Curve Therapeutics Ltd.

早研早知道 大环技术正在将曾经的 “难以成药” 的靶标变成一种可以扩展的 “引擎”，开发新型高效口服疗法。 近日（Jan 20），Orbis Medicines 的 CEO Morten Graugaard在 Drug Target Review 上发文，讲述新型大环化合物“强势来袭”，将改变当前药物格局。 Orbis Medicines 是一家专注于开发口服大环药物的生物技术公司，致力于为生物疗法寻找口服大环替代。 PART 01 愿景：口服生物制剂 近几十年来，一系列只有生物制剂能够触及的，疾病相关的细胞外蛋白靶点推动了抗体疗法蓬勃发展。然而这些看抗体疗法的患者依从性并不好。 在西方国家，商品价格高昂往往导致药品价格居高不下，引发付款人退缩； 此外，冷链运输以及复杂制造也限制了生物制品的全球推广。再加上人们普遍更倾向于口服药物，这使得只有少数符合条件的患者能够接受生物制剂治疗。 各疾病领域接受先进治疗的人数比例 Figure 1. 主要免疫市场的生物制剂的使用率较低 因急性皮炎而延迟或被拒绝开具处方所占比例 Figure 2. 报销和保险动态限制了生物制剂使用 如今，相关技术正在不断进步，旨在实现制药行业 “至高无上”的目标：开发出能模拟生物制剂功效的口服药物，这类药物通常被称为“口服生物制剂”。 这种新一代的治疗手段有望利用经过高度验证且有效的靶点，以快速、经济且易于制造、储存和使用的形式呈现出来。口服生物制剂有望催生价值数十亿美元的重磅产品，从而重新定义全球重大疾病的治疗标准。 这种向口服形式的转变是由大型制药公司推动的。 这些公司投入资源研发相关技术和策略，旨在通过优化价格定位和提高患者便利性来扩大市场准入。口服生物制剂的开发也将有助于缓解即将到来的专利悬崖问题，预计在未来 5 到 10 年内，价值超过 2000 亿美元的主要产品将失去专利独占权。 PART 02 口服大环强势来袭 在更广泛的口服生物制剂类别中，大型制药公司对大环类化合物表现出浓厚的兴趣。这些环肽被认为是一种具有潜力的 “理想分子”，其有望综合： （1）小分子的口服生物利用度、细胞渗透性的能力； （2）生物制剂靶向复杂靶点（尤其是靶向无明确口袋，如PPI类靶点）的能力。 分子量（道尔顿） Figure 3. 大环占据理性药物空间（高口服利用度、结合难成药靶点） 两款处于处于晚期阶段、每日一次口服给药方案的大环肽药物的成功案例给了制药行业 “一剂强心剂”： （1）Icotrokinra（JNJ-2113，由强生和 Protagonist 联合开发） 一种强效的抗炎药，在银屑病的四项III期临床试验中取得了成功，并且还在开发用于溃疡性结肠炎的治疗方案。已提交了新药申请，并且正在进行一项与已获批的注射用生物制剂乌斯特肯姆巴的头对头研究，该注射用生物制剂在 2023 年的全球销售额接近 110 亿美元。 （2）Enlicitide decanoate，（MK-0616，由默沙东和 Ra 制药联合开发） 在三项三期临床试验中显著降低了“有害胆固醇”，其作用机制（抑制 PCSK9）开创了通过注射药物进行胆固醇管理的新模式。 高胆固醇影响着超过 8600 万美国人，也是全球心血管疾病的主要诱因，从而推动了规模达数十亿美元的 PCSK9 抑制剂市场的发展。 这两个候选药物充分展现了大环化合物巨大的商业潜力。 但有趣的是，它们都是通过传统的基于肽的大环化合物药物化学方法研发出来的——这是一个高风险、耗时且漫长的过程，成功率极低。所得到的基于肽的大环化合物通常生物利用度也非常低。 尽管它们有效，它们的口服生物利用度仅符合行业标准的 1%至 2%，这影响了商品成本，同时也由于使用渗透促进剂而增加了禁食要求。 PART 03 更多口服大环设计 当此时，涌现出一批开发新一代大环化合物的生物技术公司： 如Orbis Medicines、Unnatural Medicines、Vilya、Curve Therapeutics、Circle Pharma，等。 这些公司通过在较小且易于制备的分子中融入更多的化学多样性，对早期的分子进行了改进，使其更有可能具备良好的药物特性。 Figure 4. 新一代大环可以在更类药物的分子种实现更大的结构多样性 通过从仅能选择的 20 种天然氨基酸扩展到超过 6000 种合成氨基酸，研究人员能够进入一个几乎无限的设计空间，其中包含的潜在分子数量远超宇宙中的恒星数量。 整合了自动化、高通量大环合成与筛选、基于人工智能驱动的计算筛选，实现了从先导化合物发现到候选化合物优化的整个研发过程，在这一庞大的化学空间的系统性探索。 两个关键技术领域的进步，正在将大环化合物开发从高风险、低通量的手工过程转变为一种可编程、数据驱动的规程：固相合成、AI辅助药物发现。 PART 04 固相多肽合成 固相多肽合成（SPPS）技术的进步通过自动化、高通量生成和筛选不同的分子文库，改变了大环药物的发现。 在传统的 SPPS 技术中，每个大环都需要单独进行合成、纯化和表征——这是一个极其缓慢且资源消耗巨大的过程，限制了其可扩展性。 然而，生物技术发现平台的最新改进使得能够在板式格式中同时合成超过 1536 种肽。将此与使用溶液化学进行的额外稳健的化学修饰相结合，能够在短短几周内获得数万种多样化的、可供筛选的大环化合物。 “拆分-合并” 固相合成技术进一步提供了这个效率。 通过将树脂物理地分成多个反应容器，用不同的构建砌块对其进行改造，然后重新组合它们，人们已经能够在一周内合成包含多达数百万种独特大环化合物的组合库。 从历史的角度来看，这种方法一直受到解卷积难题或确定在筛选过程中出现的每个大环的确切结构的困难的限制。 而最近在亲和筛选-质谱技术方面的进展使得能够分离来自磁珠或混合物的结合物，并直接对其进行测序或片段化，同时还能将它们的质量与相应的组成单元组合对应起来。 这种快速且准确的对命中解卷积，能够充分发挥大型组合库的全部潜力。 在整个生物技术行业，近期的进展主要集中在扩大规模，并将固相合成直接整合到端到端的药物研发流程中。 现今，自动化合成器和机器人平台能够将合成与筛选无缝连接起来，形成一个连续的发现流程，同时评估结合亲和力、细胞渗透性、蛋白水解稳定性以及其他特性 作为一项概念验证，瑞士洛桑联邦理工学院（EPFL）的Christian Heinis展示了一种自动化的大环化合物设计方法，用于设计一种在大鼠体内具有 18% 口服生物利用度的凝血酶抑制剂——这比行业标准（约 1-2%）有了显著提高。该研究发表在《自然化学生物学》杂志上，为Orbis Medicines 的发现平台提供了支持，并突显了下一代发现平台在针对几乎任何蛋白质靶点实现口服生物利用度的多环化合物方面所具有的潜力。 PART 05 AI辅助药物发现 随着生物技术公司生成的数据量日益庞大且结构愈发复杂，人工智能（AI）和机器学习（ML）正成为加速和优化药物设计的不可或缺的工具。生成式 AI 模型如今能够针对特定的发现目标进行定制，并通过结合公开数据和专有数据进行训练，以提高预测准确性和分析能力。 尽管取得了这些进展，但目前生命科学领域的生成模型在预测分子结合方面表现更为出色，而在预测功能活性方面则相对逊色。即使是对于含有合成氨基酸的大环化合物和肽类物质，其结合预测也仍然颇具挑战性，因为这些化学空间中的结构和生物物理数据仍然十分有限。 因此，专有的实验数据正逐渐成为衡量人工智能驱动的药物研发性能和可靠性的关键因素。对大型生成模型的早期研究表明，主要基于人工智能生成的数据进行训练会随着时间的推移降低模型的质量，这凸显了需要具有实验验证和真实世界背景的数据的重要性。 在大环领域，这意味着从自动化固相合成和高通量筛选中获得的大量高质量数据集对于建立下一代预测模型至关重要。 目前该领域的公司正在使用真实数据来训练AI系统，这些系统可以指导： （1）Hit 识别。 使用目标结构数据（例如，X射线晶体学）以及计算蛋白质结构预测来生成候选大环，预测与高亲和力的目标结合 （2）Hit-to-Lead 优化。 设计出新的类似物，以在多个参数（包括细胞渗透性和口服生物利用度）方面超越最初的成果。由于大环化合物不遵循适用于小分子的标准药物开发准则，因此预测其可开发性更为复杂。特别是，人工智能模型必须考虑到大环化合物根据其所处环境能够改变形状和极性这一特性，这会影响细胞渗透性和其他类似药物的特性。 （3）结构-功能预测。 构建能够从实验功能数据中学习的模型，从而将分子设计与生物活性直接关联起来。 总之，这些进展共同标志着大环药物研发的新时代。 在这个时代中，自动化合成与筛选以及基于人工智能的设计能够形成持续的反馈循环，将发现过程转变为一个能够自我改进、基于数据驱动的流程。 PART 06 大环的创新与机遇 当此时，新一代大环化合物已迎来“黄金机遇期”。 此时，新技术的融合与市场需求的契合达到了理想状态，从而能够推动一种长期以来被认为难以通过传统药物开发手段实现的模式实现快速发展。 Figure 5. 将物理技术和虚拟技术相结合能够实现更有效的大环设计 近期目标非常明确： （1）展示新兴技术如何能够极大地提高大环设计的效率和精度。 （2）提供具有优于第一代分子的优越口服生物利用度的大环化合物。 （3）将大环类药物的固有优势转化为推动该行业从注射型生物制剂向口服疗法的更大规模转变的动力，从而最终为全球患者扩大治疗的可及性和便利性。 （4）通过具有更高口服生物利用度的口服大环化合物，能够开发出两种药物的固定剂量组合，从而创造出口服“双特异性”药物，这些药物能够在难以治疗的病症中发挥更大的疗效——同时还能保持较低的价格、患者的可及性以及向全球患者进行的广泛分发。 曾经难以想象的大环化合物的广阔空间正变得易于研究。 创新者们将能够进行大规模合成、筛选和分析的自动化系统与能够针对前所未有的化学多样性进行预测建模的人工智能平台相结合。曾经遥不可及的前沿领域如今已变成了一个切实可行的机会，能够充分发挥宏观环化合物的全部治疗潜力。 往期相关回顾推荐 环肽的合理性设计，特别是双环肽：来自Bicyclic Therapeutics首席技术官的发文 2025-03-24 Angew：氯烷渗透测定法，一种基于活细胞开发环肽药物的随机环肽膜渗透性批量测量方法 2025-03-19 JMC：针对SARS-CoV-2主蛋白酶的非共价细胞穿透性双环大环肽抑制剂的发现 2024-12-03 环肽发现之竞争布局和合成方法 2024-02-05 口服降血脂PCSK9抑制剂——大环肽MK-0616发现之旅 2024-03-27 它来了！距离上市获批又进一步！默沙东口服 PCSK9 抑制剂两项三期临床取得成功！ 2025-06-10 Drug Hunter高亮点评：2024年度分子 2025-12-22

过去几十年间，大量致病性胞外蛋白靶点——此前仅能通过生物制剂触及——推动了抗体药物的蓬勃发展，但其对患者的影响始终受限于较低的药物可及性[1]。在西方国家，高昂的生产成本往往导致药价居高不下并引发支付方的抵制；而在更广泛的全球范围内，冷链物流和复杂的生产工艺要求限制了其可及范围。加之患者普遍强烈偏好口服给药方式，最终导致仅有少数符合条件的患者能够接受生物制剂治疗。 （图片来源：主要免疫学治疗领域中生物制剂的应用程度较低[2]） （图片来源：报销政策与保险机制的制约影响了生物制剂的普及[3]） 如今，新一代技术正在不断发展，致力于实现制药产业的“终极目标”——能够模拟生物制剂疗效的口服药物，即通常所说的“口服生物制剂”。这类新一代疗法有望以快速、低成本、易于生产、储存和服用的形式，作用于已被充分验证的有效靶点[4]。口服生物制剂将有望创造数十亿美元的重磅产品，重新定义全球重大疾病的治疗标准。 这一向口服剂型的根本性转型，主要由大型制药公司推动。它们正积极投资相关技术与战略，旨在通过优化定价定位和提升患者用药便利性，来扩大市场可及性。同时，口服生物制剂的开发也有助于缓解迫近的“专利悬崖”——预计未来5到10年内，将有总值超过2000亿美元的重磅产品陆续失去市场独占权[5,6]。 大环化合物在口服生物制剂领域势头渐起 在更广泛的口服生物制剂类别中，大环化合物正成为大型制药公司关注的新兴热点。这类环状肽分子被视为潜在的“理想型分子”，有望兼具小分子药物的口服生物利用度和细胞渗透性，以及生物制剂靶向难以形成明确蛋白口袋的复杂靶点（如大型蛋白质-蛋白质相互作用）的能力。 （图片来源：大环化合物处于理想的药物结构区域，其口服吸收效果良好，并且具备与难以捕捉的目标分子结合的能力[7]） 大环化合物在制药界的迅猛发展态势，正由两项已进入后期阶段、每日一次口服疗法项目的显著成功所印证：艾科托那单抗（强生与Protagonist合作开发）和恩利昔肽癸酸酯（默沙东与Ra Pharma合作开发）。艾科托那单抗是一款强效抗炎药物，已在银屑病领域成功完成四项三期临床试验，并正针对溃疡性结肠炎开展研究。其新药申请已提交，目前正与已获批的注射用生物制剂乌司奴单抗进行头对头研究——后者在2023年全球销售额接近110亿美元[8]。 恩利昔肽癸酸酯则通过抑制PCSK9的作用机制，在三项三期临床试验中显著降低了“坏胆固醇”水平——该机制此前已通过注射药物革新了胆固醇管理领域[9]。高胆固醇影响着全球超过8600万美国人，也是心血管疾病的主要诱因之一，推动着规模达数十亿美元的PCSK9抑制剂市场。 这两款候选药物充分彰显了大环化合物巨大的商业潜力，但值得注意的是，它们均通过传统的基于肽类的大环化合物药物化学方法推进研发。这一过程具有高风险、耗时费力且成功率低的特点，所得肽类大环化合物的生物利用度通常也极低。尽管药效显著，艾科托那单抗和恩利昔肽癸酸酯的口服生物利用度仍仅为行业常规水平的1%至2%[10]，这不仅影响了生产成本，也因需使用渗透促进剂而对患者空腹服药提出了要求。 设计具有更高口服生物利用度的大环化合物 以Orbis Medicines、Unnatural Medicines、Vilya、Curve Therapeutics及Circle Pharma等为代表的企业正在开发的新一代大环化合物，通过将更丰富的化学多样性融入更小、更易生产的分子结构中，对早期分子进行了优化，从而更有可能获得良好的类药性质。研究者不再局限于20种天然氨基酸，而是能够从超过6000种合成氨基酸中进行选择，从而进入一个近乎无限的设计空间——其中蕴含的潜在分子数量甚至超过宇宙中的星辰[11]。 （图片来源：下一代大环结构使得分子具有更强的药物特性，同时其结构多样性也更为丰富） 如今，通过将自动化高通量大环化合物合成筛选与人工智能驱动的计算过滤技术相结合，在苗头化合物至先导化合物优化阶段对这一化学空间进行系统性探索已成为可能。下文将阐述的两个关键技术领域的进步，已推动大环化合物开发从高风险、低通量的手工式过程，转变为一个可编程、数据驱动的系统化学科[12]。 固相合成技术的突破 固相多肽合成技术的进步，通过实现多样化分子库的自动化、高通量生产与筛选，彻底改变了大环化合物的药物发现流程[13]。 传统的固相合成方法需对每个大环化合物进行单独合成、纯化与表征，这一过程本质上效率低且资源密集，可扩展性有限。然而，近期生物技术发现平台的改进已能实现超过1,536种肽在微孔板格式中同步合成。结合基于溶液化学的额外稳健化学修饰，仅需数周时间即可获得数万个结构多样、可直接用于筛选的大环化合物[14]。 “分割-混合”固相合成策略进一步提升了这一效率[15]。通过将树脂珠物理分割至多个反应容器中，用不同结构单元进行修饰后再重新混合，化学家可在一周内构建包含数百万种独特大环化合物的组合库。 过去，该方法因解析困难——即确定筛选中出现的每个活性大环化合物的精确结构——而受到限制。如今，亲和选择-质谱联用技术的最新进展，使得从树脂珠或混合库中分离出结合分子、直接进行测序或片段分析，并将其质谱信号回溯至对应的结构单元组合成为可能[16]。这种快速、准确的活性分子解析方式，让大型组合库的完整潜力得以释放。 在整个生物技术行业，近期的进展聚焦于将固相合成技术规模化并直接整合至端到端的药物发现工作流程中[17]。自动化合成仪与机器人平台如今将合成与筛选连接成连续的发现管线，可并行评估结合亲和力、细胞渗透性、蛋白酶稳定性等多项性质。 作为概念验证，瑞士洛桑联邦理工学院（EPFL）的Christian Heinis研究团队展示了一种自动化大环化合物设计方法，成功设计出一种在大鼠体内口服生物利用度达18%的凝血酶抑制剂——相较于行业常规的约1-2%水平，这是显著提升[18]。该研究发表于《自然·化学生物学》，构成了Orbis Medicines药物发现平台的基础，并凸显了新一代发现平台在针对几乎任何蛋白靶点开发口服生物利用度优异的大环化合物方面的巨大潜力。 人工智能驱动的药物发现 随着生物科技公司产生的数据集日益庞大和复杂，人工智能与机器学习已成为加速和优化药物设计的重要工具。如今，生成式AI模型能够针对特定的发现目标进行定制，并结合公开与专有数据进行训练，从而提升预测准确性与分析能力[19]。 尽管取得进展，当前生命科学领域的生成式模型主要擅长预测分子结合，而非功能活性。即便对于结合预测，在涉及含有合成氨基酸的大环化合物及多肽时仍具挑战性，因为这些化学空间的结构与生物物理数据仍较为有限[20]。 因此，专有实验数据正成为影响AI驱动药物发现性能与可靠性的关键差异化因素。对大型生成模型的早期研究表明，若主要使用AI生成的数据进行训练，模型质量会随时间下降[21]，这凸显了经过实验验证的真实世界数据的必要性。 在大环化合物领域，这意味着必须获取通过自动化固相合成与高通量筛选产生的广泛、高质量数据集，才能构建下一代预测模型。 该领域的前沿公司正在利用真实世界数据训练AI系统，以指导以下环节： 靶点识别——结合靶点结构数据（如X射线晶体学）与计算蛋白结构预测，生成能高亲和力结合靶点的候选大环化合物。 “从初步筛选到最终优化”的研发流程——设计在细胞渗透性、口服生物利用度等多参数上优于初始苗头化合物的新类似物。由于大环化合物并不遵循已成功应用于小分子药物的标准开发准则，其可开发性预测更为复杂。特别是AI模型必须考虑大环化合物依环境改变构象与极性的能力，这直接影响其细胞渗透性及其他类药性质。 结构‑功能预测——基于实验功能数据构建模型，建立分子设计与生物活性之间的直接关联。 这些进展共同标志着大环化合物药物开发进入新时代：自动化合成筛选与AI驱动设计在持续反馈中协同运作，将药物发现转化为一个自我优化、数据驱动的迭代过程。 黄金交汇点：大环化合物的创新与机遇融合 新一代大环化合物已迎来“黄金交汇点”——新技术与市场需求在此汇聚，共同推动这一曾被视为超越传统药物开发能力的治疗模式快速前进。 （图片来源：物理技术与虚拟技术的结合使宏观循环设计更加高效） 近期目标清晰明确： 展现新兴技术如何显著提升大环化合物设计的效率与精准度 推出比第一代分子具有更优口服生物利用度的大环化合物 发挥大环化合物的固有优势，加速行业从注射生物制剂向口服疗法的广泛转型，最终提升全球患者的用药可及性与便捷性 通过高口服生物利用度的口服大环化合物，推动两种药物的固定剂量复方开发，从而创造口服“双特异性”药物，在难治适应症中实现更强疗效，同时保持更低的定价、更优的患者可及性与全球分发能力 曾被视为不可企及的大环化合物化学空间，正变得可系统探索。创新者正将能够大规模合成、筛选与分析的自动化系统，与能在前所未有的化学多样性中进行预测建模的AI驱动平台相结合。曾经的愿景前沿，如今已成为实现大环化合物完整治疗潜力的切实机遇。 参考资料 1.Makurvet FD. (2020). Biologics versus small molecules: Drug costs and patient access. Medicine in Drug Discovery, 9(9), 100075. https://doi.org/10.1016/j.medidd.2020.100075 2.Sanofi. (2023). R&D Day 2023 investor presentation [PDF presentation]. https://www.sanofi.com/assets/dotcom/content-app/events/investor-presentation/2023/r-and-d-day-2023/Presentation.pdf 3.Loiselle AR, Chovatiya R, Thibau IJ, et al. (2024). Evaluating Access to Prescription Medications in the Atopic Dermatitis Patient Population in the USA. Dermatology and Therapy. https://doi.org/10.1007/s13555-024-01205-0 4.Zeng H, Ma M, Peng X, et al. (2025). Oral Delivery Strategies for Biological Drugs. Small Methods, 9(7). https://doi.org/10.1002/smtd.202401355 5.Next drug patent cliff to challenge Big Pharma strategy. (2025, July 5). European Pharmaceutical Review. https://www.europeanpharmaceuticalreview.com/news/261834/next-drug-patent-cliff-to-challenge-big-pharma-strategy/ 6.Möller C, Kristic S, Walker G-C, et al. (2025, February 18). Biopharma’s Patent Cliff Puts Costs Front and Center. BCG Global. https://www.bcg.com/publications/2025/patent-cliff-threatens-biopharmaceutical-revenue? 7.Peterson ML. (2017, October 15). The Evolution of Macrocycles in Drug Discovery: From Technologies to Drugs. Americanpharmaceuticalreview.com. https://www.americanpharmaceuticalreview.com/Featured-Articles/343609-The-Evolution-of-Macrocycles-in-Drug-Discovery-From-Technologies-to-Drugs/ 8.Icotrokinra results show potential to set a new standard of treatment in plaque psoriasis. (2025, March 8). JNJ.com. https://www.jnj.com/media-center/press-releases/icotrokinra-results-show-potential-to-set-a-new-standard-of-treatment-in-plaque-psoriasis 9.Merck’s Investigational Oral PCSK9 Inhibitor Enlicitide Decanoate Met All Primary and Key Secondary Endpoints in Adults with Hypercholesterolemia in Pivotal CORALreef Lipids Study – Merck.com. (2025, September 30). Merck.com. https://www.merck.com/news/mercks-investigational-oral-pcsk9-inhibitor-enlicitide-decanoate-met-all-primary-and-key-secondary-endpoints-in-adults-with-hypercholesterolemia-in-pivotal-coralreef-lipids-study/ 10.Nicze M, Borówka M, Dec A, et al. (2024). The Current and Promising Oral Delivery Methods for Protein- and Peptide-Based Drugs. International Journal of Molecular Sciences, 25(2), 815–815. https://doi.org/10.3390/ijms25020815 11.Morten Graugaard – CEO, Orbis Medicines. (2025, September 15). PharmaBoardroom. https://pharmaboardroom.com/interviews/morten-graugaard-ceo-orbis-medicines/ 12.Garcia Jimenez D, Poongavanam V, Kihlberg J. (2023). Macrocycles in Drug Discovery─Learning from the Past for the Future. Journal of Medicinal Chemistry, 66(8), 5377–5396. https://doi.org/10.1021/acs.jmedchem.3c00134 13.Terrett NK. (2010). Methods for the synthesis of macrocycle libraries for drug discovery. Drug Discovery Today: Technologies, 7(2), e97–e104. https://doi.org/10.1016/j.ddtec.2010.06.002 14.Habeshian S, Merz ML, Sangouard G, et al. (2022). Synthesis and direct assay of large macrocycle diversities by combinatorial late-stage modification at picomole scale. Nature Communications, 13(1). https://doi.org/10.1038/s41467-022-31428-8 15.Morimoto J, Kodadek T. (2015). Synthesis of a large library of macrocyclic peptides containing multiple and diverse N-alkylated residues. Molecular BioSystems, 11(10), 2770–2779. https://doi.org/10.1039/c5mb00308c 16.Lee MA, Brown JS, Farquhar CE, et al. (2025). Affinity selection–mass spectrometry with linearizable macrocyclic peptide libraries. Science Advances, 11(12), eadr1018–eadr1018. https://doi.org/10.1126/sciadv.adr1018 17.Brocklehurst CE, Altmann E, Bon C, et al. (2024). MicroCycle: An Integrated and Automated Platform to Accelerate Drug Discovery. Journal of Medicinal Chemistry, 67(3), 2118–2128. https://doi.org/10.1021/acs.jmedchem.3c02029  ‌ 18.Merz ML, Habeshian S, Li B, et al. (2023). De novo development of small cyclic peptides that are orally bioavailable. Nature Chemical Biology, 1–10. https://doi.org/10.1038/s41589-023-01496-y 19.Gangwal A, Ansari A, Ahmad I, et al. (2024). Generative artificial intelligence in drug discovery: basic framework, recent advances, challenges, and opportunities. Frontiers in Pharmacology, 15. https://doi.org/10.3389/fphar.2024.1331062 20.Hu F, Jia X, Liao W, et al. (2025). Exploring the macrocyclic chemical space for heuristic drug design with deep learning models. Communications Chemistry, 8(1). https://doi.org/10.1038/s42004-025-01686-w 21.Shumailov I, Shumaylov Z, Zhao Y, et al. (2024). AI models collapse when trained on recursively generated data. Nature, 631(8022), 755–759. https://doi.org/10.1038/s41586-024-07566-y 往期阅读推荐 点击标题跳转到对应原文 01-《中国创新再突破！和正医药达成全球首笔DAC药物海外合作》 02-《生物医药领域融资动态及行业观察》（26年01月17日-01月23日） 03-《生物医药人才变动信息》（26年01月16日-01月22日） 04-《2026年新药前瞻，即将在中国获批的重磅新药名单！》 05-《生物医药领域融资动态及行业观察》（26年01月10日-01月16日） 06-《22亿美元！GSK达成最终收购协议！》 07-《生物医药人才变动信息》（26年01月09日-01月15日） 08-《生殖生物技术治疗领域新进展》 09-《2026生物医药行业需要直面的五大问题！》 10-《破应用瓶颈，克副作用难关：拓展CAR-T疗法之路》 11-《生物医药领域融资动态及行业观察》（25年12月27日-26年1月9日） 12-《5.7亿美元！宜联生物与罗氏再度签署独家许可协议》 13-《生物医药人才变动信息》（25年12月26日-26年1月8日） 13-《癌症免疫疗法的未来方向》 14-《2026年上半年度十大临床试验看点》 More exciting content is continuously being updated. 免责声明 “会会药咖”文章旨在传递信息，我们力求提供准确资讯，但对其完整性、准确性不做担保，所有内容仅供参考，不构成任何商业或医疗建议，使用者自行承担风险。如对内容有疑议，请及时联系我们。本声明与法律法规冲突时，以法律法规为准。 会会药咖建群啦！ 分 享 生 物 医 药 行 业 讯 息  、 专 业 知 识 扫 码 审 核 进 群 Cooperation 如有合作需求，欢迎随时与我们联系~ 会 务 合 作 微  信丨柏鳌创新 电  话丨18000558050 媒 体 合 作 微  信丨会会药咖 电  话丨15828041131 喜欢这篇文章，别忘了点一点文章末尾的“点赞”“分享”“喜欢”。 把我们设为星标，让我们之间的深度链接不会错过。

Curve Biosciences近日完成由Luma Group 领投的4000 万美元融资，参投方包括First Spark Ventures、Civilization Ventures 等多家知名机构。 公司致力于通过其“全身智能（Whole-Body Intelligence™）”平台，变革慢性病的早期监测与管理。其核心技术是Whole-Body Atlas™ —— 全球最大的人体组织分子蓝图，结合AI 模型与创新血液检测，可更早、更精准地识别慢性病风险。 管理团队由来自Genentech、GRAIL、Natera 等顶尖公司的专家组成。此次融资将加速产品的临床验证和商业化，有望推动慢性病管理迈向个性化、前瞻性的新阶段。 有问题，问星光智能体！ 人类基地：AI作曲的“红线”被划定：你的歌有AI参与也能版权保护了，但前提是…... 投资亮点 一、技术创新：构建“全身智能”平台 Curve的核心亮点在于其构建的Whole-Body Intelligence™ 平台，该平台结合了人工智能、组织水平的生物学数据（Whole-Body Atlas™）和简化的血液检测（Whole-Body Blood Tests™），通过回归组织真实，实现更早期、精准地识别和管理慢性病。 其Whole-Body Atlas™ 是全球首个系统性、手工整理的大规模人体组织数据库，按器官和疾病状态进行表征，为AI 模型提供了强有力的训练基础。这种底层数据驱动的模式，为慢性病早筛带来全新可能。 二、市场刚需：慢性病高发，监测方式亟待升级 在GLP-1 类药物等慢性病治疗领域取得突破的背景下，如何有效监测病情变化和疗效反应成为痛点。Curve 的血液检测方案具备操作简便、前瞻性强的特点，有望成为常规慢病管理工具。 这为平台打开了保险公司、药企、医生和患者之间的数据闭环协同市场，具有医保报销潜力和广阔的市场适配空间。 三、顶尖团队加持，执行力强 Curve的管理团队来自GRAIL、Natera、Genentech、Counsyl 等精密医学和生物科技龙头企业，具备丰富的从研发—转化—商业化落地经验。尤其是在癌症早筛、产前筛查和遗传病筛查等复杂血液检测产品的开发和规模化经验，显著降低项目落地风险。 此外，首席创新官Shan Wang 教授为斯坦福大学工程学院教授，拥有70 多项专利，在微纳技术、磁传感器等领域有深厚基础，保证平台底层技术的科研先进性。 四、投资人结构优质，具备长期价值挖掘能力 本轮由Luma Group 领投，联合Civilization Ventures、First Spark Ventures 等深耕生命科学与前沿医疗的专业投资机构，说明项目经过了严格的专业尽调。同时，这些机构具有较强的资源整合能力，有助于未来临床试验、支付通路、监管对接等环节的快速推进。 五、平台级潜力，未来拓展空间大 Curve的平台具备高度可扩展性，不仅适用于糖尿病、心血管等慢性病，未来也可能延伸至癌症、神经退行性疾病等多个领域。其“数据+模型+检测”的组合方式，具备平台级变现潜力。 Curve的价值分析 一、产品优势 Whole-Body Blood Tests™（全身血液检测）是Curve 的核心产品，区别于目前多集中在癌症筛查的液体活检技术。该产品通过全身组织数据支持的AI 模型，能够实现对多种器官功能的慢性病状态早期识别与监测，更全面、更前瞻、更高精度，且具备操作简便的优势，适合在常规临床中广泛应用。 二、技术优势 1、Whole-Body Atlas™（全身图谱）：全球最大、手工标注的组织样本数据库，涵盖40万+样本，按器官和疾病状态系统归类，形成了真正的“分子级人体蓝图”。 2、组织级真值（Tissue-level Ground Truth）：不同于其他公司依赖噪声多、偏差大的血液样本数据，Curve 以组织为锚点，构建模型更具稳定性和可解释性。 3、AI训练模型：在此基础上开发的Whole-Body Intelligence™ 模型，具有显著的数据深度和训练准确性，减少“假阳性/假阴性”问题。 三、平台优势 Curve提供的是一个平台型解决方案，不仅限于某一种疾病或检测，而是通过统一数据基础和模型架构，实现跨疾病、跨器官的多场景拓展，具备如下特点： 1、高扩展性：从一个测试产品，逐步拓展至多个疾病类别（糖尿病、肾病、心血管等）； 2、高通用性：可服务患者、医生、保险公司、制药企业等多个利益相关方； 3、高适配性：符合现有医疗流程、易与电子病历系统等集成。 四、服务优势 可预期的服务模式可能包括： 1、检测服务：面向医院或检测中心提供血液采样与分析； 2、数据服务：为医生提供个性化的慢病预测与管理建议； 3、临床支持：通过整合数据反馈，辅助医疗决策； 4、对接保险与药企：通过模型结果优化支付路径与药物适应症分析。 五、商业模式 Curve的商业模式具有以下特征： 模块 内容 B2B 模式 向医院、诊所、健康管理中心等提供检测解决方案 SaaS 平台 提供基于Whole-Body Intelligence 的慢病管理平台 B2P 模式 与保险公司、制药企业合作，整合到患者管理系统中 临床试验支持 为药企新药研发提供高分辨率患者分型数据与疗效追踪 该模式具备可复制性强、边际成本低、生命周期长的特点。 六、医疗价值 Curve的平台和产品在慢性病早筛、个体化管理、疗效监测三大方面具有重要意义： 1、预防为主：通过早期识别，减少晚期治疗费用与资源浪费； 2、治疗指导：结合不同器官状态，调整用药、手术、生活方式； 3、全生命周期管理：不仅聚焦“诊断”，也服务于“持续健康监测”。 在全球慢性病高负担（如糖尿病、心血管病、肾病）背景下，其临床意义巨大。 七、未来前景 Curve Biosciences具备成为“慢病精准检测平台型公司”的潜力，未来发展趋势可包括： 1、产品线拓展：从慢病检测扩展到神经退行性疾病、免疫疾病等； 2、国际化布局：切入亚太（如日本、韩国）、欧洲高龄化市场； 3、医保渗透：推动产品纳入国家医保/商业保险支付范围； 4、与AI大模型结合：进阶为“虚拟医生+生物数据”结合体； 5、临床药物合作：支持新药疗效分层分析与靶点验证。  Whole-Body Intelligence™ 一、科学原理与方法论 Curve的核心科学原理是：细胞在死亡时会释放DNA 片段进入血液中（cfDNA）。这些cfDNA 携带特定的甲基化模式（methylation signatures），可以反映出其来源的器官与健康状态。 Curve 通过分析这些DNA 的甲基化特征，实现： 1、识别cfDNA 来源的器官 2、判断该器官是否处于健康或病变状态 这种方式可在：症状出现前、成像还不具备可行性时、活检不可进行时提前发现慢性病信号，属于“分子级别”的早筛方式。 二、核心技术：Whole-Body Intelligence™ 传统血液检测技术大多是“黑箱模型”——缺乏对血液中信号来源的真实、生物学锚定。 Curve的创新在于：引入Whole-Body Atlas™（全身图谱）作为训练基础 这是全球最大、手动整理的组织样本数据库，按器官和疾病状态进行详细标注。 每个样本都与其来源组织及病理状态相对应，提供了“组织级别的真值（ground truth）”。 基于这些组织样本，Curve 构建AI 模型，使其能够将血液中cfDNA 的甲基化模式精准映射回源器官。 这项方法： 1、提高了AI 模型的训练质量与可解释性； 2、避免了“血液中混乱信号”对模型准确度的干扰； 3、创造了可追溯的组织-血液-疾病三重对应关系。 三、Whole-Body Blood Tests™ 的临床应用潜力 与传统方法的关键差异： 项目 传统液体活检 Curve 的Whole-Body Blood Tests 数据来源 血液中cfDNA、但不确定来源器官 血液cfDNA + 精准溯源到组织 模型训练 多为黑箱模型，噪声大 基于Whole-Body Atlas，具备生物真实锚点 检测范围 多集中于癌症早筛 面向多种慢性病（如肝病、肾病、心衰等） 精准性 特异性、敏感性波动大 准确率更高，早期预警能力强 临床价值 通常为“补充性工具” 有望成为“主流监测方案” 四、AI 模型的独特性 Curve的AI 模型有如下特点： 1、以甲基化特征为主输入变量，提供稳定、组织特异性强的信号； 2、训练集明确来源于Whole-Body Atlas 样本库，数据质量高； 3、可对血液中混杂的cfDNA 分离归因，实现“器官级别”的检测结果； 4、具备可解释性，便于医生采纳与医保方信任。 这类AI 模型不仅用于诊断，还具备指导治疗、监测进展、追踪疗效等多种潜力。 五、潜在适应症与应用场景 结合原理推测，其适应症可涵盖以下领域： 疾病类别 应用价值 肝脏疾病 可用于脂肪肝、肝纤维化、早期肝癌监测 肾功能衰退 通过肾源cfDNA 变化监测功能恶化 心血管疾病 心肌损伤相关cfDNA 提前预警心衰 神经退行性疾病 脑源cfDNA 有潜力应用于阿尔茨海默病研究 自身免疫病 多系统受累时，识别起始靶器官与病程演变 六、总体优势与战略前景 1、回归生物真实：不依赖“仅从血液看问题”，而是从“组织-血液-疾病”建立稳定链条； 2、平台型结构：同一方法可应用于多种疾病，极具横向拓展潜力； 3、突破现有技术瓶颈：避免“数据噪声”、“模型泛化差”的老问题； 4、未来可与影像、基因组等多模态融合，强化多维监测能力； 5、赋能精准医疗与医保支付判断，推动慢病管理走向个性化。 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：AI怎样影响世界？