Pelacarsen

在传统大药企（Big Pharma）面临专利悬崖与研发回报率下滑的背景下，生物医药产业正经历一场深刻的生态重塑。过去，初创 Biotech 的标准终局要么是被超大型药企并购，要么在商业化泥潭中挣扎；而如今，一批市值跨过 500 亿美金门槛的新兴 Biotech，正凭借核心爆款产品的现金流，反向扮演起“买方”角色，重塑整个行业的技术与资本格局。 这种转变背后的核心机制在于“单产品管线（Pipeline-in-a-Product）”的复利延伸与资本配置效率。当企业依靠单一突破性靶点（如 FCRN 或 CD122）在多个适应症上实现临床验证后，其商业化网络与研发平台的边际成本将大幅下降。此时，通过精准的 M&A 与技术栈（如 AI 工具链）的深度集成，企业能够以更低的试错成本与更高的资本回报率，开启“创新—商业化—现金流—再投资”的持续循环。 对投资者而言，理解这一机制的意义在于：生物医药投资的价值锚点正在从单纯的“靶点稀缺性”转向“管线可扩展性与技术工具链的边际效应”。这一逻辑能否持续成立，关键在于观察两个变量：一是新兴巨头在跨适应症扩展中的临床成功率与商业化协同效应；二是生成式 AI 等底层工具能否真正降低前瞻性研发的“ Token 成本”与时间成本，而非仅仅造成研发管线的同质化拥挤。 下文将基于BioCentury This Week最新一期深度访谈，拆解 Argenx 的 22 亿美元并购逻辑、AI 巨头在生物医药技术栈的渗透路径，以及 2026 上半年临床催化剂的得失演变。 嘉宾简介 Jeff Cranmer：BioCentury This Week主持人 Simone Fishburn：BioCentury 总编辑 Selena Koch：BioCentury 执行总编辑 Lauren Marts：BioPharma  Intelligence执行董事 Paul Bonanos：BioCentury 新闻主编 Lindsay Martin：BioCentury 生物医药分析师一、从单一爆款到并购买方：Argenx 们如何重塑 Biotech 梯队？ Jeff Cranmer：凭借 Vivgart 这一核心产品的持续扩张，Argenx 已经完成了从初创公司到市值跨越 500 亿美元大关的蜕变。近期，他们宣布以约22亿美元（每股 77 美元现金）收购 Forte Biosciences，这是 Argenx 历史上的首个 M&A 交易。Paul，这个交易透露了哪些信号？ Paul Bonanos：Argenx 的成长轨迹非常典型。他们围绕靶向 FCRN 的抗体药物 Vivgart，成功打造了一个“单产品管线（Pipeline-in-a-Product）”。通过皮下注射等新剂型的迭代，Vivgart 已经在重症肌无力（gMG）等四个适应症上获益，并计划在 2030 年前拓展至 10 个适应症。 单季度15亿美元的营收给 Argenx 带来了极其充沛的现金流。此次收购 Forte，核心资产是其靶向CD122的创新抗体 FB102，该药物在白癜风和腹腔疾病中展示了早期临床 Proof-of-Concept（概念验证）数据。Argenx 管理层明确表示：他们将完全复刻Vivgart的成功剧本，把FB102打造成下一个跨多适应症的免疫学核心管线。 Simone Fishburn：这反映了一个非常重要的行业趋势：买方梯队正在多元化。过去，能够出价数亿美元甚至数十亿美元买资产的只有那些千亿市值的传统大药企。而现在，像 Argenx、Genmab（去年 80亿美元收购 ProfoundBio）、Incyte（超过 10 亿美元收购 Escient）以及Vertex（100 亿美元并购 Alpine）等“中大型/新晋巨头（Mid-Cap / Large-Cap Biotech）”正积极加入买方阵营。 Paul Bonanos：对于卖方 Biotechs 而言，这提供了 Big Pharma 之外的另一种选择。某些创新靶点或技术平台，在大药企庞杂的官僚体系中极易被边缘化；但在业务重合度高、专注于特定疾病领域（如免疫学或罕见病）的新兴巨头手中，反而能获得更高的战略优先级和研发协同。 二、AI 重构生物医药技术栈：通用推理与垂直平台的路线之争 Jeff Cranmer：除了资本市场的 M&A 动态，科技巨头在生物医药研发技术栈（Tech Stack）上的渗透也在加速。Lindsay，你近期梳理了 Anthropic、NVIDIA、Google、OpenAI和 Amazon 等公司在 BioPharma 领域的布局，目前呈现出怎样的竞争格局？ Lindsay Martin：我们观察到各家科技巨头在底层哲学上存在明显的路线分歧： 通用推理 + 工作台模式（Anthropic & Google）： Anthropic 发布的Claude Science和 Google 的平台主打“科学家工作台（Workbench）”概念。他们的核心假设是：一个具备强大通用逻辑推理能力的基座模型，只要配上正确的指令集、专用数据接口（Connectors）和专有工具，就能调用生物学专业模型完成复杂科研任务。 垂直专有模型模式（OpenAI）： OpenAI 的路线（如GPT-5.5 / GPT-Rosalind）则是从底层开始，利用大量化学、蛋白质结构及生物学文献等专业数据进行深度微调，试图打造一个自带“科学直觉”的垂直领域超级模型。 基础设施与工具链（NVIDIA & Amazon）： NVIDIA 提供 BioNeMo 等 Agent 工具包、专有模型以及底层算力支持；Amazon 则重点打造专门执行特定科研任务的 AI Agents。 Selena Koch：对药企而言，这种路线分歧直接影响到“自建（Build）还是外购（Buy）”的资本配置决策。 Lindsay Martin：没错。通常来说，工作台界面和底层算力（Compute Layer）绝大多数企业会选择外购。真正的差异化优势建立在中间层（Middle Layer）——即技能（Skills）、特定数据连接器（Connectors）以及私有代理（Agents）。药企可以将自己多年积累的独家实验数据、特定表位结合分析工具与外购的基座模型相连。这决定了即便使用相同的 AI 平台，不同药企的研发效率和产出质量收益依然会有天壤之别。三、边际成本与数据壁垒：AI 会让药物研发“同质化”吗？ Simone Fishburn：如果未来的 AI 工具和模型逐渐走向通用的“基础设施化（Commoditization）”，那么BioPharma 企业依靠什么来建立长期竞争壁垒？ Lindsay Martin：模型的普及确实会降低 AI 技术的门槛，但“正确的提问能力”与“高质量的私有数据”将成为新的护城河。 资深科研人员的经验溢价： 就像懂编程的人才能最好地使用 AI 辅助代码生成一样，拥有丰富研发经验的 PhD 依然具备不可替代的优势——他们知道该让 AI 尝试什么、不该尝试什么，以及如何设计验证实验。 阴性数据（Negative Data）的价值： 公开数据库（如 PDB）中绝大多数是成功的数据。药企多年研发积累的“失败数据/阴性数据”，是训练专属 AI 模型避免踩坑的核心资产。 Selena Koch：随着 AI Agent 在科研工作流中的广泛应用，另一个现实的财务约束正在显现——Token消耗与算力成本（Token Maxing vs. Compute Cost）。 Lindsay Martin：早期大家都在不计成本地让 AI Agent 自由推演，但很快发现 Token 费用极其高昂。当 AI Agent 在思考每一步科研逻辑时，都在持续消耗算力。因此，像 BMS（百时美施贵宝）选择直接与 NVIDIA 合作提升底层算力效率，就是为了在规模化应用时降低单位科研推演的Token 成本。 四、RNA 赛道催化剂盘点：反义核酸（ASO）与 siRNA 的差异化攻防 Jeff Cranmer：转向临床研发端，Lauren 梳理了 2026 上半年行业核心临床催化剂（Catalysts）的成绩单。总体来看，情况如何？ Lauren Marts：统计显示，今年上半年的临床与监管事件中展现出了大量的“绿色”（阳性结果）。但最具行业指标意义的一个事件是“没有发生的事情”——Novartis 和 Ionis 针对Lp(a)靶点的 3 期 Horizon 临床试验（Pelacarsen）读出被推迟到了下半年。 Lauren Marts：由于这是一个事件驱动（Event-driven）的临床终点，推迟并不意味着失败，很可能是因为两组对照组的标准治疗（Standard of Care）效果均好于预期。作为 ASO（反义核酸）领域的里程碑项目，业内对其寄予厚望。 Simone Fishburn：在 RNA 领域，我们观察到ASO与siRNA呈现出不同的发展节奏： ASO 阵营：正在大适应症的 3 期阶段接受考验。例如 GSK 的 ASO 药物在慢性乙肝（HBV）上展现出了实现“功能性治愈”的希望；但 Ionis 与   AstraZenica 的 Eplontersen 在 ATTR 心肌病 3 期上的失利，也提醒着后期研发的残酷性。 siRNA 阵营：上半年的催化剂呈现出高确定性的阳性率。Novartis 在 FSHD（面肩肱型肌营养不良症）上的 early-stage siRNA 数据非常出色；同时 Arrowhead 正在成为 siRNA 赛道的核心玩家，其针对 APOC3 和 PCSK9 的心血管项目即将进入监管申报或后期阶段。五、持续验证的关键变量：重估 Biotech 的长效价值 回到本文的核心投资命题：资本与技术的双重演进，正在改变Biotech的生命周期与估值模型。 从 Argenx 并购 Forte，到科技巨头对 BioPharma 技术栈的重构，投资者在评估一家新兴生物科技企业时，应当重点跟踪以下三个可迁移的验证变量： “单产品管线”的拓展边际：核心靶点的临床验证能否顺利迁移至第二个、第三个适应症？其研发与商业化边际成本是否呈现递减趋势？ AI 工具链的 ROI 转化：企业接入 AI 工作台后，是仅仅增加了算力开支，还是真正缩短了从 Target 到 Lead 选定的时间？私有数据的闭环能否转化为明确的临床成功率提升？ M&A 中的溢价控制与战略协同：跨越 500 亿市值的新兴巨头，在开展 M&A 时能否保持资本纪律，将收购资产精准融入自身的成长路径，而非陷入传统大药企因盲目扩张导致的回报率稀释？ 文中对谈部分整理自 BioCentury 对 BioCentury 编辑团队的深度访谈。本文仅用于信息分享、学术交流与讨论，不构成任何投资建议。