Tempol

AI制药行业悄悄经历了一波分化。 一边是“老面孔”的集体低迷。Recursion与Exscientia被迫合并，Schrödinger股价一年内下跌46%，Absci因TL1A项目数据不佳遭遇摩根士丹利下调评级。另一边却是“新贵”的强势崛起。Chai Discovery完成1.3亿美元B轮融资，Isomorphic Labs推出超越AlphaFold3的药物设计引擎，Xaira Therapeutics更以超10亿美元的初始融资震惊业界。 这种局面绝非偶然的资本轮动，而是行业底层逻辑深刻变革的外显。AI制药的底层逻辑正在发生怎样的剧变？一、第一批AIDD公司为何陷入泥潭？ 临床验证的缺失：当AI遇上生物学的复杂性。老一代公司的根本困境在于，平台效率的提升未能转化为更高的临床成功率。 早期的CADD 主要依赖物理规则模拟分子对接（如 Schrodinger）。随着深度学习的兴起，第一波 AI 制药公司（如 Atomwise）试图完全通过干实验室（Dry Lab）预测药物活性。然而，这一模式遭遇了生物学复杂性的挑战——单纯的算法无法模拟人体内复杂的生物通路。 Recursion与Exscientia合并后，管理层宣称实现了“60%的人时间缩减”和“40%更少毒性化合物”的过程指标。但问题在于，这些是“效率指标”，而非“疗效指标”。当REC-994和REC-2282因疗效不足而终止开发时，市场清醒地认识到：更快的失败仍然是失败。 Recursion 代表了第二代 AI 制药公司，即“TechBio”，核心理念是AI 的瓶颈不在于算法，而在于数据。因此，Recursion 并不从公共数据库抓取数据，而是建立了大规模的自动化湿实验室（Wet Lab），每周进行数百万次实验，生成 petabytes 级别的专有生物图像数据。这种“数据工厂”模式旨在构建生物学的“谷歌地图”。 此次并购前，Recursion 面临一个严峻的科学难题：Recursion OS 极其擅长通过表型筛选发现新的生物学靶点（Target Discovery），即它能告诉科学家“如果我们抑制基因 X，就能逆转疾病表型”。然而，Recursion 在制造能抑制基因 X 的分子方面能力较弱。这导致其早期管线多依赖于“老药新用”或外部引进。 Exscientia 的加入带来了自动化化学合成和AI 药物设计能力。Exscientia 的平台可以在高效地设计出具有特定属性（如高选择性、特定半衰期）的新分子实体（NCE）。 但投资人依然保持了谨慎态度。要理解这种谨慎，必须复盘REC-994 的失败。REC-994 (海绵状血管瘤 CCM)是 Recursion 成立初期的旗舰项目。虽然 2024 年 9 月宣布达到了安全性主要终点，但在 2025 年公布的长期扩展研究中，MRI 显示的病灶体积缩小和功能改善（mRS 评分）与自然病程（Natural History）无法区分。也就是说，药物是安全的，但没效。 REC-994 本质上是一种抗氧化剂（Tempol，超氧化物清除剂），并非 Recursion OS 从头设计的分子，而是通过表型筛选重新定位的老分子。它的失败揭示了单纯依赖表型筛选寻找老药新用的局限性——即使在细胞层面有效，在人体复杂的药代动力学环境下也可能失效。这也是公司为何必须收购 Exscientia 转向“精准设计”的根本原因。 同样，针对神经纤维瘤病的REC-2282 二期试验因无效而终止。这进一步加速了公司剥离旧资产、聚焦新资产的战略决心。 保留的核心资产有REC-617 （CDK7）抑制剂，适应症晚期实体瘤（卵巢癌、结直肠癌、肺癌）；及REC-4881 (MEK1/2 抑制剂)，适应症为家族性腺瘤性息肉病 (FAP) 及 AXIN1/APC 突变癌症。 Absci的遭遇更加典型。其TL1A项目ABS-101的1期数据显示，半衰期特征不及“下一代TL1A comparators”，导致公司被迫放弃内部推进，转向探索其他适应症和合作机会。摩根士丹利因此将ABS-101从财务模型中移除，直言此前基于炎症性肠病合作收益的假设“已不可能实现”。 第一代公司的核心困境总结 公司 市值表现 核心困境 关键原因 Recursion 股价剧烈波动，市值约29.6亿美元 管线数据不佳，被迫裁员20%、终止3个项目 过程指标无法转化为临床成功率，平台整合未带来收入增长 Schrödinger 一年下跌46%，单月再跌26% 市销率仍高达3.8倍，但投资者对软件养管线模式存疑 软件收入稳定但药物管线进展不及预期 Absci 摩根士丹利下调至Equalweight TL1A项目数据不佳，合作预期落空 临床数据未达“下一代”标准，战略转向脱发领域增加执行风险 Relay Therapeutics 小幅反弹，接近52周高点 获FDA突破性疗法认定，但尚未产生商业化收入 竞争格局变化带来预期差，但收入不确定性仍在 二、新一代公司的创新突围 与老一代形成鲜明对比，2024-2025年崛起的新一代AI制药公司呈现出截然不同的技术路径和商业模式。Chai Discovery：从“预测”到“设计”的跨越 Chai Discovery在2025年6月发布的技术报告显示，Chai-2在针对52个多样化靶点的de novo抗体设计中，仅用≤20个抗体或纳米抗体就实现了16%的实验成功率。这一数字意味着，过去需要筛选数千个分子才能找到一个候选药物的过程，现在可能只需要测试不到20个分子。 2026年1月，Chai Discovery宣布与礼来达成合作，将部署其前沿AI平台用于设计新型生物治疗药物。这笔合作的核心是Chai-2平台——首个实现双位数实验命中率的零样本抗体设计平台，能够在数周内完成此前需要数月才能完成的发现过程。 更重要的是合作模式：Chai不仅提供核心模型访问权限，还将基于礼来的大规模专有数据训练定制AI模型，专供礼来内部使用。这意味着AI公司正在从“工具提供者”转变为“模型共建者”。 Chai的团队背景同样值得关注。成员来自OpenAI、Meta FAIR、Stripe、Google X等顶尖AI公司，其B轮融资由Oak HC/FT和General Catalyst共同领投，估值达13亿美元。Nabla Bio：哈佛孵化的“生物制剂自动补全” 作为哈佛大学的衍生公司，Nabla Bio正在开发AI平台以“自动补全”生物制剂设计过程。其核心思路是：研究人员输入所需治疗参数，平台返回优化的分子结构——这种“输入-输出”的自动化范式，试图将生物制剂开发从“手工 crafting”转向“工程设计”。Isomorphic Labs：超越AlphaFold的药物设计引擎 2026年2月，Isomorphic Labs发布了其药物设计引擎（IsoDDE），展现出远超AlphaFold3的能力。 核心技术突破体现在三个维度： 第一，结构预测的泛化能力。在专门测试“与训练集高度不相似”体系的Runs N‘ Poses基准上，IsoDDE的准确率是AlphaFold3的两倍以上。这意味着它能够应对真正新颖的生物学空间——这正是药物发现的核心挑战。 第二，结合亲和力预测的精度革命。IsoDDE在FEP+、OpenFE和CASP16三个公开基准上远超所有深度学习方法，甚至超越了需要实验晶体结构支撑的物理学方法。首次实现了纯计算方法达到或超过传统“黄金标准”的精度。 第三，隐藏口袋的识别能力。IsoDDE能够仅基于氨基酸序列，识别蛋白质上尚未被发现的“可药性口袋”。在cereblon蛋白案例中，它成功预测了2026年才被实验发现的别构隐藏口袋。这种能力将直接拓展“可成药靶点组”的边界。Xaira Therapeutics：10亿美元豪赌“蛋白质设计革命” Xaira的登场堪称2024年生物科技领域最具震撼性的事件。ARCH Venture Partners和Foresite Labs孵化了这家公司，并给予超过10亿美元的初始资金——这是ARCH历史上最大规模的初始投资承诺。 Xaira的核心技术来自华盛顿大学蛋白质设计研究所David Baker实验室。Baker是蛋白质设计领域的泰斗级人物，RFdiffusion和RFantibody这两个模型正是出自他的实验室。团队方面，由前Genentech首席科学官Marc Tessier-Lavigne掌舵，管理层汇集了前Genentech高管和Meta AI人才，董事会包括前强生CEO Alex Gorsky和前FDA局长Scott Gottlieb。 新一代公司的创新特点总结 公司 核心技术 关键突破 备注 Chai Discovery Chai-2零样本抗体设计平台 双位数实验命中率，数周完成数月工作 定制模型共建，基于客户数据训练 Nabla Bio 生物制剂“自动补全”平台 输入参数、输出优化分子 自动化设计范式 Isomorphic Labs IsoDDE药物设计引擎 结构预测泛化能力2倍于AF3，亲和力预测超越物理学方法，隐藏口袋识别 纯计算方法突破实验依赖 Xaira Therapeutics RFdiffusion/RFantibody 蛋白质设计领域泰斗David Baker技术 10亿美元初始融资，顶尖产业与学术团队结合 三、底层逻辑的深刻变革 透过上述对比，可以看到AI制药行业正在发生的两个主要的变化。 一是从提升效率到探索未知。 第一代公司的核心逻辑是：用AI提升现有流程的效率。无论是Recursion的“数据工厂”还是Exscientia的自动化化学设计，其本质都是在加速“已知如何做”的事情。但过程指标的优化无法改变临床失败的根本概率。 新一代公司的逻辑则完全不同，用AI探索“未知的未知”。Isomorphic Labs的IsoDDE能够识别从未被实验表征过的隐藏口袋；Chai Discovery的零样本设计能够在缺乏训练数据的领域产生有效分子；David Baker的RFdiffusion能够设计自然界不存在的蛋白质结构。这不是加速现有流程，而是创造全新可能。 二是从数据规模到模型智能。 老一代公司普遍强调“专有数据”的壁垒。Recursion斥资4700万美元购买Tempus数据，宣称要构建“最大专有生物数据集”。这种思路的隐含假设是：数据越多，模型越强。 但新一代公司的表现证明，模型架构和算法突破正在超越数据规模的优势。IsoDDE在训练集之外的体系上表现优于AlphaFold3，证明其泛化能力来自模型设计而非数据规模。Chai Discovery能够在零样本条件下实现双位数命中率，同样依赖模型架构的创新。这标志着竞争焦点从谁拥有更多数据，转向能设计更聪明的算法。四、监管定调，医疗视角下的行业终局 2025年1月6日，FDA发布了《使用人工智能支持药品和生物制品监管决策的注意事项》指南草案。这是首个AI 药物开发指导原则，引入“基于风险的可信度评估框架”（Risk-based Credibility Framework）。标志着FDA对AI技术的态度从观望、接受到规范化管理的重大转变。在监管眼中，AI 不再是 “试验性工具”，而是受监管认可的手段。 虽然这是一份草案指南，尚不具备完全的法律强制力，但它系统性地提出了“基于风险的可信度评估框架”，通过7个步骤，指导企业如何为其AI模型在特定“使用环境”下的可靠性和准确性建立证据，从而支持监管决策。 当前资本和舆论对AI 技术用于新药研发的憧憬，往往受互联网行业思维定式影响。认为未来格局是少数AI 制药巨头赢者通吃，类似搜索领域的Google、手机操作系统的 iOS/安卓），甚至期待出现如同ChatGPT、Deepseek“输入指令即生成文本/ PPT” 那样，一步到位实现 “输入靶点即输出新药” 的终极平台。 但FDA 的监管思路揭示出截然不同的发展图景。AI 更可能以专业化工具集群的形式渗透新药研发链条。就像 CRO 企业通过分工细化提升研发效率那样，未来或将涌现大量聚焦特定环节的 AI 解决方案。这种“碎片式创新”而非颠覆式或垄断式创新的理念，这是医药行业的视角，而非互联网行业视角。

今日 2 分钟情报｜知识产权与科技要点速览（2026-02-19） 1.欧洲统一专利法院（UPC）体系再度扩容 来源：Intra-Watch 资讯 · 精选 时间：2026-02-18 18:48 事件：欧洲法院决定在统一专利法院（UPC）杜塞尔多夫地方分院开设新审判庭，由 Bérénice Thom 领导。此举被视为 UPC 持续扩容的一部分，相关人士将 UPC 与德国法院的专利判例称为“黄金标准”，但新审判庭的具体职能、案件管辖范围与人员配置仍待进一步披露。 解读：UPC 作为欧洲专利司法一体化的关键制度工程，扩容往往意味着“可用性”与“可预期性”的再上台阶。杜塞尔多夫本就是欧洲专利诉讼的传统重镇，新审判庭落地后，对技术密集型企业的吸引力会进一步增强，尤其是半导体、通信、医药等高价值专利密集行业，很可能更倾向于在此推进跨境禁令与统一救济；对企业而言，这不是单纯“多了一个法庭”，而是欧洲诉讼路径的摩擦成本下降、速度提升与结果可复制性增强，专利布局与诉讼预案必须同步上调到“UPC时代”的节奏。 2.Moderna疫苗专利纠纷再现程序博弈 来源：IIPLA、Law360 时间：2026-02-18 13:02、05:02 事件：美国特拉华州联邦法官在 Moderna 与竞争对手的新冠疫苗专利诉讼中，驳回了 Moderna 试图再次以“显而易见性”作为抗辩的请求。法院认为，Moderna 已在 PTAB 程序中使用过相关抗辩，并曾提交专家意见支撑涉案专利未能充分教导所主张发明的观点；案件涉及多项与核酸递送脂质制剂相关的专利，包括 8,492,359、9,504,651 等。 解读：这类裁定真正“卡”的不是技术，而是诉讼策略的可用空间：一旦同一套无效理由在不同程序之间出现重复、摇摆或被法庭视作程序性不当，当事人就可能在关键阶段失去最锋利的那把刀。mRNA 疫苗专利纠纷之所以牵动全球，不只因为金额与市场，更因为它决定未来“平台型技术”的许可秩序——脂质递送与配方体系是 mRNA 产业链的命门；对生物制药企业而言，这一案提醒的是：专利无效、侵权抗辩与 PTAB/法院双线推进时，必须把“论点一致性、证据链闭环、程序窗口”当作同等重要的作战资源，否则技术上占优也可能在程序上被锁死。 3.Meta“数字遗产”专利引发伦理争议 来源：互联网 时间：2026-02-18 12:35、16:42、06:04 等 事件：Meta 公司申请或获得一项关于使用 AI 在用户去世后模拟其社交媒体行为的专利，引发 Reddit 等社区强烈反弹，被批评为“令人反感且不道德”。公开信息尚未披露该专利的具体实现方式、授权/申请时间线以及 Meta 的官方回应。 解读：这类“数字遗产”专利的争议从来不止于观感，它实际上把三条边界同时推到台前：第一条是人格延伸的边界——一个“像你一样发帖”的系统，究竟是纪念机制，还是一种人格的衍生利用；第二条是数据控制的边界——用户死后，数据由谁授权、谁撤回、谁监督使用范围；第三条是商业化的边界——当平台能让账号继续“活跃”，就意味着注意力、广告与推荐系统的收益可能继续流转。公众的反感，本质是对“未经充分同意的持续性利用”的直觉抵触；而对监管者与平台而言，如果不把授权机制、可解释性与退出机制设计清楚，哪怕技术可行，也会在信任层面付出更高代价。 4.人工智能药物研发面临专利与收益权挑战 来源：互联网 时间：2026-02-18 14:39 事件：人工智能药物研发领域正面临“专利归属与收益权”的法律障碍。已知信息显示，当前超过 90% 的新药候选物在临床试验中失败，而 AI 被寄望于通过快速筛选分子与更早识别潜在风险来缩短研发周期；虽然尚无 AI 发现与设计的药物正式上市，但 Insilico Medicine 的 Lentosertib（肺纤维化）与 Recursion 的 REC-994（脑海绵状血管畸形）已在二期临床试验中验证了安全性。与此同时，美国在 Thaler v. Vidal 案中明确 AI 不能作为专利发明人，USPTO 亦在修订指南中强调 AI 应被视作工具，但在实际药物研发中，“谁构成发明人”可能会随分子类型、合成路线设计与实验贡献而变得复杂；此外，AI 使用记录方式可能在诉讼中反向放大 AI 贡献，从而引发发明人资格争议。 解读：AI 在药物研发中的价值，正在从“效率工具”走向“关键环节参与者”，而专利制度天生依赖可归责的人类贡献，这就是矛盾的根。小分子场景下，若 AI 只给出数字结构而合成化学家设计并验证可行路线，人类贡献仍更容易落在“构思与实现”的链条上；但在蛋白质、核酸等大分子场景，序列生成与成熟的表达/制备路径叠加，反而可能让“人类的创造性步骤”更难被清晰证明。更棘手的是记录：AI 输出天然可追溯，而人类思考常常不完整，这会让诉讼中出现“你只是点击了生成，真正的发明者是AI”的叙事风险。对企业来说，合规动作不应只停留在合同里，而要落到研发过程的“贡献记录制度”与“发明人认定SOP”，否则越依赖 AI，越可能在未来的专利权属与收益分配上被反噬。 5.能源专利申请量持续走高 来源：互联网（IEA 报告） 时间：2026-02-18 10:35 事件：国际能源署表示，全球约十分之一的专利与能源领域有关，能源专利申请量已超过化学品、药品与交通运输等行业；中国、韩国和日本在全球能源专利申请中占据主导地位。报告称，电池在 2023 年占能源创新活动的 40%，其中中国提升了锂离子电池专利份额，并扩大在储能与工业效率领域的影响力；日本则重点布局电池、钙钛矿太阳能电池、氢基燃料与聚变能源。报告还列出 150 项技术更新，包括钠离子电池、固态空调与下一代地热系统；钙钛矿太阳能电池占太阳能材料专利总量的 70%。在投入层面，2025 年全球公共能源研发支出为 550 亿美元，同比下降 2%，企业研发增速放缓至 1%；能源初创企业风险投资下降至 270 亿美元，而 AI 企业获得全球风险投资的 30%，美国占能源风险投资的一半，欧洲公共能源研发强度达 GDP 的 0.08%。 解读：当能源专利的体量压过传统高技术行业时，说明竞争的主战场正在从“资源”转向“技术主权”，而电池占比高达 40%则意味着储能体系已经成为能源安全与产业竞争力的交汇点。中日韩的主导地位并不意外，但更值得看的是路径分化：一端是中国以锂电与系统级储能、工业能效扩张影响力，另一端是日本以钙钛矿、氢能与聚变等长周期路线占位；钙钛矿在材料专利中占到 70%，预示光伏竞争可能从产能与成本，进一步迁移到材料与工艺的专利壁垒。与此同时，能源研发投入与风投在放缓，而资本明显向 AI 倾斜，这种“专利热、资本冷”的错位，可能让未来能源技术更依赖政策与产业协同推进；对企业而言，专利布局需要更像一张“技术路线图”而不是“数量KPI”，在电池、储能、钙钛矿等高密度赛道里，谁把关键节点的专利卡位做扎实，谁就更可能在下一轮能源产业链重构里拿到定价权。 一句话观察：制度扩容在欧洲加速落地、疫苗与AI版权/伦理继续高频摩擦，而能源专利的结构性崛起提醒我们——未来的竞争不仅在法庭与监管里，也在每一条技术路线的专利卡位上。