入后期临床。 公司核心项目GB-0895是一款AI工程化的长效抗TSLP抗体，目前正在两项全球Phase III重度哮喘试验中推进，同时进入COPD开发。公司截至2026年二季度仍拥有约4.574亿美元现金及有价证券，预计可支持现有经营计划至2028年上半年。 这意味着未来几年市场可能第一次获得一个相对清晰的问题答案：AI设计的药物，进入真正人体临床之后，是否能够表现得比传统研发模式更好？ 值得注意的是，截至8月14日最近一个交易日，GENB约为15.64美元，市值约20亿美元，仍略低于16美元IPO价格。换句话说，公开市场并没有因为“AI”两个字给予无限估值溢价。 这是一个很健康、也很重要的信号：AI-Biotech已经开始从讲故事阶段进入“交数据”阶段。 4. NewLimit显示AI正在进入以前极难药物化的领域 NewLimit在2026年6月完成4.35亿美元C轮融资，由Founders Fund领投，Thrive、Greenoaks以及Eli Lilly Ventures等参与，公司计划2027年把首个细胞年龄重编程药物推进人体试验。 这类公司的最大上行空间，并不是提高已有药物的效率，而是打开传统药物技术过去无法有效进入的新生物学空间。如果表观遗传重编程能够真正恢复衰老细胞功能，那么潜在市场显然远远超出某一种单一疾病。 但它同时也是风险最高的一类：目前“让老细胞年轻化”仍主要属于早期转化科学，人体安全性、持续时间、组织特异性以及潜在肿瘤风险等都需要临床证明。因此NewLimit巨额融资更多代表资本认可其潜在平台价值和期权价值，而不能理解为疗效已经获得验证。 5. 这个主题真正的赢家可能不是“最快生成分子”的公司 未来AI药物公司的竞争壁垒，会逐渐从“大模型本身”转向四件事：独家生物数据+ 湿实验闭环 + 临床开发能力 + 大药企合作网络。 基础AI模型最终可能逐渐商品化；但高质量实验数据、失败数据、真实患者数据以及模型—实验—模型之间的反馈循环不容易复制。 因此，对投资者来说，最值得关注的指标并不是“模型生成了多少亿个分子”，而是：AI设计项目从靶点到候选药物用了多久？临床前淘汰率是否下降？进入临床后的成功率是否高于行业基准？每个IND的现金成本有没有下降？——这才是判断AI是否真正创造经济价值的核心KPI。 ~ 投资结论 ~ 牛市逻辑：如果AI能够把失败从昂贵的临床阶段提前到低成本的计算和临床前阶段，整个制药行业的研发ROIC都有可能提高。拥有专有数据、强实验体系和内部管线的平台可能逐渐类似“药物研发操作系统”，产生明显的平台估值溢价。 熊市逻辑：目前资本投入明显领先于临床验证。21亿美元融资、数十亿美元平台估值与部分公司的极早期临床进度之间存在巨大时间差。AI能够优化分子，但无法彻底解决人体生物学复杂性、临床试验执行以及FDA监管风险。未来一些“AI Biotech”很可能最终证明只是传统Biotech披上AI估值外衣。 最值得观察的三个验证点： 第一，看Generate等AI设计资产的Phase II/III数据能否真正显示临床优势； 第二，看Isomorphic能否把合作项目和内部项目持续转化为IND及临床候选物； 第三，看AI平台能否用实际数据证明单位成功药物的研发成本和周期下降，而不是仅仅证明“设计分子更快”。 因此，这一轮AI-Biotech浪潮的核心投资机会并不在“AI”本身，而在于AI是否能够改善制药行业最重要、也最昂贵的变量——失败率和失败发生的时间点。如果这一点被临床数据证明，那么这确实可能是一次长期的资本市场重构；如果证明不了，当前巨额融资中的相当一部分最终仍会回归传统Biotech的二元临床风险定价。 四家公司的价值分析 四个最有代表性的案例放在一起看，会发现它们其实代表了四种完全不同的“AI制药投资模式”：Isomorphic Labs更像“AI基础设施/药物设计操作系统”，Generate已经进入“AI药物临床验证阶段”，Parabilis是“AI+新药物模态+已有临床信号”，而NewLimit则是“AI+全新生物学+超长期期权”。排序如下： 公司 核心模式 最成熟资产 临床成熟度 当前资本验证 风险判断 Generate:Biomedicines AI生成蛋白药 GB-0895 Phase III 市值约20亿美元 临床验证最领先 Parabilis Medicines AI + Helicon多肽 zolucatetide Phase I/II，准备III期 市值约44亿美元 临床信号最有爆发力，但估值也高 Isomorphic Labs AlphaFold / IsoDDE药物设计引擎 未公开具体候选物 临床前 最新融资21亿美元 技术壁垒最高、临床证据最少 NewLimit AI + 表观遗传重编程 肝细胞重编程项目 临床前 估值约31亿美元 潜在空间最大、科学风险最高 一、Isomorphic Labs：技术壁垒最高，临床验证仍不足 Isomorphic Labs于2021年从Google DeepMind体系孵化，由Demis Hassabis领导，技术建立在AlphaFold基础上。2026年5月，公司完成21亿美元B轮融资，用于扩展IsoDDE药物设计引擎并推进内部项目进入临床。其核心价值并不只是预测蛋白结构，而是尝试进一步实现“从结构预测到直接设计可开发药物”。 公司已与礼来、诺华和强生建立多靶点合作，其中礼来和诺华早期合作潜在总金额接近30亿美元，说明大型药企对其技术已有较强认可。不过，Isomorphic目前最大短板仍是缺乏人体数据。首次人体临床已由原计划2025年推迟至2026年底左右，说明AI可以加快分子设计，却无法绕过CMC、毒理、IND申报和临床试验等传统环节。因此，其21亿美元融资更多代表资本对未来平台价值的提前定价，而非AI制药已经得到临床证明。 二、Generate:Biomedicines：最接近验证AI药物商业价值 Generate是四家公司中临床进度最领先的一家。核心药物GB-0895是一款AI工程化抗TSLP抗体，目前已进入两项全球III期严重哮喘研究。其Phase I数据显示半衰期约89天，公司希望实现一年仅注射两次。 Generate的策略较为务实：TSLP本身已被临床验证，AI主要用于改善抗体半衰期、亲和力和给药便利性，因此降低了靶点风险。不过，GB-0895面临Tezspire和Exdensur等成熟竞争产品，“一年两针”已不是独占优势。未来真正决定价值的是疗效、安全性、标签宽度和医保准入。如果III期证明其具有明显better-in-class属性，将显著强化Generate整个AI平台的估值逻辑；若疗效仅与现有药相当，则说明AI提高设计效率并不必然创造商业优势。 Generate目前市值约20亿美元，扣除约4.6亿美元现金后企业价值约15.5亿美元，在拥有III期资产和多个合作项目的情况下，估值相对理性。 三、Parabilis Medicines：AI打开“不可成药”靶点 Parabilis原名Fog Pharmaceuticals，核心技术是Helicon稳定α螺旋多肽。它利用AI预测、物理建模、高通量合成和实验筛选，试图攻击传统小分子和抗体难以触及的胞内蛋白—蛋白相互作用。 其核心药物zolucatetide直接阻断β-catenin与TCF相互作用，目前处于Phase I/II阶段，并计划推进硬纤维瘤III期研究。如果成功，不仅意味着单个药物有效，更可能证明Helicon可以将传统“不可成药”靶点转化为可开发药物，形成明显的平台价值。 但Parabilis估值已经较高，市值约44亿美元，扣除约11亿美元现金后企业价值约33亿美元，市场已提前反映较高成功预期。同时，硬纤维瘤已有Ogsiveo等获批治疗，zolucatetide未来必须在疗效、安全性或长期疾病控制方面体现明显优势。Regeneron与其合作开发Antibody-Helicon Conjugates，也进一步验证了Helicon平台的产业吸引力。 四、NewLimit：潜在空间最大，但科学风险最高 NewLimit试图通过表观遗传重编程让衰老细胞恢复年轻功能，其AI平台Ambrosia用于预测能够改变细胞状态的转录因子组合。公司目前首先开发肝细胞重编程项目，并计划2027年进入首次人体试验。 2026年6月，公司完成4.35亿美元C轮融资，估值约31亿美元。资本看中的并非单一肝病药，而是一个更大的长期假设：如果能够安全实现细胞年轻化，未来可能扩展至代谢、血管、免疫等大量年龄相关疾病。 但NewLimit目前没有人体数据，最大的风险也不是AI算法，而是能否安全、可控地实现部分重编程。过度重编程可能导致细胞身份丢失甚至肿瘤风险。此外，“衰老”本身并非传统监管适应症，公司必须从具体疾病切入。因而NewLimit具有四家公司中最大的潜在上行空间，同时也是科学和监管不确定性最高的项目。 Generate最接近临床价值兑现，Parabilis兼具临床资产与平台弹性，Isomorphic拥有最强技术和产业背书但缺乏人体验证，NewLimit则代表最高风险、最高潜在回报的长期科技期权。 四家公司的投资结论 上述四个案例实际上构成了一条非常清楚的“AI-Biotech风险阶梯”。 一、Generate处于最靠近传统Biotech的一端。 靶点已经被验证，候选药已经进入III期，AI主要用于创造更好的药物属性。因此它的科学风险最低，也最适合用传统风险调整NPV、峰值销售额和III期成功概率进行估值。 二、Parabilis位于中间。 它已经有人体临床信号，但同时要求投资者相信一种新的药物模态——Helicon。因此一旦核心资产成功，平台价值可能产生明显read-through；反过来，如果zolucatetide失败，市场也可能同时下调整个Helicon平台的可信度。 三、Isomorphic主要还是平台下注。 它拥有最强AI背景、最大计算能力和最顶级Big Pharma合作网络之一，但目前仍缺少人体临床验证。所以21亿美元融资证明的是资本信心和产业合作认可，并不是药物有效性的证明。 四、NewLimit则处在最远端。 其潜在市场最大，但投资者实际上同时在赌三个东西：AI能力× 表观遗传重编程科学 × 人体安全性。任何一层失败都可能使估值大幅缩水。 ~ 目前最值得跟踪的顺序 ~ 如果目标是判断“AI制药到底有没有真正提高新药研发生产率”，会重点盯： 第一：Generate。因为GB-0895已经进入III期，是最接近给AI药物设计模式提供真正大规模临床验证的案例。尤其要观察它能否在已经存在Tezspire和Exdensur的市场中显示真实差异化。 第二：Parabilis。2026年第四季度将披露更成熟的zolucatetide硬纤维瘤数据，并与FDA讨论III期设计；这是PBLS估值最重要的近期事件之一。 第三：Isomorphic Labs。真正需要看的不是下一次融资规模，而是第一个候选药IND、第一名患者给药以及首次人体PK/安全性数据。尤其要观察此前推迟后的2026年底临床时间表能否兑现。 第四：NewLimit。2027年的首次人体研究可能是整个“细胞年轻化/表观遗传重编程”领域的关键验证之一，但目前任何临床价值判断都应给予非常大的折价。 Generate是在验证“AI能否做出更好的药”；Parabilis是在验证“AI能否帮助打开过去不可成药的靶点”；Isomorphic是在验证“AI能否把药物发现变成可扩展工程系统”；NewLimit则是在验证“AI能否帮助人类操纵衰老本身的生物学”。 从投资风险收益角度看，越往后想象空间越大，但估值中“尚未被临床数据证明的部分”也越大。 欲深入了解更多行业洞察，请扫以下二维码加入社群： 公司已完成项目 星际微光已完成的项目（截至2023.9，仍在继续......）  圆满中秋 | 星际微光七年完成100个咨询项目 咨询、调研、PR、投资、融资、营销、技术转化项目需求请扫码联系我们： 点击“阅读原文”，看看：生成式音乐经济到来！

2024年诺贝尔化学奖揭晓的那一刻，整个结构生物学圈都炸了。Demis Hassabis和John Jumper凭借AlphaFold2拿下了半个奖项，另一个半奖给了David Baker——这个结果让不少人开始嘀咕：AI都能预测蛋白质结构了，施一公、颜宁他们还在实验室里折腾什么呢？ 很多人觉得AlphaFold的出现意味着传统结构生物学走到了尽头，冷冻电镜拍出来的那些高分辨率结构，AI几分钟就能搞定，何必还要费时费力去解析。这种说法听起来挺有道理，但要是真以为施一公和颜宁的实验室会因为AI而变得门可罗雀，那确实是想窄了。 这两位的实验室不仅没冷清下来，2024年还各自在顶刊上发了不少硬货。施一公团队在《科学》上发表了γ-分泌酶识别底物的分子机制，提出了困扰领域多年的“活塞模型”，随后又在《自然·结构与分子生物学》上解析了五种抗癌临床药物抑制γ-分泌酶的结构基础。颜宁团队同样没闲着，在《细胞研究》上公布了Cav3.2与四种T型钙通道拮抗剂的复合物结构，为镇痛药物和抗癫痫药物的开发铺好了路，下半年还接连在《细胞》和《科学》上发了好几篇重量级成果。 这师徒俩的实验台前灯火通明，跟AI的热闹其实是两码事。与其说AI颠覆了结构生物学，不如说它正在重新定义这门学科的游戏规则。 AI的边界：那些它对付不了的问题 AlphaFold2确实厉害，2021年一出来就把蛋白质结构预测的准确率从20%左右拉到了90%以上，到了2024年推出的AlphaFold3，更是能预测蛋白质与DNA、RNA、小分子配体甚至翻译后修饰的复合物结构。但你要是以为它已经无所不能，那就太天真了。 先说说膜蛋白复合体。这类蛋白嵌在细胞膜里，周围的环境是脂质双分子层，这套环境对蛋白的构象影响极大。2024年12月，中国科学院上海药物研究所徐华强团队专门做了一轮评测，拿AlphaFold3去预测GPCR类受体与配体的复合物结构。结果发现，对于单体GPCR，AI还能凑合，但到了二聚体GPCR，预测的RMSD值直接飙升到了7.70埃——这个误差在药物设计领域基本没法用。说白了，AI连两个单体怎么拼在一起都搞不清楚，更别提体内那些动辄由十几个亚基组成的大型膜蛋白机器了。 再说动态构象。蛋白质待在细胞里可不是一张静态的照片，它一直在动，不同的构象状态对应着不同的功能。比如G蛋白偶联受体这类药物靶点，与其他分子结合的时候会经历大幅度的构象变化，而这些变化恰恰是理解药物如何工作的关键。AlphaFold能预测出某个状态下的结构，但给不出它从一种状态切换到另一种状态的动态过程。复旦大学和上海科学智能研究院的团队虽然在2025年初提出了一个叫AlphaFolding的4D扩散模型，试图用AI来预测蛋白质的“运动轨迹”，但这还只是初步探索，离真正解决动态问题还差得远。 还有一个容易被忽略的问题：翻译后修饰。磷酸化、糖基化、乙酰化这些修饰对蛋白质的功能至关重要，但AlphaFold的训练数据里关于这些修饰的信息非常有限。颜宁团队在2025年4月发表的一篇论文里就提到，他们研究的糖纤维——那些完全由糖链构成的奇特结构——根本没有基因组序列可以参考，AlphaFold面对这种“无序列可循”的情况，完全无能为力。颜宁自己在微博上说得也很直白：AlphaFold需要足够的数据来训练才能推测结果，碰上没有数据积累的新领域，它照样两眼一抹黑。 AI擅长的是“模式匹配”，它从海量已知结构里学出一套规律，然后去预测未知。但生物体内真实发生的现象，远比训练数据里的那些模式复杂得多。 实验结构生物学的硬核价值 既然AI有这么多短板，那实验结构生物学家到底在做什么？拿施一公和颜宁团队2024年的两篇代表性成果来说，就能看明白。 施一公团队做的γ-分泌酶，是阿尔茨海默病领域的核心靶点。这个酶切出来的Aβ多肽会聚集形成淀粉样斑块，直接跟老年痴呆挂钩。但问题是，γ-分泌酶这种膜内蛋白酶复合体结构极其复杂，由PS1、Pen-2、Aph-1和Nicastrin四个亚基组成，跨膜螺旋多达19个，用AI预测出来的结构根本没法用于药物设计。施一公团队在2024年6月发表的《科学》论文里，不仅解析了γ-分泌酶结合底物的四种中间态结构，还提出了一个“活塞模型”来解释它如何一步步切割底物。这种动态切割机制的揭示，靠的是实验设计上的巧思——在酶和底物上引入半胱氨酸突变，通过二硫键把复合物“锁”住，再用冷冻电镜逐个拍下中间状态的照片。这种精细活儿，AI目前还干不了。 到了2024年12月，施一公团队又往前推了一步，直接解析了γ-分泌酶与五种抗癌临床药物结合的结构。这些药物里有已经被FDA批准的Nirogacestat，也有多个正在临床试验中的化合物。通过实验结构，团队能清楚看到每种药物是怎么钻进PS1亚基的底物结合口袋的，以及为什么有些药物效果更好、有些则表现不佳。这种抑制剂与靶点相互作用的精确细节，对药物优化来说是不可或缺的蓝图，AI预测给不出这种精度。 颜宁团队做的是另一个方向。她长期聚焦于电压门控离子通道，2024年4月在《细胞研究》上发表的Cav3.2结构就是典型。Cav3.2是T型钙通道的一种亚型，在疼痛感知和癫痫发作中扮演着关键角色。颜宁团队解析了Cav3.2单独以及和四种选择性拮抗剂结合的复合物结构，分辨率达到了2.8到3.2埃。从这些结构里，他们能看清不同的拮抗剂是怎么堵住通道的——有的把含环丙基的末端伸进中心腔，直接阻断离子流动；有的把疏水尾部塞进腔体来阻止离子渗透。这些构象状态和药物结合方式的精细信息，是AI预测目前根本无法达到的精度。 实验结构生物学在药物研发中提供的，不只是一张“照片”，而是一整套“机制说明书”——药物怎么结合、怎么调控、会不会脱靶，全都得靠实验结构来回答。AI预测出来的结果，最终还是要拿到实验台上去验证，才能用于真正的转化。 结构生物学家的新角色 那是不是说实验结构生物学就完全不需要AI了？也不是。 现实情况是，AI正在倒逼这个领域的科学家重新定位自己的角色。过去很长一段时间，拿到一个高分辨率结构本身就是可以发大文章的成果，结构生物学家很大程度上扮演着“结构摄影师”的角色。但有了AlphaFold之后，常规的结构预测AI就能干得不错，“拍出照片”这件事本身不再稀缺。 未来的结构生物学家，得从“摄影师”进化成“导演”和“解释者”。所谓“导演”，就是主动设计实验来验证AI预测出来的生物学功能，给蛋白质的“行为”写剧本——通过突变、交联、光谱等手段，探索蛋白质在真实生理环境里到底是怎么工作的。所谓“解释者”，就是在AI输出海量预测结构之后，筛选出那些真正有生物学意义的，回答“为什么这个结构重要”“它跟疾病有什么关系”这类深层问题。 颜宁团队已经在这么做了。他们提出的“酷寻”策略，就是把冷冻电镜和AI自动建模结合起来，去发现自然界中从未被报道过的新型生物实体。AI负责“广度”——快速扫描未知的蛋白质空间，实验负责“深度”——精准解答关键科学问题。这种“人机协同”的模式，正在成为结构生物学的新范式。 说到底，AI没有颠覆结构生物学，它只是把实验科学家从那些重复性的、技术性的劳动中解放出来，让他们能把精力集中在更有创造性的科学问题上。施一公和颜宁实验室的灯火通明，不是因为他们在跟AI较劲，而是因为他们正在探索AI触及不到的领域，同时也在用AI提升效率。 未来十年，结构生物学真正的突破，大概率不会来自AI或者实验技术单一路径，而是来自两者的深度融合。AI帮我们打开蛋白质宇宙的广袤地图，实验科学家则在地图上标注出那些真正值得深挖的“金矿”。单打独斗太吃力了，只有这种深度协作，才能在这一块难啃的骨头上啃出实质性的进展。 你觉得未来十年，结构生物学最重要的突破更可能来自AI计算，还是实验技术的新突破？