Vepdegestrant

2026年8月4日，美国商业化阶段生物药企Rigel Pharmaceuticals公布2026年第二季度最新财报及业务进展。本季度公司实现稳健盈利，核心商业化产品销售额稳步攀升，同时完成重磅里程碑资产引进，成功拿下全球首款、也是目前唯一一款FDA获批的PROTAC药物VEPPANU（vepdegestrant），正式切入ESR1突变耐药乳腺癌黄金赛道。伴随临床管线持续推进、全年营收指引上调，Rigel整体商业化与研发布局迈入全新发展阶段。 财报数据显示，Rigel 2026年第二季度总营收达7870万美元，其中产品净销售额6700万美元，合作项目营收1170万美元，季度净利润1730万美元，持续维持稳定盈利状态。核心商业化三大主力产品表现分化但整体向好，整体产品销售额同比增长14%，展现出扎实的商业化基本盘。 细分产品来看，自身免疫疾病主力药TAVALISSE（ fostamatinib）表现亮眼，季度销售额达4740万美元，同比大幅增长18%，作为慢性免疫性血小板减少症（ITP）核心治疗药物，该产品海外商业化持续渗透，5月已在墨西哥正式上市、同步斩获巴西药监获批，海外市场增量持续释放。血液肿瘤药物REZLIDHIA（olutasidenib）增长势头强劲，季度销售额890万美元，同比增幅高达27%；其日本上市申请已由合作方递交，为后续亚太市场放量奠定基础。而RET靶向药GAVRETO本季度销售额1070万美元，受市场竞争影响小幅下滑10%，整体处于稳定消化阶段。 本季度最大行业看点，莫过于Rigel完成重磅资产引进，正式入局PROTAC前沿赛道。公司与Arvinas、辉瑞达成独家全球授权合作，拿下VEPPANU的全球开发、生产及商业化权益，并已于二季度完成7000万美元首付款支付。作为全球唯一FDA获批的PROTAC机制新药，VEPPANU专门用于治疗经至少一线内分泌治疗进展后的ER+/HER2-、ESR1突变晚期/转移性乳腺癌，精准攻克临床高发的内分泌治疗耐药难题。目前公司已全面启动上市筹备工作，预计2026年8月中旬正式在美国上市销售，补齐公司实体瘤商业化短板。 除商业化版图扩张外，Rigel自研临床管线稳步推进，核心在研项目R289取得关键进展。R289是一款高选择性IRAK1/4双重抑制剂，主打低危骨髓增生异常综合征（MDS）适应症，其1b期临床试验剂量扩展阶段持续入组中，公司预计2026年下半年完成患者入组、确定二期推荐剂量，并在年底公布初步临床数据。同时，其活性代谢物R835的临床前及一期临床数据正式发表，机制验证清晰，可有效抑制体内促炎细胞因子释放，为自身免疫、炎症相关疾病拓展提供坚实支撑。 在团队建设层面，公司持续加码核心研发与商业化能力建设，7月正式聘任资深肿瘤研发专家Alison L. Hannah博士担任执行副总裁兼首席医学官。Hannah博士深耕肿瘤新药研发数十年，且自2021年起担任公司董事，深度熟悉公司管线布局，将全面主导后续临床开发与医学策略升级，助力多款新药项目高效推进。 基于二季度亮眼业绩与全新资产落地，Rigel大幅上调2026年全年业绩指引。公司预计全年总营收区间为2.85亿–2.95亿美元，其中不含VEPPANU的产品净销售额2.55亿–2.65亿美元，合作项目营收约3000万美元，同时预计全年持续维持正向净利润，具备充足资金支撑现有管线迭代与新项目布局。截至2026年6月末，公司现金及短期投资储备9530万美元，现金流稳定充足。 纵观本次财报，Rigel已形成“成熟产品稳营收、重磅新药拓空间、自研管线蓄后劲”的完整发展格局。依托全球首款上市PROTAC乳腺癌药物的独家商业化优势，叠加自身血液瘤、自免疾病产品的持续放量，公司成功实现从传统血液肿瘤药企，向“血液瘤+实体瘤+前沿蛋白降解技术”多元布局药企的转型。后续VEPPANU的上市销售表现、R289的年底临床数据，将成为驱动公司后续价值增长的两大核心看点。

Beyond Discovery: AI制药的新范式——Pathos AI深度调查 引言：AI制药的分水岭 2026年8月3日，一家临床阶段的AI生物技术公司在同一天宣布了两笔重磅交易，震动了整个AI制药领域。 第一笔，总部位于纽约的Pathos AI与中国生物制药公司康宁杰瑞（Alphamab Oncology, 9966.HK）达成全球许可协议，引进JSKN016——一款靶向TROP2/HER3的双特异性抗体药物偶联物（ADC）。交易总价值高达22.18亿美元，其中首付款1.25亿美元，里程碑付款最高20.93亿美元，外加高个位数至低双位数百分比的销售特许权使用费。Pathos获得JSKN016在中国大陆、香港、澳门和台湾以外地区的独家开发和商业化权利，康宁杰瑞保留大中华区全部权益。作为交易的一部分，康宁杰瑞还获得了以6,250万美元认购Pathos AI优先股的认股权证 (BioSpace) (Fierce Biotech)。 就在同一天，Pathos AI又宣布与阿斯利康（AstraZeneca）达成合作及共同排他性许可协议，推进AZD4241——一款靶向雌激素受体α（ERα）的蛋白降解靶向嵌合体（PROTAC），用于ER+/HER2-乳腺癌的早期临床开发。Pathos将承担该项目的早期临床开发责任，利用其AI驱动的Foundry平台进行患者分层和试验设计。财务条款未披露 (BioSpace) (European Biotechnology)。 这两笔交易让Pathos的临床管线在一天之内从3个扩充到5个（含4个临床阶段项目）。但比交易规模更重要的，是它们验证了一个根本性的命题—— 过去十年，AI制药的故事集中在"发现"——用AI找靶点、设计分子。Pathos选择了不同的道路：将AI应用于发现之后的领域——资产筛选、临床开发、患者分层。这不是AI制药的延续，而是agentic时代新范式的成熟。 JSKN016和AZD4241均由Pathos的Foundry平台识别并优先排序，这是AI驱动资产筛选首次在20亿美元级别的跨境交易中作为核心决策引擎出现 (Pharmaphorum)。这不是一家"做平台"的AI公司，也不是一家"用AI辅助"的传统药企。Pathos正在用另一种形式展示一个全新物种——AI原生（AI-native）生物制药公司：它的资产筛选靠AI，它的试验设计靠AI，它的团队结构围绕AI重新组织。2025年5月完成的3.65亿美元D轮融资，给了它16亿美元的估值；短短15个月后，两笔交易勾勒出的管线规模与战略深度，正在让这个估值看起来或许过于保守 (Pathos官网)。 要理解这两笔交易的真正分量，需要回到Pathos的起点，回到那个关于"为什么95%的癌症药物临床试验最终失败"的根本追问 (YesPress)。第一章：从发现到开发——AI制药被忽视的战场 > AI制药的上半场属于"发现"——靶点发现、分子设计、化合物筛选。这条路走了十年，成果斐然，却未能解决最根本的问题：药物在临床中的失败率。Pathos的核心洞察是：真正的战场不在发现，而在开发。1.1.1 AI药物发现的上半场 过去十年，AI制药的故事围绕一个核心承诺展开：AI可以加速药物发现。这个承诺催生了一批标志性的公司，也吸引了数十亿美元的投资。 Recursion Pharmaceuticals，2013年成立于美国盐湖城，是AI药物发现的先驱之一。它通过大规模细胞成像和机器学习来识别新的药物靶点和候选分子，2021年上市，IPO融资3.28亿美元。Recursion代表了"AI+高通量实验"的发现范式 (Recursion官网)。 Insilico Medicine（英矽智能），2014年成立于美国，总部后迁至香港。其核心能力是用生成式AI设计全新分子结构。2024年，其AI发现的ISM001-055进入II期临床，成为首个完全由AI发现靶点并设计分子的候选药物进入中期临床试验 (Insilico官网)。 Isomorphic Labs，DeepMind的 sister company，2021年成立，致力于将AlphaFold等蛋白质结构预测技术应用于药物设计。依托Google DeepMind的技术底蕴，Isomorphic Labs与辉瑞、诺华等巨头签署了多项合作协议，代表了"AI+结构生物学"的发现范式 (Isomorphic Labs)。 这些公司的共同逻辑是：AI可以在药物发现的最早期阶段创造价值——找到新靶点、设计新分子、缩短从靶点到候选分子的周期。这个逻辑本身没有问题，也确实取得了显著成果：AI将发现周期从4-5年压缩到不到2年，将候选分子的设计效率提升了数倍。 但它们都回避不了一个问题。2.1.2 未解决的瓶颈：发现之后的"死亡谷" 发现速度提升了，但90%进入临床的药物仍然失败。 这个统计数字是药物开发领域最残酷的现实。无论是传统方法发现的分子，还是AI发现的分子，一旦进入临床试验，失败率几乎相同。AI可以更快地找到候选药物，但无法保证这些候选药物在人体中有效。 行业数据清楚地揭示了这一困境 (Onenucleus) (PubMed)： AI制药公司已经推进了超过100个候选分子进入临床 但多个AI发现的药物在II期临床中失败，失败率约为80% 失败的原因并不仅仅"分子设计有问题"，很多AI设计的分子具有一般意义上很高的成药性，而"入组了错误的受试者"、"选择了错误的开发计划"或"在错误的适应症中徘徊" 这意味着什么？AI制药的上半场解决了一个重要但相对简单的问题——"找到分子"。但它回避了更难、更有价值的问题——"让分子在临床中成功"。 一个AI发现的候选分子，如果在III期试验中因为患者分层不当而失败，那么之前节省的所有发现时间和成本都变得毫无意义。药物开发的瓶颈不仅仅是"发现"——开发，特别是"临床"也是成败的关键。3.1.3 Pathos的核心洞察 "肿瘤药物开发的瓶颈不是找到分子，而是在正确的患者身上证明它们有效。" ——Iker Huerga, Pathos AI CEO (Fierce Biotech) 这句话是理解Pathos一切战略选择的钥匙。 Huerga的背景决定了他看到的问题与众不同。他是一位有着20多年机器学习与肿瘤学交叉领域经验的数据科学家，此前担任阿斯利康肿瘤学研发首席数据科学家，更早之前是Tempus Labs的执行副总裁。他本人是一位癌症幸存者，创立并成功退出了三家AI驱动的肿瘤学初创公司 (Pathos官网 - About Us) (YesPress - Iker Huerga)。 2025年5月，Huerga出任Pathos AI首席执行官，几乎与3.65亿美元D轮融资同时宣布。在他的领导下，Pathos从一个"AI+药物开发平台"公司，加速转型为一个拥有自有管线的AI原生生物制药公司 (BioSpace)。 他的核心理念可以概括为：既然大多数的临床失败不是因为分子本身无效，而是因为患者选择、剂量设计和试验策略的错误，那么AI应该被应用到这些环节——而不是仅仅用于发现阶段。 这不是AI制药的延续，而是agentic时代新范式的成熟。Pathos选择了AI制药的上半场从未涉足的领域——发现之后的战场。第二章：体系化的AI-Agentic能力——Foundry平台解剖 > Pathos不是一个单一AI工具，而是一套体系化的AI-agentic能力架构。它的核心不是"一个模型"，而是"一个学习飞轮"——从数据到模型到代理到组织，四层能力环环相扣。4.2.1 PathOS™三层引擎：一个体系化的能力架构 Pathos的核心技术架构名为PathOS™平台，它不是一个单一的AI模型，而是一个由三个引擎组成的学习飞轮系统，共享同一个AI核心——Foundry。 三大引擎的分工如下 (Pathos官网 - Platform)： 1. Foundry（AI核心）：整个系统的大脑，其骨干是Pathos与Tempus、AstraZeneca联合开发的肿瘤学多模态基础模型（Oncology Foundation Model）——据公司称是行业最大的同类模型。Foundry不仅仅是一个模型，它还连接到Pathos的湿实验室验证系统（lab-in-the-loop validation system），形成"模型预测-实验验证-模型更新"的闭环。 2. Scout（资产发现引擎）：扫描所有在研疗法，匹配最可能获益的患者亚群，对机会进行排序，将最高信心的项目推向前台。Scout是Pathos筛选外部资产的核心工具。 3. Sprint（临床执行引擎）：Scout发现资产后，将其移交给Sprint Pod——小型自治团队，每个团队像Pathos内部的一家独立生物科技公司一样运作。Sprint Pod利用PathOS平台设计生物标志物驱动的临床试验，加速Go/No-Go决策。 关键洞察：这不是一个单一AI工具，而是一个体系化的能力架构。 Foundry提供智能核心，Scout负责"选什么"，Sprint负责"怎么做"。三个引擎之间形成学习飞轮效应：每个项目的经验都反馈给Foundry，使得下一个项目起步更强、精度更高。每一次临床试验，无论成败，都是系统的训练数据。 这种体系化架构的意义在于：它不是一个点状的能力突破，而是一个可复制、可进化的能力体系。这正是Pathos与大多数AI制药公司的根本区别——后者往往依赖单一AI模型或一组模型来解决特定问题，而Pathos构建的是一个完整的AI原生药物开发系统。5.2.2 数据基础：200+ PB多模态肿瘤数据 + AZ/Tempus三方基础模型 AI模型的质量取决于训练数据的规模和丰富度。Pathos在这方面拥有巨大的先天优势——通过与Tempus AI的深度合作，它可以访问超过200 PB的多模态肿瘤学数据，这些数据与患者结局相链接。据Pathos官网称，这一数据量是癌症基因组图谱（TCGA）——最大的公共肿瘤基因组数据集——的50倍 (Pathos官网 - Platform)。 数据模态包括：基因组学 突变、拷贝数变异、融合基因等转录组学 基因表达谱影像组学 病理图像、放射影像临床文本 电子病历、医生笔记纵向临床结局 治疗反应、生存期数据 这种多模态数据的价值在于，它不仅能告诉AI"这个疗法有没有效果"，更重要的是能帮助理解"为什么有效"——揭示应答和耐药的因果机制。这对于精准的患者分层至关重要 (Pathos官网 - Home)。 2025年4月，Pathos与阿斯利康、Tempus AI达成三方多年战略合作，共同构建肿瘤学多模态基础模型。该合作涉及Tempus获得高达2亿美元的数据授权和模型开发费用。完成后的模型将由三方共享，用于各自的研发项目 (Tempus投资者关系) (生策会)。 值得注意的是，AstraZeneca和Tempus不仅是Pathos的数据和技术合作伙伴，也是D轮的投资者。这种"既是合作方又是投资人"的双重关系，构建了一个难以复制的生态壁垒——Pathos从Tempus获得数据、从AZ获得药物开发专业知识和管线资产，而这些合作方同时也在Pathos的成功中拥有经济利益 (YesPress - Pathos)。6.2.3 多智能体系统：数千AI代理并行的架构 Pathos的技术最具特色的部分是其AI代理（AI Agents）系统。与大多数AI制药公司使用单一模型或一组模型不同，Pathos的Foundry平台采用了多智能体（multi-agent）架构——数千个AI代理并行工作，每个代理专注于不同的任务和数据维度。 根据公开资料，这些AI代理的分工包括 (Pathos官网 - DeuterOncology收购公告) (Pathos官网 - Platform)：资产筛选代理 持续扫描会议论文、监管文件、已发表的试验数据和专有的真实世界证据数据库，自动识别有潜力但被低估的肿瘤学资产临床价值评估代理 从作用机制、药代动力学特征、早期临床信号、竞争格局等维度评估资产的临床价值转化可行性代理 评估将资产推进到下一个临床阶段的可行性和风险竞争定位代理 在竞争格局中定位资产，分析差异化优势交易可行性代理 评估收购或许可的商业可行性试验设计代理 分析复杂的生物学、真实世界数据，智能设计临床试验、优化给药方案、匹配正确的患者 这种多智能体架构的核心理念是：药物开发不是一个单一问题，而是一组相互关联的子问题，需要不同类型的AI代理协作解决。资产筛选需要"广度"——扫描全球数千个项目；临床评估需要"深度"——理解分子机制和竞争格局；试验设计需要"精度"——匹配正确的患者和剂量。单一AI模型很难同时在这三个维度上都做到最好，而多智能体系统可以让每个代理专注于自己最擅长的领域。 在DO-2的收购案例中，整个过程——从Foundry最初标记DO-2为顶级候选，到管理层做出最终投资决策——用时仅为传统尽职调查的一小部分时间。这不仅是速度的提升，更是决策质量的系统性提升：AI能够同时处理数千个候选资产、数百万个数据点，而人类BD团队往往只能基于人脉和会议接触有限的项目 (Pathos官网 - DeuterOncology收购公告)。7.2.4 学习飞轮：每个项目让下一个项目更强 三个引擎之间形成学习飞轮效应：每个项目的经验都反馈给Foundry，使得下一个项目起步更强、精度更高。每一次临床试验，无论成败，都是系统的训练数据。 这意味着Pathos的AI能力不是一个静态的工具箱，而是一个持续进化的系统。DO-2的收购经验会改进Scout的资产筛选算法；pocenbrodib的临床开发经验会改进Sprint的试验设计能力；所有项目的数据都会增强Foundry的肿瘤生物学理解。 这种飞轮效应是Pathos最被低估的竞争优势之一。随着管线从5个扩展到10个、15个，每个新增项目的边际价值不仅在于它本身的商业潜力，还在于它为整个系统提供的训练数据。这就像AlphaGo的自我对弈——每一个项目都让整个系统变得更强。 > Pathos的Foundry平台不是一个AI工具，而是一个体系化的AI-agentic能力架构——从数据基础（200+ PB多模态肿瘤数据）到模型核心（三方联合基础模型）到代理系统（数千AI代理并行）到组织模式（Sprint Pod），四个层次环环相扣，形成学习飞轮。这正是"Beyond Discovery"的基础设施。第三章：AI驱动的BD新范式——系统性发现已有资产的价值 > 这是Pathos最具独特性的价值探索：用AI系统性地替代传统BD的人脉扫描模式。从DO-2到JSKN016，Pathos证明了AI不仅能发现被低估的资产，还能在20亿美元级别的跨境交易中作为核心决策引擎。这不是BD的辅助工具，而是BD的新范式。8.3.1 DO-2：AI发现被低估资产的第一个公开验证 2026年5月6日，Pathos收购比利时DeuterOncology的多数股权，获得第三代MET激酶抑制剂DO-2。交易价格未披露 (Pathos官网)。 这笔交易是AI驱动资产发现的首个公开验证案例。Pathos反复强调，DO-2是由Foundry平台系统识别、评估并推进收购的——从2025年底首次标记为顶级候选，到最终完成收购，用时极短。这笔交易证明了Pathos商业模式的核心假设：AI能够在全球范围内系统地发现被低估的临床资产，而且比传统方法更快、更准确。 为什么是DO-2？Foundry的分析可能基于以下逻辑：临床需求明确 MET抑制剂在MET exon 14跳变的NSCLC中已被证实有效，但现有药物（tepotinib、capmatinib）的外周水肿发生率高达62-82%，严重影响患者生活质量和依从性差异化显著 DO-2的氘代结构和"快开/快关"结合动力学，在I期临床中显示出仅5%的外周水肿发生率（对比62-82%），且100%的患者出现肿瘤缩小市场空间充足 MET-altered NSCLC是一个成熟的市场，已有多款获批药物验证了靶点，但最佳疗法尚未决出专利保护长 DO-2的专利保护期至2040年12月开发风险低 已完成I期剂量递增，有初步疗效和安全性数据，跳过了最早期的探索阶段 (Pathos官网) DO-2的收购公告中提到，"仅2026年第一季度，Foundry就做出了四项重大投资组合决策" (Pathos官网 - DeuterOncology公告)。这暗示Foundry平台的资产筛选能力已经从"单点突破"进入了"系统化产出"阶段。9.3.2 JSKN016：22亿美元跨境交易中的AI选品逻辑 2026年8月3日，Pathos从康宁杰瑞获得JSKN016（TROP2/HER3双特异性ADC）在大中华区以外的全球独家权利。首付1.25亿美元，里程碑最高20.93亿美元，外加销售特许权使用费。交易总价值22.18亿美元 (BioSpace) (港交所公告)。 这笔交易是Pathos迄今为止最大胆的举动，也最能体现其战略思维。 为什么是TROP2 ADC？ TROP2 ADC是当前肿瘤领域最热门的赛道之一。Gilead的Trodelvy（sacituzumab govitecan）和第一三共/阿斯利康的Datroway（datopotamab deruxtecan/Dato-DXd）已获FDA批准用于TNBC。2026年6月，Trodelvy获FDA批准扩展至一线TNBC适应症；2026年7月，Datroway在欧盟获批用于一线转移性TNBC，成为首个在该适应症显示OS获益的TROP2 ADC。科伦博泰/默沙东的sacituzumab tirumotecan（MK-2870/SKB264）也有17项III期临床正在进行。这是一个拥挤但高速增长的市场 (Clintrialfinder) (AllSci)。 在如此拥挤的赛道中，JSKN016的差异化在哪里？答案可能在于双特异性设计。JSKN016同时靶向TROP2和HER3，通过糖基定点偶联获得DAR=4的均一稳定ADC。这种双特异性设计理论上可以：更精准地定位肿瘤细胞（同时结合两个靶点）、克服单一靶点下调导致的耐药、通过双靶点增强内吞效率提升药物递送 (康宁杰瑞ASCO 2026)。 I期临床数据确实亮眼：在三阴性乳腺癌（TNBC）中，RP2D剂量下的客观缓解率（ORR）达到64.5%（研究者评估），中位无进展生存期（mPFS）达8.5个月；在HR+/HER2-乳腺癌中，ORR为51.7%，疾病控制率（DCR）达100%。作为对比，Trodelvy在ASCENT试验中（3L+ mTNBC）的ORR为35%，mPFS为5.6个月。当然，由于试验设计和患者人群不同，不能直接比较，但这些数据至少显示JSKN016具有成为Best-in-Class的潜力 (ASCO 2026摘要) (Fineline Cube)。 为什么是中国资产？ 这是一个关键的战略选择。中国生物科技公司在ADC领域已经建立了全球领先的技术能力和临床推进速度，但往往缺乏全球开发和商业化的能力。Pathos用AI识别出JSKN016的潜力，然后以"出海合作"的模式获得海外权益。这比自己从头开发一个ADC要快得多（节省5-7年），成本也低得多（1.25亿美元首付 vs. 从头开发的数亿美元和多年时间）。这种"AI选品+中国创新+全球开发"的模式，是Pathos的一种理性选择。 交易结构设计巧妙。22亿美元的总金额中，只有1.25亿美元是首付（约5.6%），绝大部分是里程碑付款。这意味着Pathos只需要在JSKN016取得重大临床或商业化进展时才需要支付大笔费用，极大地降低了前期资金压力。10.3.3 AZD4241：合作生态中的AI赋能BD 同日宣布的AZD4241合作则展示了Pathos AI驱动BD的另一种模式——不是从小公司收购资产，而是从大药企承接早期项目。 AZD4241是一种口服ERα PROTAC，通过招募细胞的泛素-蛋白酶体系统来降解雌激素受体α蛋白，靶向ERα的野生型和突变形式。ESR1突变存在于30-40%在标准内分泌治疗后进展的患者中 (BioSpace - AZD4241公告)。 该合作正是Pathos与AZ、Tempus三方基础模型合作的直接产物。AZ将AZD4241授权给Pathos，让Pathos用AI平台进行患者分层和早期临床开发。这种"大药企提供分子+Pathos提供AI临床开发能力"的模式，为双方都创造了价值：AZ可以在不增加内部开发负担的情况下推进早期项目；Pathos则获得了由AI平台精准赋能的管线资产。 AZD4241的临床前数据令人鼓舞： 在MCF7细胞中ERα降解IC50为0.4 nM 在ESR1突变细胞系中降解效力相当（IC50 0.2-1.0 nM） 完全抑制雌二醇诱导的基因表达（GREB1、PGR、TFF1等） 在ESR1野生型和突变型PDX模型中显示剂量依赖性抗肿瘤活性，部分病例出现肿瘤消退 在palbociclib耐药模型中也有效 (AACR 2026摘要)11.3.4 选品能力的进化：从早期项目到2026年交易 回顾Pathos所有合作，可以勾勒出一个清晰的选品能力进化轨迹： 合作伙伴 合作性质 战略价值 选品阶段 Novo Nordisk 管线引进（pocenbrodib） 首个临床资产，验证"AI优化临床开发"模式 传统BD（辗转获得） Prelude Therapeutics 管线引进（P-500） 扩充中枢神经系统肿瘤领域的管线 传统BD（原研方放弃） DeuterOncology 收购多数股权（DO-2） 验证"AI驱动资产发现和收购"模式 **AI发现** Alphamab Oncology 全球许可（JSKN016） 验证"AI选品+中国创新+全球开发"模式 **AI选品** AstraZeneca 合作+共同排他性许可（AZD4241） 验证"合作生态中的AI赋能BD"模式 **AI匹配** Tempus AI 数据+基础模型+投资 提供200+PB多模态临床数据，是AI平台的数据基石 生态合作 从pocenbrodib/P-500的"接手辗转资产"到DO-2/JSKN016的"AI系统性发现"，Pathos的选品能力经历了质的飞跃。早期项目的选品存在数据不充分的问题——pocenbrodib的Courage试验仅5例且终止，P-500的19% ORR虽然有意义但距离确证还很远。相比之下，DO-2和JSKN016的临床数据在接手前就已经相当扎实。2026年的交易确实更能代表Pathos的选品能力。12.3.5 与传统BD模式的对比：人脉网络 vs. 系统性AI扫描 Pathos的AI驱动BD模式与传统模式形成鲜明对比： 维度 传统BD模式 Pathos AI驱动BD模式 资产发现 人脉网络、行业会议、投行推荐 AI系统扫描全球数千个项目 评估方法 基于经验和直觉的定性判断 多维度AI量化评估 覆盖范围 受限于人脉可达的范围 全球、全瘤种、全阶段 决策速度 数周到数月的尽调流程 从标记到决策的时间大幅缩短 偏差风险 受人际关系、锚定效应影响 数据驱动的客观评估 可复制性 依赖关键个人 系统性、可复制、可进化 传统BD的核心是人脉——你知道谁在做什么，你能接触到谁。这种模式在过去几十年中运行良好，但它有一个根本性的局限：你只能发现你网络范围内的资产。一个比利时的DeuterOncology、一个中国的康宁杰瑞，如果没有人主动推荐，传统BD团队几乎不可能发现它们。 Pathos的AI系统则不受这个限制。Scout引擎持续扫描全球范围的会议论文、监管文件、试验数据和文献，自动识别有潜力但被低估的资产。这意味着Pathos可以发现那些"不在任何人的BD雷达上"的优质资产——这恰恰是最容易被低估的资产，也是竞争最少、定价最优的资产。 核心逻辑是： Pathos不追求从零开始发现靶点和分子，而是专注于它最擅长的环节——找到好的分子，用AI让它们在临床上更容易成功。大药企（AZ、诺和诺德）有分子但需要更精准的开发路径；小公司（DeuterOncology、Prelude、康宁杰瑞）有好资产但缺乏全球开发能力；而Pathos的AI平台正好能弥合这两者之间的鸿沟。 > Pathos正在用AI系统性地替代传统BD的人脉扫描模式。从DO-2到JSKN016再到AZD4241，三种不同的交易模式（收购、全球许可、合作开发）验证了Foundry平台在资产发现中的系统性能力。这不是BD的辅助工具，而是BD的新范式——"Beyond Discovery"在商务拓展维度的体现。第四章：深挖肿瘤生物学——AI在疾病理解上的能力 > AI制药的真正价值不仅仅在于更快找到高成药性的分子，同时也在走向更深地理解疾病。Pathos的Foundry平台在肿瘤生物学理解上的能力——从基础模型到网络衍生生物标志物到耐药机制解析——是其"Beyond Discovery"主张的科学基石。13.4.1 肿瘤学基础模型：与AZ/Tempus共建的行业最大多模态模型 Pathos在肿瘤疾病生物学理解上的核心能力，建立在与阿斯利康、Tempus AI联合开发的肿瘤学多模态基础模型之上。 这个模型是行业最大的同类模型（据公司称），它训练于超过200 PB的多模态肿瘤学数据，覆盖基因组学、转录组学、影像组学、临床文本和纵向临床结局五大模态。与传统的基础模型不同，它不仅学习"分子长什么样"，还学习"分子在不同患者群体中的表现如何"以及"为什么有些患者响应而有些不响应"。 这意味着这个基础模型的能力不仅限于"发现"，更在于"理解"——理解肿瘤异质性、理解耐药机制、理解患者之间的差异。正是这种"理解"能力，使得Scout能够准确地识别哪些资产在哪些患者群体中最有可能成功，使得Sprint能够设计出更精准的临床试验。 2025年4月的三方合作协议涉及Tempus获得高达2亿美元的数据授权和模型开发费用，完成后的模型由三方共享 (Tempus投资者关系) (生策会)。AZ提供的药物开发专业知识和验证场景，确保了模型不仅在数据层面强大，在临床相关性上也经过了行业领先者的检验。14.4.2 P-500网络衍生生物标志物：AI如何从450例IDHmHGG队列中揭示精准分层策略 Pathos AI在2025年11月SNO/Neuro-Oncology会议发表的EPCO-20摘要，展示了Foundry平台在肿瘤生物学理解上的深度 (Neuro-Oncology)。这是一个教科书式的"AI理解疾病→精准分层"案例： 1. 网络模型驱动靶点发现：团队整合了450例IDHmHGG患者的DNA/RNA测序、临床数据和生存信息，构建了概率网络模型。模型识别出与患者预后密切相关的子网络——涉及细胞周期、DNA修复和表观遗传调控——并预测PRMT5是该子网络的关键调控因子 2. 网络衍生预测性生物标志物：基于PRMT5调控的子网络，开发了一个复合生物标志物评分系统，用于分类患者并预测PRMT5抑制剂治疗获益概率 3. 生物标志物验证：使用Phase 1试验中患者的基线RNAseq数据，计算每位患者的网络衍生生物标志物评分。关键发现——所有应答者（responders）都具有最高的生物标志物评分，直接支持了该生物标志物预测PRMT5抑制剂疗效的能力 4. 提出验证性试验假说：论文明确提出在IDHmHGG中开展P-500验证性试验，以网络衍生生物标志物作为精准医学入组标准 这个案例的意义不仅在于P-500这一个项目。它展示了Foundry平台从多模态数据中揭示疾病生物学机制的能力——不是简单地做统计关联，而是构建因果网络模型，理解"为什么某些患者响应而另一些不响应"。这种能力是精准患者分层的基础，也是Pathos"在正确的患者身上证明药物有效"这一核心理念的技术支撑。15.4.3 pocenbrodib的机制洞察：CBP/p300→AR信号→耐药的AI解析 Pathos对pocenbrodib的重新设计展示了Foundry平台在理解耐药机制方面的能力。 CREBBP/EP300（CBP/p300）是促进癌细胞生长和增殖的基因激活蛋白。CBP/p300通过组蛋白H3K27乙酰化激活靶基因启动子和超级增强子的转录，在前列腺癌中尤其关键——它共激活雄激素受体（AR）及其变异体（如AR-V7）的转录程序，是AR信号通路耐药的核心驱动因子。抑制CBP/p300可阻断AR驱动的转录重编程，从而克服对恩扎卢胺、阿比特龙等ARPI药物的耐药 (Pathos官网 - Pipeline) (TOLREMO)。 Pathos的AI平台对这一机制的深入理解直接影响了临床方案设计：联合方案选择的机制支撑 联合darolutamide（AR抑制剂）作为核心伙伴不是随机的——CBP/p300通过AR信号驱动耐药，联合ARPI有明确的协同逻辑精准人群定位 Post-Pluvicto, pre-taxane的定位反映了对前列腺癌治疗耐药演进路径的深刻理解DRC安全门控设计 逐臂推进的安全门控机制反映了对CBP/p300抑制剂安全性特征的准确把握 这种"从机制理解到临床设计"的转化能力，是Pathos作为"临床开发加速器"的核心竞争力之一。它不是简单地推进临床试验，而是基于对疾病生物学的深刻理解，重新设计临床试验。16.4.4 AI如何理解肿瘤异质性和耐药机制 上述两个案例只是Pathos AI在肿瘤生物学理解能力上的冰山一角。从整体架构来看，Foundry平台理解肿瘤异质性和耐药机制的方式具有系统性： 多模态数据融合：通过整合基因组学、转录组学、影像组学和临床文本数据，Foundry能够构建比单一数据源更全面的肿瘤生物学图景。例如，单纯从基因组数据可能无法发现的耐药机制，通过结合转录组数据和临床结局数据就可能浮现。 纵向数据追踪：200+ PB数据中包含纵向临床结局——治疗反应、生存期数据。这使得Foundry不仅能理解"某个时刻的肿瘤状态"，还能理解"肿瘤在治疗压力下的演化轨迹"——这正是耐药机制研究的核心。 网络模型方法：如P-500案例所示，Foundry使用概率网络模型而非简单的统计关联来分析数据。这种方法更接近生物学的真实运作方式——基因和蛋白质不是在孤立状态下起作用，而是在复杂的网络中相互作用。 > Pathos的AI能力不仅在于"选品"和"设计试验"，更在于深挖肿瘤疾病生物学——从基础模型到网络衍生生物标志物到耐药机制解析。这种对疾病的深层理解是其"Beyond Discovery"主张的科学基石，也是精准患者分层和智能试验设计的根本保障。第五章：AI赋能临床开发——实践中的价值证明 > "Beyond Discovery"不仅是理念，更是实践。Pathos的每一个管线项目都是其AI赋能临床开发能力的实战验证。从方案设计到组织模式到安全门控，AI正在每一个环节创造可量化的价值。17.5.1 从Courage到P300：方案设计的能力跃升 pocenbrodib的演进路径清晰地展示了Pathos接手前后的差异： 维度 Forma Therapeutics "Courage" Pathos AI "P300" 试验规模 ~5例（加速滴定） **120例**（Phase 1b 80 + Phase 2a 40） 临床中心 不明 **19个中心** 联合方案 无（仅单药） **4个联合队列**（单药/+darolutamide/阿比特龙/奥拉帕利/Pluvicto） 安全门控 无 **DRC安全门控**，逐臂推进 患者定位 泛mCRPC **Post-Pluvicto, pre-taxane**精准定位 生物标志物策略 无 Pathos AI平台预测性生物标志物 主要终点 安全性/PK Phase 2a为**rPFS**（RECIST v1.1 + PCWG3） 从5例单药→120例联合+精准人群+AI生物标志物，这不是简单的"做大"，而是从探索性安全试验到验证性疗效试验的质变。联合方案的选择（darolutamide作为核心联合伙伴）有明确的机制支撑——CBP/p300通过AR信号驱动耐药，联合ARPI有协同逻辑。Post-Pluvicto人群的定位同样精准——这个患者群体治疗选择有限，如果pocenbrodib有效，临床价值很高。 但有一个关键时间线问题：从2023年5月license-in到2025年3月首例给药，中间经过了近2年。对于pocenbrodib这样已有Phase 1安全数据的资产，2年的间隔偏长。这可能反映了：①Pathos在方案重新设计上的审慎——不急于沿用旧方案，而是用AI平台做了充分的前期分析；②也可能反映了早期选品时数据不充分，需要补课。18.5.2 Sprint Pod组织模式：2-4人+数百AI代理 Pathos的组织模式是其AI赋能临床开发的制度保障。公司明确表示，它不像传统生物科技公司那样运作——没有中层管理，没有层层审批 (Purpose Jobs - Head of Product)。 核心组织单元是Sprint Pod（冲刺小组）：每个Pod由2-4名领域专家组成，每人指挥数百个AI代理执行具体工作。这些Pod是自主运行的，像Pathos内部的独立生物科技公司。每个Pod有一个明确的任务：将某个特定资产从一个里程碑推进到下一个里程碑（例如，从I期推进到II期，从II期推进到III期准备） (Pathos官网 - Platform)。 Pod中的成员不是传统意义上的项目经理或临床运营人员。招聘信息描述的理想人选是"深度专家，能够明确需要做什么，指挥AI代理规模化执行，并做出高判断力的决策"。换句话说，人类的角色从"执行者"转变为"判断者"和"指挥者"，AI承担了大量信息处理、数据分析、文档撰写等重复性工作 (Purpose Jobs - Head of Product)。 这种组织模式的直接效果是极高的人效比。110人的团队同时推进4-5个临床项目，在传统生物制药公司通常需要数百人。 产品开发速度也大幅提升——"数小时而不是数周交付有意义的成果"。19.5.3 各管线的AI赋能实践 pocenbrodib的DRC安全门控：Phase 1b设置三个臂，每臂都有数据审查委员会（DRC）安全门控，逐臂推进。这种设计允许在安全性数据积累的过程中动态调整方案，降低开发风险。AI平台实时分析累积的安全性数据，为DRC的决策提供定量支持。 DO-2的快速决策：从Foundry标记到收购完成的时间远短于传统尽调流程。这不仅是速度的提升，更是决策质量的提升——AI能够同时评估DO-2在MET-altered NSCLC市场中的竞争定位、安全性差异化优势（5% vs. 62-82%外周水肿）、专利保护（至2040年）、以及商业可行性。DO-2的I期数据显示，在MET exon 14跳变且达到有效药物暴露的NSCLC患者中，100%出现肿瘤缩小（10/10），外周水肿发生率仅5%（均为1级） (PR Newswire - WCLC 2025)。 JSKN016的精准人群选择：Foundry平台在JSKN016的I期数据分析中，不仅关注了整体ORR和PFS，还识别了不同分子亚型患者的差异响应模式。I期临床数据中，TNBC亚组（RP2D，n=31）：ORR 64.5%（研究者评估）/ 61.3%（IRC评估），mPFS 7.6个月（研究者）/ 7.9个月（IRC），DCR 83.9%；HR+/HER2-乳腺癌亚组（RP2D，n=29）：ORR 51.7%（研究者）/ 55.2%（IRC），mPFS 11.1个月（IRC），6个月PFS率84.5%。安全性方面，3级及以上TRAE 24.6%，SAE 15.4%，无4/5级治疗相关不良事件，无间质性肺病，因TRAE永久停药仅1.2% (ASCO 2026摘要) (康宁杰瑞ASCO 2026)。这些多维度的数据分析，为Pathos的全球III期临床策略提供了关键支撑。 > 从Courage的5例到P300的120例，从传统尽调到AI快速决策，从人工方案设计到Sprint Pod的AI赋能实践——Pathos正在用行动证明"Beyond Discovery"的实践价值。110人推进5个临床项目，这不是效率的线性改善，而是数量级的跃升。第六章：企业AI能力构建的样本——方法论提炼 > Pathos的价值不仅在于它自己的管线成功与否，更在于它提供了一个企业AI能力构建的完整样本。从数据层到模型层到agentic层到组织层，Pathos的实践为传统药企提供了一套可参照的方法论——无论最终管线成败，这种能力构建的思路都值得深入研究。20.6.1 AI能力构建的四个层次 从Pathos的实践中，可以提炼出企业AI能力构建的四个层次模型： 第一层：数据层——多模态、大规模、与结局链接 Pathos的数据基础是200+ PB的多模态肿瘤数据，关键特征是与患者结局相链接。这是与普通"大数据"的本质区别。数据本身不值钱，"数据+结局"才值钱。对于传统药企而言，启示是：构建AI能力的第一步不是买模型，而是整理和链接自己的数据——临床试验数据、真实世界数据、患者随访数据，形成闭环。 第二层：模型层——基础模型+领域微调+验证闭环 Pathos的模型层不是单一模型，而是"基础模型（与AZ/Tempus共建）→ 领域微调（肿瘤学特化）→ 湿实验验证闭环（lab-in-the-loop）"的三层结构。对于传统药企而言，启示是：不要试图从头训练一个大模型，而是基于现有的基础模型，用自己的领域数据进行微调和验证。关键在于验证闭环——模型预测必须与实验/临床结果对比，否则无法迭代改进。 第三层：agentic层——多智能体协作，而非单一模型 Pathos的agentic层是最具创新性的部分。它不是用一个AI模型解决所有问题，而是让数千个专业化代理分工协作——资产筛选代理、临床评估代理、试验设计代理各司其职。对于传统药企而言，启示是：AI在药物开发中的应用不应该是一个"万能模型"，而应该是一组专业化代理的协作系统。每个代理专注于一个决策环节，通过协作覆盖整个流程。 第四层：组织层——人机协作的新型组织结构 Pathos的Sprint Pod模式是组织层的创新：2-4名人类专家+数百个AI代理，没有中层管理，自主运行。对于传统药企而言，这是最难复制但也最具启发性的部分。关键洞察是：AI不是替代人类，而是改变人类的角色——从"执行者"变为"判断者"和"指挥者"。21.6.2 BD流程AI化的关键要素 Pathos的实践揭示了BD流程AI化的几个关键要素： 1. 系统性扫描替代人脉扫描：传统BD的资产发现依赖于人脉网络和行业会议。AI驱动BD的第一步是建立一个能持续扫描全球在研资产的系统——会议论文、监管文件、试验数据库、文献，形成系统化的"资产雷达"。 2. 多维度量化评估替代直觉判断：Foundry的代理系统从作用机制、药代动力学、早期临床信号、竞争格局、交易可行性等多个维度评估资产。传统BD的"我觉得这个项目不错"被替换为"AI系统基于X个维度评估后排名Y"。 3. 全球覆盖替代区域局限：Pathos发现了比利时的DeuterOncology和中国的康宁杰瑞——这两个资产在传统欧美BD网络中几乎不可能被注意到。AI系统没有地理偏见，它只看数据质量。 4. 速度优势：从标记到决策的时间大幅缩短，使得Pathos能够在竞争较少的时间窗口完成交易，获得更优的定价。22.6.3 临床开发AI化的关键要素 Pathos的临床开发AI化同样提供了可参照的要素： 1. 从经验驱动到数据驱动的方案设计：pocenbrodib从5例到120例的方案升级，不是基于"感觉应该这么做"，而是基于AI对竞争格局、患者群体、联合用药逻辑的系统分析。 2. AI生物标志物开发：P-500的网络衍生生物标志物展示了AI如何从多模态数据中开发精准分层工具。这不是"找一个已知生物标志物来用"，而是"让AI从数据中发现新的分层策略"。 3. 动态安全门控：DRC安全门控+AI实时分析的组合，使得临床试验可以在推进过程中动态调整，降低整体风险。 4. 学习飞轮：每个项目的经验反馈给系统，使下一个项目更强。这意味着AI临床开发能力是可以积累的——先做的每一个项目都为后续项目创造价值。23.6.4 可复制的要素 vs. 不可复制的壁垒 Pathos的成功中，有些要素是可复制的，有些则构成了竞争壁垒： 可复制的要素： 多智能体系统架构（技术框架可以学习） Sprint Pod组织模式（组织结构可以调整） BD流程AI化的方法论（扫描→评估→决策的流程可以建立） 数据-模型-验证闭环的方法论（可以应用于其他治疗领域） 不可复制的壁垒：数据壁垒 200+ PB的多模态肿瘤数据+患者结局链接。这是与Tempus多年合作的产物，其他公司难以短期复制。生态壁垒 AZ+Tempus+Pathos的铁三角关系。AZ和Tempus既是合作方又是投资者，形成深度绑定的利益共同体 (Tempus投资者关系)。团队壁垒 Iker Huerga（AI+肿瘤学）+ Eric Schadt（计算生物学泰斗，发表500余篇论文，h指数146 (Pathos官网 - About Us)）+ Jens Renstrup（临床开发专家）的组合，加上创始人的Tempus背景，在数据科学和临床开发之间架起了罕见的桥梁。先发优势 作为第一个这类型范式的前沿公司，Pathos在吸引新型人才、合作伙伴和资本方面具有品牌优势。24.6.5 对传统药企的启示 Pathos案例为传统药企的AI能力构建提供了几个关键启示： 启示一：从"AI辅助"到"AI原生"的思维转变。大多数传统药企的AI应用是"辅助性"的——用AI加速某些环节，但核心流程不变。Pathos的启示是，AI可以成为核心业务的基础设施——不是辅助BD，而是替代BD；不是辅助临床设计，而是重新定义临床设计。 启示二：AI能力构建需要"四层联动"。单独的模型或工具不会产生颠覆性效果。数据层、模型层、agentic层、组织层必须联动建设。一个强大的AI模型如果没有对应的组织结构来利用它，价值就会大打折扣。 启示三：BD可能是AI最容易被验证价值的应用场景。因为BD的决策（选什么资产）相对容易量化评估——选对了还是选错了，几年后就能知道。而AI在分子设计等环节的价值更难单独量化。Pathos选择从BD切入，是一个明智的策略。 启示四：不要试图复制Pathos，要学习其方法论。每家公司都有自己的数据资产、治疗领域优势和组织文化。关键不是照搬Pathos的做法，而是借鉴其"四层联动"的方法论，在自己的领域构建类似的AI能力体系。 启示五：如果Pathos的模式被验证成功，不变革就会被淘汰。如果AI驱动的临床成功率显著高于传统方法——哪怕只是从5%提升到15%——那么没有AI能力的药企将在成本结构和成功率上全面落后。这不是"要不要做"的问题，而是"多快能做"的问题。 > Pathos不仅是一家公司，更是一个方法论样本。它的四层AI能力构建模型（数据层→模型层→agentic层→组织层）、BD流程AI化的关键要素、临床开发AI化的实践路径，为传统药企提供了可参照的路线图。无论Pathos自身的管线成败如何，这种能力构建的思路都将影响整个行业。第七章：管线全景与验证节点 > "Beyond Discovery"的最终验证在临床数据。Pathos的所有理论和模型，最终都要回答一个简单的问题：药物在患者身上有效吗？以下是其五大管线的全景、竞争格局和关键验证时间线。25.7.1 五大管线总览表 管线 靶点/机制 适应症 临床阶段 来源 关键数据 **pocenbrodib (P-300)** CBP/p300抑制剂 mCRPC Phase 1b/2a（招募中） Novo Nordisk许可 尚无公开疗效数据 **P-500 (PRT811)** 脑穿透PRMT5抑制剂 IDHmHGG Phase 1完成，Phase 2规划中 Prelude许可 IDHmHGG ORR 19%，AI生物标志物验证 **DO-2** 氘代第三代MET抑制剂 MET-altered NSCLC Phase 1完成→Phase 2准备 DeuterOncology收购 100%肿瘤缩小，5%外周水肿 **JSKN016** TROP2/HER3双特异性ADC TNBC, 乳腺癌等 Phase 3（中国TNBC） 康宁杰瑞全球许可 TNBC ORR 64.5%, mPFS 8.5m **AZD4241** ERα PROTAC ER+乳腺癌 临床前→早期临床 AZ合作 ERα降解IC50 0.4nM，ESR1突变有效 26.7.2 各管线的竞争格局 pocenbrodib在CBP/p300抑制剂领域面临激烈竞争： 药物 公司 类型 临床阶段 关键数据 差异化 **TT125-802** TOLREMO CBP/p300溴结构域抑制剂 Phase 1（剂量递增完成） 34例实体瘤，3例确认PR（EGFRmut/KRAS-G12C/鳞状NSCLC），RP2D 60mg QD，**无血小板减少** 首个报告实体瘤临床活性的CBP/p300抑制剂；2项FDA快速通道认定（2025年8月） **Inobrodib (CCS1477)** CellCentric CBP/p300抑制剂 **Phase 2/3**（计划启动） ASH 2025在重度预处理血液瘤中报告数据 血液瘤（多发性骨髓瘤）领先；计划2026年启动Phase 3 **CPI-637** Menarini/Constellation CBP/p300抑制剂 早期临床 血液瘤方向 最早进入临床的CBP/p300抑制剂之一 **Pocenbrodib** Pathos AI CBP/p300溴结构域抑制剂 Phase 1b/2a（招募中） 尚无公开疗效数据 前列腺癌精准定位；联合方案设计全面 TOLREMO的TT125-802已在实体瘤（NSCLC）中率先报告了确认的PR，且无血小板减少——这是CBP/p300类药物的首个临床活性证据，在2025年ASCO和ESMO引发广泛关注 (ESMO 2025) (Targeted Oncology)。pocenbrodib的差异化在于前列腺癌精准定位（post-Pluvicto人群）和全面联合方案设计，但尚无公开疗效数据。 P-500在PRMT5抑制剂领域面临BMS的强势领先： 药物 公司 类型 阶段 脑渗透 关键数据 **Navlimetostat (BMS-986504)** BMS MTA协同PRMT5 Phase 0/1（GBM）/ Phase 2/3（NSCLC/PDAC） ✅ Phase 0证实脑渗透 GBM：unbound肿瘤浓度45.1nM，SDMA下降77%；多个Phase 2/3 **P-500 (PRT811)** Pathos AI 经典脑穿透PRMT5 Phase 1完成 ✅ 设计脑穿透 IDHmHGG ORR 19%，AI生物标志物验证 **Vopimetostat (TNG462)** Tango MTA协同PRMT5 Phase 1/2 数据待确认 ESMO阳性数据 **PEP08** XtalPi/PharmaEngine AI设计MTA协同PRMT5 Phase 1（获批） ✅ 临床前证实 AI量子物理+药物设计 BMS的navlimetostat在PRMT5领域处于绝对领先地位——不仅在GBM中证实了脑渗透和靶点抑制（Phase 0数据），还启动了多个Phase 2/3试验（MountainTAP系列） (Neuro-Oncology TIP-09)。P-500的竞争窗口正在快速收窄。 DO-2在MET抑制剂领域的差异化在于安全性： DO-2是一种氘代的第三代MET激酶抑制剂，具有"快开/快关"结合动力学特征。氘代结构显著降低了代谢清除率，提高了药物暴露量，同时"快开/快关"的结合模式使得每天只需8-12小时的靶点抑制即可产生抗肿瘤活性，避免了持续靶点抑制导致的内皮损伤（从而减少外周水肿） (DeuterOncology官网) (Pathos官网 - DeuterOncology公告)。 外周水肿是现有MET抑制剂最棘手的不良反应，62-82%的发生率和频繁的剂量调整严重影响患者生活质量和治疗依从性。DO-2仅5%的外周水肿发生率如果在更大规模试验中得到验证，将是一个重大的临床进步。MET-altered NSCLC市场已有多个获批药物（Novartis的capmatinib、Merck KGaA的tepotinib、AbbVie的telisotuzumab vedotin等） (Eureka - c-Met格局) (DelveInsight)。DO-2的专利保护期至2040年12月。 JSKN016在TROP2 ADC领域的差异化在于双特异性设计： 产品 公司 状态 关键数据 Sacituzumab govitecan (Trodelvy) Gilead 已获批（TNBC多线） ASCENT: ORR 35%, mPFS 5.6m (3L+) Datopotamab deruxtecan (Datroway) Daiichi/AZ 已获批（HR+/HER2-、1L TNBC） TROPION-Breast02: 1L TNBC mOS 23.7m Sacituzumab tirumotecan (MK-2870) Merck/Kelun Phase 3（17项） OptiTROP-Breast01: 2L+ TNBC达到主要终点 Izalontamab brengitecan (SKB500) Kelun/BMS Phase 2/3 1L TNBC **JSKN016** **Pathos/康宁杰瑞** **Phase 3（中国TNBC）** **TNBC ORR 64.5%, mPFS 8.5m (I期)** JSKN016的TNBC III期临床试验（CTR20260814）正在中国进行，已于2026年3月完成首例患者给药 (摩熵医药) (康宁杰瑞III期公告)。 AZD4241在ER降解剂领域面对代际转变： ER+乳腺癌是全球最大的肿瘤市场之一。ER降解剂领域正在经历从SERD到PROTAC的代际转变。主要竞争产品包括：Arvinas/辉瑞的vepdegestrant（ARV-471，首个获批的ERα PROTAC）、Menarini的elacestrant（已获批口服SERD）、阿斯利康的camizestrant（近期在欧盟获批） (AllSci - vepdegestrant)。AZD4241的差异化空间在于更强的ER降解效力、对ESR1突变的广谱覆盖以及在palbociclib耐药模型中的活性。27.7.3 关键验证时间线 时间 验证节点 意义 2026 Q3-Q4 JSKN016全球III期进展 验证AI选品在最大资产上的效果 2027 H1 pocenbrodib Phase 1b/2a可能的中期数据 验证AI重新设计临床试验的能力 2027 DO-2 Phase 2启动和数据 验证AI发现的资产是否能推进到后期 2027-2028 P-500 Phase 2启动（如果决定推进） 验证AI生物标志物的前瞻性价值 2028 H1 pocenbrodib Phase 1b/2a主要完成时间 核心管线的第一次全面数据读出 2028-2029 JSKN016 III期数据 Pathos最大赌注的关键验证28.7.4 核心风险 尽管Pathos的故事非常有说服力，但仍然面临重大风险： 1. 临床成功率的AI承诺尚未验证。这是最核心的风险。Pathos声称其AI平台可以提高临床试验成功率，但目前所有管线都处于I/II期阶段，没有III期或获批数据来验证这一核心假设。行业数据显示，90%进入临床的药物最终失败，AI药物的II期失败率甚至可能更高（约80%） (Onenucleus)。Pathos的AI平台是否真的能改变这个统计规律，还需要时间来证明。 2. 资产来源的可持续性。Pathos的模式依赖于不断找到被低估的优质临床资产。但"AI发现资产"这个说法在多大程度上是营销话术、在多大程度上是真正的AI决策，外界无法验证。DO-2和JSKN016的发现过程都是公司自述，没有独立第三方的验证。 3. TROP2 ADC赛道竞争激烈。JSKN016是Pathos最大的赌注（22亿美元），但TROP2 ADC赛道已经非常拥挤。Gilead的Trodelvy、第一三共/阿斯利康的Datroway、默沙东/科伦博泰的MK-2870都已经或即将占据大量市场份额。JSKN016的双特异性设计是否能带来真正的临床优势，还需要在III期试验中验证。 4. 资金消耗速度。Pathos在D轮融资中获得了3.65亿美元，但JSKN016的首付就用了1.25亿美元，加上多个临床试验的推进费用，资金消耗速度可能很快。如果主要管线遇到挫折，后续融资可能面临估值压力。 5. 监管风险。AI在药物开发中的应用正在快速发展，但监管框架仍在演变中。FDA等监管机构如何看待AI设计的临床试验、AI选择的患者人群，可能带来额外的不确定性。 6. AI的"黑箱"问题。如果Pathos的AI平台做出了错误的决策（例如，一个看起来很有希望的资产在III期失败），很难追溯和解释原因。这可能导致投资者和合作伙伴对AI系统失去信任。29.7.5 创始团队与融资历程补充 创始背景：Pathos AI于2022年由Eric Lefkofsky（Tempus Labs创始人兼CEO、Groupon联合创始人）和Ryan Fukushima（时任Tempus COO）共同创立。Lefkofsky担任董事会主席，Fukushima为联合创始人兼董事。两人从Tempus获得海量临床数据的访问权，同时保持独立的公司治理和运营 (Pathos官网 - About Us) (NeuronFeed)。 融资轨迹：2022年11月 Series A，1500万美元2023年4月 Series B，3500万美元2024年10月 Series C，6200万美元（由NEA领投，投后估值6亿美元） (Revolution)2025年5月 Series D，3.65亿美元，投后估值约16亿美元，包括AstraZeneca和Tempus作为战略投资方 (Pathos官网) (YesPress - Pathos) 从C轮到D轮，仅仅七个月，估值从6亿美元跃升至16亿美元，涨幅近170%。总融资额约4.67亿美元，成为近年来肿瘤AI领域最大规模的融资之一 (AI-Market-Watch) (HLTH)。 已知投资者包括：New Enterprise Associates (NEA)、Revolution Growth、General Catalyst、Deerfield Management、ARCH Venture Partners、Tempus Labs、AstraZeneca等 (AI-Market-Watch)。结语：AI制药的真正战场在临床 2026年8月3日的两笔交易，标志着AI制药行业进入了一个新的阶段。 过去十年，AI制药的故事集中在"发现"——用AI找到新靶点、设计新分子、缩短发现周期。Recursion、Insilico、Isomorphic Labs等公司都是这个阶段的代表。它们证明了AI在药物发现阶段的价值，但也暴露了一个根本问题：发现速度的提升并没有带来临床成功率的提升。AI发现的候选分子进入临床后，失败率与传统方法发现的分子并无二致 (Onenucleus) (PubMed)。 Beyond Discovery——这是Pathos AI给出的答案。 Pathos选择了一条不同的道路。它不追求"更快地发现分子"，而是追求"更聪明地开发分子"。它的核心洞察是：药物开发最大的浪费不是发现阶段的时间，而是临床阶段的失败——90%的进入临床的药物最终失败，而其中很多失败是因为入组了错误的患者、选择了错误的剂量或设计了错误的试验。 这不是一个容易的故事。"AI能提高临床成功率"——这句话如果说起来很简单，证明起来却很难。它需要时间——数年的临床试验、成百上千的患者、以及不可避免的成功和失败。Pathos目前所有的证据都停留在"听起来很有道理"和"早期数据看起来不错"的阶段。真正的考验还在前面。 但无论结果如何，Pathos都代表了AI制药行业一个重要的发展方向—— 从"更快的发现"转向"更聪明的开发" 从技术工具转向核心业务 从服务他人转向自己上场 从单一AI模型转向体系化的AI-agentic能力 从"AI制药"转向"AI原生药企" 8月3日的两笔交易，是Pathos的宣言，也是战书。未来几年，它的每一个临床数据读出，都将在AI制药史上写下一笔——不管是验证了一个新时代的到来，还是增添了又一个"听起来很美"的失败案例。 患者在等待。这是Pathos反复强调的一句话。他们确实在等。