EXS-21546

关注AI，关注生活，欢迎关注，最好星标哦~ 过去几年，“AI 制药”几乎成了医药行业最容易被放大的概念之一。很多宣传会把所有项目都包装成“AI 发现”“AI 设计”“AI 生成”，但真正看到这样的项目时先问一个更具体的问题：AI 到底介入了哪一环？ 是发现了全新靶点？是生成了全新小分子？是优化了已知靶点上的分子结构？是用知识图谱做老药新用？还是通过高通量表型数据重新绘制疾病生物学地图？ 2026 年 BJC Reports 发表的 Perspective《Precision oncology in the age of AI: lessons from AI-driven drug discovery and clinical translation》给了一个很好的判断框架。 一、AI 制药的核心问题：不是“是不是 AI 做的”，而是“AI 做到了哪一步” 今天行业里所谓的 AI 药物，大致可以分成五类。 第一类是AI 靶点发现 + AI 分子生成，也就是从 disease biology 到 compound design 都深度依赖 AI 平台。 第二类是已知靶点上的 AI/计算辅助分子优化，靶点生物学本身并不新，但 AI 帮助更快找到高选择性、高可开发性的候选分子。 第三类是AI repurposing，即通过知识图谱或机器学习从已上市药物中寻找新适应症。 第四类是AI phenomics / biology map，通过高通量细胞图像、扰动实验和组学数据构建疾病生物图谱，再推断靶点、机制和患者分层。 第五类则是早期 AI-designed clinical candidates，它们具有历史意义，但临床转化未必顺利。 二、最高含量组：Rentosertib / ISM001-055，AI-to-clinic 叙事最完整的案例 目前最适合拿来讨论“AI-to-clinic”的案例，是 Insilico Medicine 开发的 Rentosertib，也叫 ISM001-055 或 INS018_055。它是一个 TNIK inhibitor，用于 idiopathic pulmonary fibrosis，特殊之处在于：TNIK 靶点由 AI target discovery 平台提出，候选小分子也由 AI-driven molecular generation 平台设计和优化。Insilico 公开资料显示，其 PandaOmics 平台用于整合多组学数据和知识图谱以识别 TNIK，Chemistry42 则用于结构生成、多目标优化和候选分子筛选。 Rentosertib 的里程碑意义，不只是“AI 参与了 discovery”，而是它走出了比较完整的转化链条：AI 找靶点、AI 生成分子、动物模型验证、Phase I 健康受试者研究，再到 randomized Phase IIa 临床信号。2025 年 Nature Medicine 发表的 GENESIS-IPF Phase IIa 研究纳入 71 名 IPF 患者，试验为随机、双盲、安慰剂对照设计；Insilico 公告显示，60 mg QD 组 12 周 FVC 平均改善 +98.4 mL，而 placebo 组下降 -20.3 mL。 BJC Reports Perspective 对这个案例的评价是相对克制的。它将该 TNIK inhibitor 视为 AI-driven drug discovery 的 early translational reference，而不是“AI 药物已经被彻底证明成功”。原因在于，这项 Phase IIa 研究的核心价值首先是安全性、耐受性和药效学 target engagement，其次才是 FVC 等功能性指标上的早期趋势；研究样本量、治疗时间和疾病场景都还不足以支持最终疗效结论。也正因如此，Rentosertib 的意义不是“AI 已经绕过临床验证”，而是第一次比较完整地展示了 AI-derived molecule 可以从计算设计推进到人体药效学验证。 三、产业价值最高组：Zasocitinib / TAK-279，AI/计算辅助设计的代表 Zasocitinib，也叫 TAK-279，是 Takeda 推进的高度选择性口服 TYK2 inhibitor，用于 plaque psoriasis、psoriatic arthritis 等免疫炎症疾病。它和 Rentosertib 的性质不同：TYK2 并不是一个由 AI 全新发现的靶点，而是已有明确免疫炎症生物学基础的成熟靶点；AI 或计算方法的主要价值在于结构基础设计、口袋拟合、选择性优化和筛选效率提升。 从临床进展看，Zasocitinib 是目前 AI/computationally enabled molecular design 中非常靠前的案例。2025 年 12 月，Takeda 宣布两项 pivotal Phase III plaque psoriasis 研究达到主要终点和全部排序次要终点；超过半数接受 zasocitinib 治疗的患者在第 16 周达到 PASI 90，平均约 30% 达到 PASI 100，安全性与既往研究一致，未发现新的安全信号。 这个案例的启发是：AI 不一定非要发现全新靶点才有价值。 在成熟靶点上，AI/计算设计如果能显著提升选择性、优化药代、减少 off-target 风险，并最终推进到 Phase III 甚至上市申请，它的产业价值可能比许多“概念更酷但临床更早”的 AI 项目更高。 四、快准狠组：Baricitinib for COVID-19，AI repurposing 的经典案例 Baricitinib 原本是已上市 JAK1/JAK2 inhibitor，适应症包括 rheumatoid arthritis。COVID-19 早期，BenevolentAI 使用 AI-enhanced biomedical knowledge graph 和机器学习，从已批准药物中筛选潜在治疗方案，并在 2020 年 2 月 The Lancet 文章中提出 baricitinib 可能通过影响 AAK1/GAK 相关 endocytosis 降低病毒进入细胞能力，同时通过 JAK 抑制减轻炎症反应。 随后 baricitinib 进入多个 COVID-19 临床研究，并在 2020 年 11 月获得 FDA EUA，用于与 remdesivir 联合治疗住院 COVID-19 患者。BenevolentAI 当时公告称，从 AI-derived hypothesis 到 EUA 约 9 个月，ACTT-2 数据显示 baricitinib 联合 remdesivir 改善住院患者临床结局和恢复率。 Baricitinib 是 AI 老药新用的成功案例，这个案例非常适合用来解释 AI repurposing 的价值边界。它不是 AI 设计的新分子，也不是 AI 发现的新靶点；但它展示了 AI 在紧急公共卫生场景中整合文献、知识图谱和药物机制的能力。换句话说，AI 在这里的作用不是“造药”，而是重排已有药物和疾病机制之间的连接。 五、另辟蹊径组：Recursion 的 phenomics / biology map 路线 Recursion 的路线和 Insilico、Exscientia 不完全一样。它不是从一个靶点或一组化学结构出发，而是通过大规模细胞图像、基因扰动、组学和表型数据构建 biology maps，再用机器学习推断疾病机制、靶点、患者分层和候选药物。这类路线的本质，是把疾病生物学从“文献假设驱动”推进到“高维表型数据驱动”。 Recursion 官方管线也强调，其多个项目来自 Recursion OS 的 phenotypic insights。 REC-1245 是一个 RBM39 degrader / molecular glue，用于 biomarker-enriched solid tumors 和 lymphoma。Recursion 表示，RBM39 是通过 Recursion OS 的 phenotypic insights 识别出来的靶点，并且该项目针对具有 replication stress 和 DNA repair vulnerabilities 的肿瘤类型。ClinicalTrials.gov 显示，REC-1245 的 DAHLIA Phase 1/2 研究实际开始于 2024 年 11 月 21 日，计划入组 170 人，截至 2026 年 5 月仍在 recruiting。 REC-994 则用于 cerebral cavernous malformation。2025 年 2 月，Recursion 披露 SYCAMORE Phase II 12 个月数据：研究达到安全性和耐受性主要终点，400 mg 组在 MRI lesion volume reduction 和 modified Rankin Scale 功能结局上出现 promising signals。 Recursion 路线的优势在于，它可能发现传统文献驱动方法不容易捕捉的疾病模式；但难点也很明显：高维表型相关性如何转化成明确机制？biology map 中看到的信号，能否在不同中心、不同患者群体和真实临床终点上重复？这决定了 phenomics 路线能否从“漂亮的数据地图”真正走向“可批准的药物”。 Recursion 代表 AI phenomics / biology map → 靶点推断 → 患者分层 → 临床验证 的路线；它的潜力在于重构疾病生物学，挑战在于机制解释和临床可复制性。这一路线与 BJC Reports 对 precision oncology 的展望高度相关。该 Perspective 特别强调，肿瘤学中的 AI 价值不应局限于单一靶点或单一分子，而应扩展到多组学整合、空间转录组、免疫基因组、纵向临床数据、ctDNA / liquid biopsy 动态监测，以及跨机构 federated validation。对于 Recursion 这样的 biology map 路线来说，真正的挑战不是能不能在高维表型数据中找到相关性，而是能否把这些相关性转化为可解释机制、可验证 biomarker、可重复患者分层，以及能在适应性临床试验中被持续校准的治疗策略。 六、警示组：Exscientia 的早期 AI-designed candidates，历史意义大，但临床转化不顺 Exscientia 是早期 AI small-molecule drug discovery 的代表公司之一，其方法可概括为 human-in-the-loop active learning + multi-objective molecular design：AI 根据实验数据不断学习哪些结构更可能满足 potency、selectivity、PK 和 ADMET 等目标，再指导下一轮化合物设计与合成。其早期项目 DSP-1181、EXS21546 曾被频繁用作 AI-designed drug candidates 的代表。CAS 也曾把 DSP-1181、EXS21546 和 DSP-0038 列为第一批进入人体临床的 AI-designed candidates。 DSP-1181 是 Exscientia 与 Sumitomo Dainippon Pharma 合作开发的 5-HT1A receptor agonist，用于 obsessive-compulsive disorder，2020 年启动 Phase I，常被报道为第一个进入人体临床的 AI-designed drug candidate。但 2023 年 10 月，Exscientia 决定 wind down EXS21546 的 Phase 1/2 IGNITE trial，原因是基于临床和前临床建模，认为该分子难以达到合适的 therapeutic index。 这些案例非常重要，因为它们纠正了一个常见误解：AI 能加速 discovery，不等于 AI 自动提高临床成功率。 药物失败的原因往往发生在更复杂的层面：疗效窗口不足、疾病机制不匹配、患者分层不清、毒性或耐受性问题、临床终点设计不合理。AI 可以提高早期设计效率，但不能跳过人体生物学的不确定性。 Exscientia 的早期案例证明 AI 可以缩短 discovery timeline、减少无效合成和测试，但也提醒行业：AI 不是临床成功率的魔法按钮。 这也正是 BJC Reports 文章反复强调的风险：AI 可以提高早期设计效率，但不能自动解决 generalizability、interpretability、equity 和 regulatory harmonization 问题。一个候选分子即使由 AI 优化，也仍然可能因为人体疾病机制复杂、患者异质性、治疗窗不足或 biomarker 策略不清而失败。换句话说，AI 可以帮助我们更快地提出假设、压缩早期筛选周期、减少部分无效合成，但它不能替代前瞻性临床验证，也不能绕过监管对于机制、可重复性和安全性的要求。 七、一张表看懂不同 AI 药物的“含金量” 类别 代表案例 AI 主要介入环节 临床/监管进展 真实价值 最大风险 AI 靶点 + AI 分子 Rentosertib / ISM001-055 AI target discovery + generative molecule design IPF Phase IIa 出现临床信号 AI-to-clinic 链条最完整 仍需更大规模、更长期验证 已知靶点 AI 优化 Zasocitinib / TAK-279 已知 TYK2 靶点上的结构设计和选择性优化 Plaque psoriasis Phase III 阳性 产业化价值高，临床推进靠前 AI 含量容易被过度包装 AI 老药新用 Baricitinib for COVID-19 知识图谱和机制推断 FDA EUA，后续 COVID-19 适应症推进 快速响应公共卫生需求 不是 AI 设计新分子 AI phenomics / biology map Recursion REC-1245 / REC-994 高通量表型、扰动实验和生物图谱 REC-1245 Phase 1/2；REC-994 Phase II safety + signals 可发现传统方法难捕捉的疾病生物学 机制解释和可重复性挑战大 早期 AI-designed candidates DSP-1181 / EXS21546 active learning + multi-objective molecular design DSP-1181 discontinued；EXS21546 trial wind down 证明 AI 可加速 discovery 临床成功率并未自动提高 如果按照 BJC Reports 的评价逻辑，这些案例可以进一步被放到一个“证据阶梯”中理解：Rentosertib 的优势是 AI 介入层级深，且已有 randomized Phase IIa 的安全性、药效学和早期功能信号； Zasocitinib 的优势是临床进展最靠后，Phase III 已经阳性，但其 AI 含量主要体现在计算辅助和结构优化； Baricitinib 的优势是监管落点真实，但属于 repurposing 而非新分子设计； Recursion 的优势是疾病生物学重构潜力，但需要机制解释和跨队列验证； Exscientia 的意义则是历史标志性强，但也证明 early AI-designed candidate 并不天然跨越临床失败谷。   因此，AI 药物的“含金量”不能只按技术炫酷程度排序，而要同时看 AI 介入深度、临床证据强度、机制闭环、患者分层能力和监管成熟度。 八、真正的结论：AI 制药正在从“炫技”进入“临床可验证体系” 如果说 2019–2022 年的 AI 制药主要在讲“速度”：几个月找到 hit、更少轮合成、更快 nomination candidate；那么 2025–2026 年之后，行业叙事已经明显转向“验证”：有没有 randomized clinical signal？有没有机制 biomarker？有没有患者分层？有没有外部验证？有没有监管可接受的证据包？ BJC Reports 的结论可以概括为一句话：AI 制药正在从 proof-of-concept 进入 clinical impact 的考验期。早期 TNIK inhibitor 研究证明的是“AI-derived candidate 可以进入人体并显示药效学活性”，但真正决定 AI 制药长期价值的，是它能否被放入 hybrid translational pipeline：先由计算模型生成或优先级排序，再通过 targeted experimental verification 进行快速验证，随后进入 prospective clinical evaluation，并在真实临床数据反馈中不断校正。只有当 AI 与实验生物学、临床试验设计和监管科学形成闭环，它才会从工具变成药物研发基础设施。 BJC Reports 2026 Perspective 的重要性就在这里。它没有简单地说“AI 药物已经成功”，也没有否定 AI 的价值，而是把 AI 药物放进 precision oncology 的真实语境：肿瘤异质性、克隆演化、耐药、治疗窗狭窄，这些都是单纯生成一个候选分子无法解决的问题。未来 AI 药物真正有竞争力的地方，将不只是“发现一个 molecule”，而是构建一个能持续学习、能嵌入临床试验、能解释患者响应差异、能被监管接受的转化体系。 因此，看懂 AI 制药，需要建立一个更冷静的评价标准： 看 AI 介入层级：是找靶点、造分子、优化结构、老药新用，还是患者分层？ 看证据强度：是 in silico、in vitro、动物模型、Phase I 安全性，还是 randomized Phase II/III 疗效信号？ 看机制闭环：有没有 biomarker、target engagement、剂量反应关系和可解释生物学？ 看临床适配：有没有明确人群、终点、联合方案和适应性试验设计？ 看监管路径：是否能形成可审评、可复现、可追踪的数据包？ 最终，AI 制药不会因为“AI”两个字自动赢，也不会因为几个项目失败而失去意义。更合理的判断是：AI 正在成为药物研发的基础设施，但药物是否成功，仍取决于生物学、化学、临床医学和监管科学的共同闭环。 Rentosertib 让行业第一次比较完整地看到了 AI-to-clinic 的可能性；Zasocitinib 证明了计算设计在成熟靶点优化中的产业价值；Baricitinib 展示了 AI repurposing 的速度优势；Recursion 代表了从 phenomics 重绘疾病地图的另一种范式；Exscientia 的早期受挫则提醒我们，AI 加速 discovery 并不等于自动跨越 clinical valley of death。 所以，下一次再看到“AI 制药突破”的新闻，最好的问题不是“这是不是 AI 药物”，而是： AI 到底改变了哪一步？这一步有没有被临床验证？这个验证能不能重复、解释并被监管接受？ 这才是 AI 制药从概念走向主航道的真正分水岭。 延伸阅读： AI+大分子 扒开首款 AI 减重抗体 LET003：抗体发现的“AI 含量”在哪里？ ❤️关注了解更多内容 #AI医疗 人人都怕被 AI 取代，读完 Anthropic 这份报告，终于可以松口气 3,807 家AI 医疗创业公司都在做哪些领域 从SPOT‑MAS 10获FDA Breakthrough Device Designation看MCED/MCD赛道 每天4000万人向AI问诊：OpenAI报告揭示医疗AI如何成为8亿用户的“深夜自救指南” 一周两连发：OpenAI（1/8）+ Anthropic（1/12)医疗AI风向彻底变了 2025 数字健康趋势年终度盘：回暖之下的集中化 AI医疗| 1亿美元买“四人团队”？OpenAI 押注的是什么？ AI 驱动药物研发：Takeda × Iambic 重磅合作 & Galux 完成 2900 万美元融资 一项Nature Medicine 研究：医疗大模型从“考试高分”到“真实对话失灵” 澳大利亚创业者借助chatGPT给狗狗“定制 mRNA 疫苗”刷屏之后

ASCO 2026在6月3日落下帷幕。 如果你只看过媒体报道，会觉得这是"AI制药的大年"——7775篇摘要里到处是AI、机器学习、深度学习的关键词。Tempus AI在会上创下纪录，多模态AI在前列腺癌预后中表现亮眼，各大药企的AI辅助诊断工具纷纷亮相。 但如果你像我一样，真正坐下来翻完这几千篇摘要，你会发现一个被刻意忽略的真相： AI在ASCO 2026里无处不在，但AI设计的药物几乎为零。 这不是悲观，这是事实。而这个事实，直接决定了你怎么给AI制药公司估值。 一、7775篇摘要的"AI含量"解剖 先说清楚ASCO 2026的AI全景是什么样子。 根据会议官方数据，今年收到的摘要中涉及AI/机器学习/深度学习的超过7775篇，比去年增长约40%。表面上看，这是AI渗透肿瘤学的铁证。 但我把这7775篇按"AI参与程度"分了三级： L1：AI辅助分析（约6800篇，占比87%） 用AI分析影像数据（ radiology AI） 用机器学习做预后模型 用深度学习处理病理切片 用NLP提取电子病历中的真实世界证据 这一类，AI是"工具"，不是"药物发现引擎"。Tempus AI做的事就在这里——它做的是 Companion Dx（伴随诊断），不是新药发现。 L2：AI辅助临床试验设计（约850篇，占比11%） 用AI优化患者分层 用机器学习预测临床试验成功率 用真实世界数据辅助对照臂设计 这一类有投资含义：它会影响临床试验的效率和成本，但不直接产生新分子。 L3：AI真正设计的药物（约125篇，占比1.6%） 这里才是真正的AI Drug Discovery 但注意：125篇里，真正进入临床II期以上的，不到15篇 而有临床获益数据的，接近于零 这个结构告诉我们什么？ ASCO不是AI制药的秀场，ASCO是AI辅助诊疗的秀场。 AI制药（AIDD，AI Drug Discovery）和AI辅助诊疗（AI in Healthcare）在资本市场上被混为一谈，但在ASCO 2026的摘要数据里，这两条线截然分明。 二、Tempus AI的"ASCO效应"：估值陷阱还是真机会？ 说到这里，必须专门讲一下Tempus AI。 Tempus在ASCO 2026期间股价表现强劲，原因是它在会上公布了一系列AI辅助肿瘤精准治疗的数据。媒体报道的调子是："AI医疗的里程碑""肿瘤学的AI时刻"。 但我要说一个不太一样的解读。 Tempus的商业模式是：建立全球最大的肿瘤多模态数据库（基因组+临床+影像），然后用AI模型帮助医生做精准治疗决策，同时把这个数据卖给药企做RWE（真实世界证据）。 这个模式有两个关键点： 第一，它卖的是数据+分析，不是新药。 Tempus不发现新分子，它发现的是"哪个患者可能对哪个药响应"。这是伴随诊断+真实世界证据生意，估值逻辑应该对标Foundation Medicine（被Roche 53亿美元收购），而不是对标晶泰或英矽。 第二，它的护城河在数据，不在算法。 ASCO 2026上Tempus展示的模型，核心优势不是算法有多先进（GPT-4级别的自然语言处理在医疗文本上并不难），而是它有270万份肿瘤患者档案，覆盖130万份全基因组数据。 这意味着什么？如果你要投资"ASCO AI行情"，你需要想清楚：你买的是数据资产（Tempus），还是药物发现引擎（晶泰/英矽/Isomorphic）？ 这两类公司的估值逻辑完全不同。Tempus的P/S倍数可以很高（数据公司的特征），但晶泰/英矽必须用rNPV来估值（管线估值逻辑）。 我在ASCO 2026看到的最大估值混乱，就是资本市场把这两类公司用同一套"AI医药"叙事打包定价。 三、那些"AI药物"的ASCO真相 说完Tempus，来说真正值得关注的——ASCO 2026上有没有AI设计的药物披露了临床数据？ 有，但很少。我逐一核查了L3级别的125篇摘要，真正由AI从头设计（de novo design）并且披露了临床数据的，只有以下几例： 英矽智能（Insilico Medicine）- ISM001-055 靶点：TNIK（治疗特发性肺纤维化IPF） 阶段：II期（多中心，中国+美国） ASCO提及：未在ASCO 2026主会场展示，但在相关纤维化会议上披露了IIa期部分数据 关键数据：FVC（forced vital capacity）改善趋势，但未达到统计学显著 我的判断：这是目前全球最接近临床验证的AI设计药物，但II期数据还不够solid，需要IIb期确认 Exscientia（被Recursion收购）- EXS21546 靶点：A2aR拮抗剂（肿瘤免疫） 阶段：I/II期 ASCO 2026：有poster展示，但数据是"安全耐受"，没有疗效信号 我的判断：这个项目基本已经战略性放弃，Recursion收购Exscientia更多是冲着平台而非管线 Relay Therapeutics - 非严格意义上的AI公司 Relay用的是分子动力学模拟（不是生成式AI），但它的管线在ASCO有数据 这提示一个容易被忽略的点：严格意义上的"AI制药"和"计算驱动的药物发现"在ASCO的叙事里被混用了 所以，ASCO 2026给出的真实结论是： AI设计的药物，还没有一款在ASCO这个顶级舞台上，给出过令人信服的"临床获益"数据。 这不是AI制药的失败，这是药物研发的客观规律。一个小分子从PCC到上市平均需要8-10年，英矽2019年才拿到ISM001-055的PCC，2026年能看到II期数据已经是"AI速度"了。 四、我用"时间错配框架"看AI制药的ASCO时刻 这里我想引入一个我自己在用的分析框架——"时间错配框架"，这是理解AI制药投资时点的关键。 AI制药公司现在的估值，定价的是"AI能颠覆制药"的预期。 但AI制药的临床验证，需要的是"4-6年后的管线数据"。 这个时间错配，造成了ASCO 2026上的一个有趣现象： 现象一：AI医疗公司（Tempus、Recursion）在ASCO期间股价有反应，但AI制药公司（晶泰、英矽）没有。 原因很简单：Tempus的数据是"现在时"（数据库已经产生收入），英矽的数据是"未来时"（ISM001-055的IIb期数据要到2027-2028年）。 现象二：ASCO 2026之后，市场对AI制药的叙事开始分化。 以前是一锅粥："AI制药是未来"。现在开始分化成： AI辅助诊疗（已经产生收入，可估值） AI药物发现（还在临床验证中，只能rNPV） AI临床试验优化（提高效率，但不直接产生IP） 我的判断：ASCO 2026是AI制药叙事分化的起点，而不是AI制药的临床验证时刻。 真正的AI制药ASCO时刻，要到2027-2028年才会到来——那时候英矽的ISM001-055、以及晶泰的几个PCC项目，才会有足够有力的临床数据。 五、投资含义：怎么给"ASCO后的AI制药"定价？ 说了这么多，给一个直接的判断。 当前AI制药板块（A股+港股）的定价逻辑，仍然在用2023-2024年的叙事——"AI万能论"。 但ASCO 2026之后，我认为会出现三个定价修正： 修正一：Tempus效应会让市场重新认识"数据资产"的价值 对标公司：Tempus（美股）、Flatiron（已被Roche收购） A股映射：拥有医疗数据资产的公司会被重新定价 具体标的：卫宁健康、创业慧康、东软集团（拥有医院信息系统的数据入口） 修正二：AI制药必须分"平台型"和"管线型"分开估值 平台型（晶泰、英矽）：用"技术授权收入×倍数"来估值，不是用rNPV 管线型（传统药企的AI辅助项目）：用rNPV，但要打折扣（因为AI降低的是"发现成本"，不是"临床失败率"） 修正三：最大的预期差是——AI对新药研发的帮助，被高估了 这是我做了10年药物研发后，最想说的一句话： AI能帮你更快地找到"看起来不错的分子"，但AI不能帮你预测这个分子在人身上会不会有效。 这个判断，直接意味着：AI制药公司的管线估值，不能用"传统biotech的rNPV×2"，而应该用"传统biotech的rNPV×0.6-0.8"——因为AI设计的分子仍然要走完整的临床试验路径，临床失败率和传统药物没有本质区别。 ASCO 2026的数据支持这个判断：那些进入临床的AI设计药物，失败率和传统药物差不多。 六、一个具体验算：英矽 ISM001-055 的 rNPV 倒算 光说框架不够，我来做一个具体验算。这是只有做过管线估值的人才能写出来的东西。 英矽的 ISM001-055（TNIK 靶点，IPF 适应症），目前处于 IIa 期，IIb 期预计 2027 年读出数据。 我用 rNPV 给它倒算一个"合理估值锚点"： 基本假设： IPF 全球市场：约 30 亿美元（现有药物吡非尼酮+尼达尼布，增速 ~5%/年） ISM001-055 峰值渗透率假设：15%（考虑到 AI 设计的 first-in-class 溢价） 峰值销售额：30亿 × 15% = 4.5 亿美元 成功率调整（II 期 → 上市）：IPF 的 II 期到上市成功率约 25%（PhRMA 2024 数据） 折现率：11%（biotech 标准） 专利到期：2038 年 rNPV 倒算结果： 风险调整后峰值销售额：4.5亿 × 25% = 1.125 亿美元 折现到 2026 年（12 年窗口）：约 0.35 亿美元（约 2.5 亿人民币） 这是英矽单个管线的合理估值。英矽 2026 年 6 月市值约 180 亿港元（约 23 亿美元）——这意味着市场给它其他管线 + 平台的定价是 ~22.6 亿美元。 我的判断：这个定价隐含了"至少 5-8 个 ISM001-055 级别的成功管线"。以 AI 制药目前的临床验证进度，这个隐含假设偏乐观。 这不是看空英矽——这是说，英矽的估值赌的是 2027-2028 年 IIb/III 期数据全部 positive，概率上不保守。 最核心的判断： ASCO 2026告诉市场，AI在肿瘤学里已经无处不在——但它告诉投资者的真相是，AI设计的药物还需要至少2年，才会有第一批真正的临床验证数据。 > 现在买AI制药，买的是"2027-2028年的期权"，不是"2026年的现实"。 结语：ASCO之后，冷静一点 我参加过很多次ASCO，这一次最特别——不是因为数据有多好，是因为AI的存在感太强了。 但强的是"AI辅助诊疗"，不是"AI发现药物"。 这两个东西的估值逻辑完全不同，却被资本市场的"AI制药"大筐装在一起。ASCO 2026之后，这个筐会裂开。 真正的AI制药投资，需要耐心。英矽的ISM001-055、晶泰的几个PCC项目、恒瑞的AIDD辅助管线——这些才是2027-2028年需要验证的东西。 如果你等得起，现在就是布局的时候。如果你等不起，ASCO 2026已经给你提供了足够多的"AI辅助诊疗"标的，那些是现在就能产生收入的东西。 别把"AI在ASCO无处不在"理解成"AI制药已经成功了"。这两个句子之间的差距，是2-3年的临床数据和至少一轮估值洗牌。