Absci Corp.

报告摘要 本报告对海外（美国为主）AI制药产业进行系统梳理，覆盖小分子、抗体与蛋白、核酸药物、细胞与基因疗法四类主要药物模态中的代表性公司，并延伸至跨模态平台、传统药企及科技巨头的研发布局，说明了平台能力和管线兑现在AI制药企业中的重要性。 AI制药已从平台展示阶段进入管线验证阶段，但不同药物模态的兑现节奏差异明显。小分子领域成熟度最高，头部公司已形成“计算平台+自动化实验+临床管线”的完整闭环，Schrödinger以物理计算软件建立稳定商业模式，Recursion依托超50PB专有数据和自动化实验推进FAP等难治适应症管线，Relay、Nimbus则分别以蛋白质动态构象和变构靶点开发形成差异化；其中Nimbus以60亿美元将TYK2项目授权武田、Recursion平台合作潜在里程碑超200亿美元，是当前AI平台商业化价值最直接的证据。 抗体与蛋白领域，Generate:Biomedicines的GB-0895成为首个由生成式AI设计并进入III期临床的蛋白药物，Absci、Nabla Bio已具备全长抗体从头设计能力并获得武田、BMS等大型药企的大额合作，但多数管线仍处于早期阶段，疗效与可开发性有待临床数据进一步验证。 核酸药物与细胞和基因疗法整体尚处早期赛道，AI更多作用于序列设计、递送优化和基因编辑工具挖掘。CAMP4、Inceptive分别以调控RNA图谱和RNA编译器切入，Metagenomi、Scribe、Profluent以宏基因组挖掘或从头设计构建新一代基因编辑工具，Dyno、Shape聚焦AAV载体工程化，Outpace则以AI蛋白设计探索实体瘤细胞治疗；上述方向技术差异化已经形成，但距离规模化商业兑现仍有距离，需跟踪其关键临床节点。 跨模态平台公司的价值，在于把疾病机制判断、靶点因果验证与药物模态选择整合为统一能力，但其价值同样依赖管线产出，平台能力不能等同于临床成功率。传统药企已形成财务投资、管线授权、平台合作与内部能力建设四类布局，英伟达、Google/Isomorphic、AMD、Anthropic等科技巨头从算力与基础模型两端介入，行业竞争正从单点工具转向体系能力。 风险提示：监管和模型可信度风险、数据质量和隐私风险等。 1.小分子药物 1.1.小分子药物研发的传统痛点 小分子药物是现代制药工业中最成熟的药物类型，长期占据已上市药物的主体地位，约占已上市药物的90%。但该比例在每年新药批准中会有明显波动，不应直接等同于年度新药批准结构——不同年份中生物药、细胞疗法和核酸药物的获批占比会明显波动。 小分子研发的主要难点集中在四个方面。第一，靶点选择的不确定性高。小分子项目的起点是找到与疾病机制相关、具备可调控性且存在成药机会的靶点。但许多靶点虽然在机制研究中具有合理性，却无法在动物模型或人体研究中转化为疗效，导致项目在临床前后期或临床阶段失败。第二，化学空间巨大，早期命中效率有限。可探索的小分子化学空间远超实验筛选能力。传统高通量筛选和虚拟筛选能够提供初始命中化合物，但仍面临假阳性、假阴性以及命中物成药性不足等问题。第三，先导化合物优化需要多目标平衡。从命中化合物到临床候选物，研发团队需要同时优化活性、选择性、溶解度、膜通透性、代谢稳定性、安全性和可合成性。传统药物化学依赖专家经验和“设计–合成–测试–分析”循环，往往需要大量类似物合成和实验验证。第四，ADMET和毒性风险可能在后期暴露。即使化合物在体外显示出良好活性，也可能因为药代动力学、代谢酶相互作用、心脏毒性、肝毒性或安全窗口不足而失败。一旦这些问题在临床前后期或临床阶段暴露，项目沉没成本较高。 1.2.AI在小分子药物研发中的应用价值 AI在小分子研发中的主要作用，是帮助研发团队在巨大化学空间中更快找到值得实验验证的候选分子，并提高先导优化阶段的决策效率。小分子药物结构明确、历史数据丰富、研发流程相对标准化，因此是计算方法和机器学习较早进入药物研发的领域。其作用是在靶点判断、分子筛选、结构优化和风险预测环节提高决策效率。 靶点识别与验证：机器学习模型可以整合基因组学、转录组学、蛋白组学、代谢组学、疾病表型和生物网络数据，用于识别更可能参与疾病发生发展的靶点。相比单一实验结果，多来源数据有助于提高早期靶点判断的稳健性。 命中化合物发现与虚拟筛选：机器学习可以改进传统虚拟筛选中的打分函数、分子构象采样和结构—活性关系预测。研发团队可以先用模型从大规模化合物库中筛选出更值得验证的分子，再进入体外实验环节，从而减少低价值筛选。 先导化合物优化：在先导优化阶段，机器学习、图神经网络、构效关系模型和主动学习方法可用于同时优化多个性质。其主要价值在于帮助药物化学团队更快识别优先合成的分子系列，减少低价值类似物的合成数量。 新结构设计：生成模型可以根据靶点结构、药效团、理化性质和安全性约束提出新的分子结构。该方法既可用于发现新的命中化合物，也可用于对已有先导系列进行结构改造。但生成结果仍需经过可合成性评估、体外活性测试、ADMET评价和体内药效验证。 药代和毒性预测：模型可用于预测溶解度、膜通透性、代谢稳定性、CYP相互作用、hERG风险、肝毒性和遗传毒性等性质。其价值在于提前识别高风险分子，降低项目进入后期才暴露安全性问题的概率。 1.2.1.Schrödinger (NASDAQ: SDGR)：通过物理+机器学习计算平台加速小分子药物和新材料设计 Schrödinger是一家临床阶段计算化学软件及药物发现公司，核心定位是通过物理学与机器学习结合的计算平台，加速小分子药物和新材料设计。 Schrödinger构建了行业最全面的基于物理计算平台。FEP+是旗舰技术，基于统计力学和分子动力学模拟，利用GPU加速MD、OPLS3力场、REST增强采样和循环闭合校正预测结合亲和力。Glide分子对接程序含HTVS模式，姿态精度98%。Desmond高性能MD引擎。LiveDesign企业级云端平台整合计算预测与实验数据，支持AI/ML分子性质预测（DeepAutoQSAR集成）。Jaguar提供量子化学计算。2025年软件业务营收1.995亿美元，毛利率74%，向SaaS模式转型。 核心管线SGR-1505（MALT1抑制剂）靶向NF-κB通路关键介导者MALT1，用于复发或难治性B细胞恶性肿瘤，处于阶段Ⅰ。获FDA治疗华氏巨球蛋白血症孤儿药资格及快速通道资格。2025年EHA年会显示45名患者中ORR达22%，展现良好安全性和初步疗效。 公司另有SGR-3515（Wee1/Myt1双重抑制剂，阶段Ⅰ，完全由FEP+设计，预计2026年上半年数据）、SGR-5573（CNS渗透性EGFR抑制剂）、SGR-4174（KRAS/SOS1抑制剂）和SGR-6016（CNS渗透性NLRP3抑制剂）。与诺华（1.5亿美元预付款）、礼来（最高4.25亿美元）和Ajax Therapeutics合作。2020年纳斯达克IPO（SDGR），2025年总营收2.559亿美元（+23.3%），现金约4.023亿美元。 1.2.2.Recursion (NASDAQ: RXRX)：整合自动化实验与AI药物合成的工业化研发平台，拥有超50PB全球最大专有生物数据集 Recursion Pharmaceuticals是一家临床阶段TechBio公司，核心定位是通过整合自动化实验、AI驱动小分子合成及临床开发系统，实现药物研发工业化。 技术平台核心是Recursion OS，由“数据、模型、算力”三大支柱构成。拥有全球最大专有生物化学数据集之一（超50 PB），涵盖表型组学、转录组学、蛋白质组学和患者数据。自动化湿实验室利用机器人+计算机视觉，每周数百万次微型化细胞实验。AI模型使用CNN等深度学习从图像提取细胞特征，映射数万亿生物学化学关系。2024年收购Exscientia后整合Phenom-2（细胞显微镜基础模型，80亿图像训练）、Boltz-2（蛋白结构+亲和力预测，1000x加速FEP）和MolPhenix（分子-表型预测，NeurIPS 2024最佳论文）。算力依托NVIDIA合作构建的BioHive-2超级计算机。 核心管线REC-4881（MEK1/MEK2变构抑制剂）是口服非ATP竞争性变构抑制剂，用于FAP及AXIN1/APC突变晚期实体瘤。FAP患者面临近100%结直肠癌终生风险，无FDA批准非手术疗法。Phase 1b/2 TUPELO试验中，4mg QD在第13周使息肉负荷中位数减少43%，停药12周后73%患者维持>30%减少，获FDA快速通道和罕见药资格。 公司另有REC-3565（MALT1抑制剂，Phase 1，15个月设计完成）及与赛诺菲、罗氏/基因泰克、拜耳等超10个合作项目（潜在里程碑超200亿美元）。2021年纳斯达克IPO（RXRX），2025年现金7.539亿美元。 Recursion OS是一个闭环的药物发现引擎，由“数据、模型、算力”三大支柱构成。公司拥有全球最大的专有生物和化学数据集之一（超过50 PB），涵盖表型组学、转录组学、蛋白质组学和去标识化的患者数据。 （1）自动化湿实验室：利用机器人技术和计算机视觉（如CellProfiler），每周可进行数百万次微型化细胞生物学实验，捕捉健康、疾病和受药细胞的高分辨率图像。 （2）AI与机器学习模型：使用卷积神经网络（CNNs）等深度学习算法，从图像中提取细胞特征，在不受人类偏见限制的情况下，映射出数万亿个生物学和化学关系的图谱。 （3）算力基建（BioHive）：依托与英伟达合作构建的BioHive-2超级计算机，提供每秒数万亿次的计算能力，支持分子动力学模拟和大规模AI模型训练。 1.2.3.Relay Therapeutics (NASDAQ: RLAY)：以蛋白质动态运动为核心机制开发肿瘤和遗传性疾病创新小分子药物 Relay Therapeutics是一家临床阶段精准医疗公司，核心定位是以“蛋白质动态运动”为核心机制，开发肿瘤和遗传性疾病创新小分子药物。 技术平台核心是Dynamo™平台，整合实验与计算顶尖技术。实验端利用全长冷冻电镜解析蛋白质结构，结合收购ZebiAI获得的DNA编码化合物库进行高通量物理筛选，REL-DEL通过机器学习驱动筛选。计算端依托D.E. Shaw Research超级计算机进行长时间分子动力学模拟，阐明野生型与突变型蛋白质构象差异，利用机器学习预测成药化学起点。平台寻找仅在特定构象下暴露的隐蔽变构位点（Allosteric sites），实现极高突变选择性。 核心管线Zovegalisib（RLY-2608，PI3Kα抑制剂）是首个进入临床的变构、泛突变（H1047X、E542X、E545X）且亚型选择性PI3Kα抑制剂。通过Dynamo平台发现的变构口袋选择性抑制突变型PI3Kα，避免传统抑制剂（如Alpelisib）的高血糖和皮疹毒性。正在进行全球III期临床（ReDiscover-2）治疗PIK3CA突变HR+/HER2-晚期乳腺癌。2026年2月联合氟维司群获FDA突破性疗法认定。此外开展PIK3CA驱动血管异常I/II期临床。 公司另有RLY-1971（SHP2抑制剂，与Genentech合作），Lirafugratinib（RLY-4008，FGFR2抑制剂）已授权Elevar。2020年纳斯达克IPO（RLAY），2025年净亏损2.765亿美元（较2024年收窄）。 Dynamo平台是Relay的核心技术引擎，它整合了实验与计算两大领域的顶尖技术： （1）实验端：利用全长冷冻电镜（cryo-EM）解析蛋白质结构，并结合通过收购ZebiAI获得的DNA编码化合物库（DEL）进行高通量物理筛选。 （2）计算端：依托D.E. Shaw Research的超级计算机进行长时间尺度的分子动力学模拟（Molecular Dynamics Simulations），以阐明野生型与突变型蛋白质在构象上的微小差异，并利用机器学习模型预测具有成药潜力的化学起点。 该平台使Relay能够针对以前无法解决或传统方法解决不佳的蛋白质靶点进行药物设计。 1.2.4.Eikon Therapeutics (NASDAQ: EIKN)：整合活细胞超分辨率显微镜、单分子追踪与AI技术，开发肿瘤和神经系统疾病疗法 Eikon Therapeutics是一家临床后期生物制药公司，核心定位是将活细胞超分辨率显微镜技术、单分子追踪技术与高性能计算和人工智能相结合，开发肿瘤和神经系统疾病疗法。 技术平台核心是活细胞单分子追踪平台，融合超分辨率荧光显微镜、高通量自动化机器人和机器学习算法。平台能在不到一秒内可视化数十万个蛋白质运动事件，通过测量蛋白质群体动态变化提取多维状态数据。每日生成近PB级数据，由Alphabet/Meta软件工程师团队开发机器学习算法分析。通过化学微扰或基因操作实时观察蛋白质行为变化，发现传统检测难以察觉的药物效应或新调控节点。采取“外部引进+内部自研”双轨战略。 核心管线EIK1001（TLR7/8激动剂）是免疫调节剂，刺激抗肿瘤免疫反应，正与Keytruda联合评估，用于黑色素瘤和NSCLC，处于临床II期。 公司另有EIK1003（PARP1抑制剂，临床I期）、EIK1004（CNS-PARP1，临床I期）、EIK1005（WRN抑制剂，临床I期，自研）、EIK1006（AR拮抗剂，IND-Enabling）及4个神经科学临床前项目。2026年2月纳斯达克IPO，累计私募融资超11.6亿美元（B轮5.178亿美元，估值31亿美元），IPO募资3.812亿美元。 1.2.5.Iambic Therapeutics：以物理+生成式AI架构驱动高度差异化小分子靶向疗法，关键管线已推进至临床阶段 Iambic Therapeutics是一家临床阶段AI驱动生物技术公司，核心定位是将物理学原理嵌入生成式AI架构，开发具有高度差异化特征的新型小分子靶向疗法。公司自主研发的NeuralPLexer是业界领先的蛋白质-配体结构预测生成式3D扩散模型，Enchant为多模态Transformer终点预测模型，两者与Magnet（分子设计）、OrbNet（AI加速量子化学，计算速度提升1000倍）共同构成四大AI引擎，通过每周DMTA闭环迭代实现从项目启动到IND提交平均24个月——约为行业平均水平的三分之一。 核心管线IAM1363是一款高选择性、脑渗透性HER2小分子抑制剂，对HER2的选择性较EGFR高出1000倍以上，目前处于Phase I/1b临床阶段，2025年10月ESMO公布的早期数据显示其在HER2野生型和突变型癌症中均表现出抗肿瘤活性和良好安全性。公司已就该管线与Jazz Pharmaceuticals达成联合疗法评估合作（IAM1363 + zanidatamab用于HER2阳性乳腺癌），后续若向一线治疗及联合用药拓展，有望打开更大市场空间。此外，公司另有CDK2/4双抑制剂和KIF18A抑制剂处于临床前阶段，预计2026-2027年进入临床。 在平台商业化方面，公司已与NVIDIA、Takeda（潜在价值超17亿美元）、Bayer、Lundbeck、Revolution Medicines、Jazz Pharmaceuticals等全球大型药企建立战略合作，验证其AI平台的外部价值。截至2026年7月，公司累计融资超3.3亿美元，连续第二年入选CNBC Disruptor 50榜单。 1.2.6.Nimbus Therapeutics：利用计算技术与机器学习针对难成药靶点设计高选择性小分子 Nimbus Therapeutics是一家临床阶段结构导向药物发现公司，核心定位是利用计算技术和机器学习，针对难以成药靶点设计高选择性小分子。 技术平台核心是基于结构的药物发现引擎，整合计算化学、结构生物学和分子科学。在AWS上使用Amazon SageMaker构建MLOps管线，自动化预测模型训练部署，几毫秒内预测分子暴露量、安全性和吸收代谢。与Anagenex合作应用生成式AI，利用Schrödinger LiveDesign进行实时预测，通过迭代机器学习预测+强化学习引导分子生成式AI探索化学空间。平台专门针对变构位点（如TYK2 JH2位点）设计高选择性分子。 核心管线NDI-219216（WRN抑制剂）是非共价小分子WRN抑制剂，通过合成致死效应治疗MSI-H肿瘤，处于阶段I/II期，2025年1月完成IND，12月完成剂量递增试验，临床前显示强大肿瘤消退能力。后续向更广泛DNA修复缺陷型肿瘤拓展，有望打开更大市场。 公司另有NDI-101150（HPK1抑制剂，阶段I/II，晚期实体瘤）、SIK2抑制剂（炎症/自身免疫）、AMPK激活剂（与礼来合作，肥胖/代谢）。累计股权融资超6.37亿美元，BD交易超80亿美元（TYK2项目60亿美元售武田；ACC项目12亿美元售吉利德）。 Nimbus的核心壁垒在于其自研基于结构的一体化药物发现引擎。平台依托与 Schrödinger长达十余年独家深度合作，深度融合高精度计算化学、高分辨率结构生物学、原子级分子模拟与定制化机器学习预测体系，形成靶点解析-虚拟筛选-分子迭代-成药性评估完整闭环，专门针对激酶、代谢酶等传统筛选手段难以实现亚型选择性、长期被视作难成药的蛋白靶点开发高选择性小分子化合物。 1.2.7.Enveda Biosciences：通过AI+高分辨质谱解码天然产物化学结构，开发全新作用机制的临床阶段小分子药物 Enveda Biosciences是一家临床阶段AI驱动生物技术公司，核心定位是通过“高分辨质谱+AI算法+高通量机器人技术”，从植物和微生物等自然界中解码复杂化学结构，开发具有全新作用机制的新型小分子药物。其“LOCKTAC”机制（非降解分子胶，重置细胞免疫应答）是AI驱动天然产物药物发现的代表性案例，突破了传统药物化学对已知化合物库的依赖。 核心管线ENV-294是一款口服特应性皮炎疗法，机制为靶向免疫突触的多通路调控剂（Th2/Th17/Th1）。2026年3月公布的Phase 1b数据显示：Day 28平均EASI评分降低68%，Day 42改善加深至85%；100%患者达EASI-50，78%达EASI-75，56%达EASI-90，44%患者实现完全清除或接近完全清除，且安全性良好（无严重不良事件）。目前ENV-294已启动Phase 2a，Phase 2b剂量范围研究预计2026年中启动，后续若向哮喘、慢性自发性荨麻疹等适应症拓展，有望打开更大市场空间。 公司另有ENV-308（口服肥胖症疗法，新型激素模拟物机制）和ENV-6946（口服IBD疗法，TL1A+通路抑制剂）均于2025年12月获FDA IND批准并启动Phase I。截至2026年7月，公司管线包括3个临床资产（4个适应症）、6个IND-enabling资产、17个开发候选，累计融资超3.39亿美元，2025年9月完成1.5亿美元D轮融资后估值近10亿美元。 Enveda构建了一个由AI驱动的天然产物化学搜索引擎平台。传统制药行业由于纯化复杂混合物、鉴定结构和表征活性的成本极高，导致自然界中99.9%的化学物质未被探索。Enveda的平台整合了机器学习、代谢组学（质谱分析）和高通量自动化机器人技术，能够在半秒内（传统核磁共振NMR需要数周）预测分子结构并将其与疾病联系起来。该平台将数十亿年的进化智慧转化为可搜索的化学数据库（Library of Life），使药物发现速度比行业平均水平快4倍，成本仅为行业平均水平的十分之一。 1.2.8.Genesis Molecular AI：AI与生物物理模拟深度融合，为不可成药靶点开发新型小分子药物 Genesis的核心竞争力在于其AI双引擎：GEMS平台与Pearl基础模型。GEMS将化学感知大语言模型、深度学习预测模型与物理分子模拟相融合，高精度预测分子效力、选择性及ADMET特性。Pearl是2025年10月发布的端到端生成式扩散基础模型，在预测小分子-蛋白质结合基准测试中超越AlphaFold 3，在Runs N' Poses基准上实现14.5%性能改进。Pearl结合物理学与生成式AI，利用大规模基于物理的合成数据训练，首次在分子AI领域证明“Scaling Laws”有效性，并通过英伟达cuEquivariance内核实现工业级推理。技术源自斯坦福Vijay Pande实验室。 公司另有与Genentech、Eli Lilly（2000万美元首付款，6.9亿美元潜在价值）、Gilead和Incyte（3000万美元首付款，8.85亿美元潜在价值）的战略合作。累计融资超3亿美元（B轮2亿美元），投资方包括a16z、Fidelity、BlackRock及NVentures。 GEMS是Genesis Therapeutics自主研发的专有 AI 操作系统，同时集成了生成式建模与预测式分析两大核心能力。该平台将具备化学感知能力的大语言模型、深度学习预测模型与物理分子模拟技术进行深度整合，形成三位一体的技术架构。 GEMS支持药物化学家在整个分子设计周期中开展工作，涵盖候选分子生成、性质预测、预测结果审问以及合成决策四个核心环节。AI Agent负责编排常规步骤并呈现权衡方案，使化学家能够专注于关键设计决策，实现7×24小时不间断运行完整设计工作流。 在预测能力方面，GEMS能够以极高精度预测分子的效力、选择性以及ADMET特性。平台专门用于攻克数据匮乏且化学结构复杂的不可成药靶点，通过物理机器学习模拟（包括分子动力学与量子化学计算）在缺乏大量训练数据的场景下依然保持稳健的预测能力。 GEMS 平台的核心技术模块包括：ADME条件化语言模型，用于生成数百万种多样的类药分子；扩散模型，用于精确预测蛋白质-配体复合物的三维结构；以及物理机器学习模拟，用于详细模拟分子相互作用，实现无需依赖大规模数据集的效力与选择性预测。 图 40：Pearl蛋白-配体共折叠基础模型架构、预测效果与基准性能对比 数据来源：Cbirt、东北证券 1.2.9.Terray Therapeutics：通过超高通量实验与生成式AI整合，改变小分子药物发现的成本、速度和成功率 Terray Therapeutics是一家临床前阶段AI原生生物技术公司，核心定位是通过超高通量实验与生成式AI整合，改变小分子药物发现的成本、速度和成功率。 技术平台核心是EMMI平台，实现湿实验与全栈AI的深度闭环。tArray系统利用DNA条形码和固相合成在纳米磁珠上构建组合化学库，磁珠置于含3200万个微孔的芯片上，通过DNA原位测序映射分子位置，可在4分钟内精确测量靶点-配体结合亲和力。截至2025年底，平台累计生成超130亿次结合测量数据，每天处理50TB图像数据。计算端由COATI化学基础模型驱动（第三代，超10亿分子训练）。2026年2月推出的TerraBind效力预测模型准确率比Boltz-2高20%，速度快26倍，成本降低96%。平台整合Latent Diffusion、Policy Gradient RL及Epistemic Neural Networks。 内部免疫学小分子管线正推进至临床试验阶段。合作方面，已为BMS、Gilead、Calico和Odyssey的多个困难靶点识别全新结构先导化合物。 公司累计融资超2亿美元（A轮6000万美元；B轮1.2亿美元），投资方包括Madrona、NVentures等。 Terray Therapeutics核心壁垒为自研EMMI 全栈闭环平台（前身为tNova），平台全称Experimentation Meets Machine Intelligence，实现超微型高通量湿实验硬件与全套 AI 算法深度绑定，是典型“计算预测-自动化实验-数据回流迭代”一体化研发体系。 平台底层两大核心组成：自研超高密度微型湿实验硬件（tArray微阵列系统）； 三层全栈AI软件体系。（COATI基础模型+ TerraBind 预测引擎+ EMTI Select 筛选模块） 自主专利超密分子微阵列芯片，单次可同步完成上亿组靶点-小分子相互作用检测，单季度新增十亿级专属生物测量数据，累计专有靶点结合数据集规模是全部公开化学数据的50倍。硬件端完整覆盖化合物合成、高通量活性检测、ADME体外评价全自动化工作站，摆脱传统筛选通量瓶颈，能够快速产出独家真实生物学数据，为 AI 模型持续迭代提供独有训练素材。 COATI多模态化学基础模型：第三代自研对比学习大模型，统一编码分子字符串、二维拓扑、三维空间结构三类数据，可在未开发化学空间内定向生成可合成全新分子，专为药物化学场景训练；TerraBind通用亲和力预测模型：兼顾序列与三维结构特征，预测精度较行业主流模型提升20倍，推理速度快26倍，大幅降低大规模分子打分算力成本；EMMI Select智能择优模块：区别于单纯打分排序，量化每项预测结果置信区间，基于不确定性策略筛选最优合成候选，Benchmark测试中分子筛选效率较传统方案提升3倍。 标准 DMTA 闭环工作流： 1.空间探索：依托 COATI 生成模型，针对难成药靶点批量输出全新分子骨架，挖掘传统化合物库无法覆盖的化学空间苗头分子； 2.多属性预测：TerraBind 同步完成亲和力、选择性、溶解度、渗透性、代谢稳定性等 30 余项成药性指标批量计算； 3.智能择优：模型量化预测置信度，筛选最优批次分子推送自动化合成管线，规避无效实验； 4.自动化实验回流闭环：微阵列硬件完成批量体外检测，真实活性数据自动回流 COATI、TerraBind 重训迭代，持续优化下一代分子设计逻辑，形成不间断循环。 1.2.10.DeepCure：利用强化学习与自动化硬件加速免疫与炎症领域小分子药物发现 DeepCure是一家临床前阶段AI驱动生物技术公司，核心定位是利用强化学习与自动化硬件加速小分子药物发现，针对免疫学和炎症领域难成药靶点。 技术底座是端到端AI药物发现平台。PocketExpander™结合AI与物理方法（量子力学模拟+分子动力学模拟），识别蛋白质表面相互作用特征。MolGen™利用深度强化学习，基于数百万化学构建块和200多种反应生成高可合成化合物库。Inspired Chemistry™是自动化机器人合成平台，已单次合成Paxlovid活性成分及其56种类似物。DiscoveryHub™集成设计、可视化、评估及合成路线规划。平台源自MIT Media Lab。 核心管线DC-9476（BRD4-BD2抑制剂，口服）选择性抑制BRD4的BD2结构域调控炎症基因转录，用于类风湿性关节炎、斯蒂尔病和化脓性汗腺炎，处于IND-Enabling阶段。2024年9月与LIRMM合作在RA患者中测试。DC-15442（STAT6抑制剂，口服）2025年6月成为开发候选药物，展现100%体内pSTAT6抑制和与度普利尤单抗相当疗效，用于哮喘和特应性皮炎，同样处于IND-Enabling阶段。公司另有TNFα抑制剂（早期发现）。累计融资约7140万美元（A轮4000万美元；A-1轮2460万美元），投资方包括Morningside Group、IAG Capital Partners。 DeepCure的技术底座是一个高度集成的端到端AI药物发现平台，涵盖了从靶点口袋识别、全新分子生成到跨学科协作与合成执行的全流程。 1.2.11.Valo Health：通过AI驱动的大规模人类真实世界数据整合，加速药物发现与开发 Valo Health是一家临床前阶段技术驱动生物制药公司，核心定位是通过AI驱动的大规模人类真实世界数据整合，加速药物发现与开发。 技术平台核心壁垒是Opal Computational Platform™端到端闭环平台。平台接入超1700万份去标识化患者真实世界记录（部分纵向病史20-30年）。Opal利用专有知识图谱、因果推断和统计遗传学，在N维空间处理数百万数据点，精准识别“患者亚型”并映射至生物学通路。闭环化学引擎从数万亿起点中生成优化小分子候选药物。Biowire® 3D工程人类组织模型模拟成熟生理结构以验证靶点。Logica®平台与Charles River联合推出，将Opal算法与实验室执行能力结合，直接交付临床前候选药物。核心管线OPL-0101是Logica平台首个针对狼疮的临床前小分子候选药物。公司另有与诺和诺德（1.9亿美元首付款+股权投资，46亿美元潜在里程碑）、辉瑞（自身免疫性疾病）和德国默克（超30亿美元，帕金森病）的重大合作。累计股权融资约4.5亿美元（A轮1亿美元；B轮3亿美元/Flagship Pioneering）。 1.2.12.Numerion Labs：通过机器学习算法加速小分子发现，战略聚焦免疫与炎症疾病 Numerion Labs（前身为Atomwise）是一家临床前阶段AI原生药物发现公司，核心定位是通过机器学习算法加速小分子发现，战略聚焦免疫与炎症疾病。 核心平台是AtomNet®，率先将深度学习神经网络应用于基于结构的小分子药物发现。AtomNet采用深度卷积神经网络架构，在原子层面学习蛋白-配体相互作用特征，用于虚拟筛选和亲和力预测。平台利用基础模型探索化学空间，通过超大规模虚拟化合物库筛选发现新型小分子。2025年10月品牌重塑为Numerion Labs，战略从技术服务转向内部自研管线，聚焦超快速虚拟筛选和免疫/炎症项目。 自研管线聚焦免疫和炎症疾病，致力于提供First-in-class和Best-in-class候选药物，包含针对TYK2等靶点的抑制剂项目。公司另有与赛诺菲（2000万美元首付款，12亿美元潜在价值）、礼来、翰森制药和Bridge Biotherapeutics的合作。累计融资2.46亿美元（B轮1.23亿美元），投资方包括Y Combinator、DCVC、B Capital Group。 Numerion Labs（原Atomwise）构建了一套深度学习驱动的AI超级药物发现平台，平台以自研COSMOS结构导向生成式生物基础模型为核心，搭配APEX全域检索引擎、EXPO先导优化模块形成完整研发体系。依托COSMOS预训练大模型，平台可覆盖超10¹¹种可合成类药分子，突破传统药物研发仅能利用10⁷存量化合物库的局限，在总量10⁶⁰的理论有机化学空间中定向探索；区别于依赖分子相似度、暴力对接的常规筛选工具，该平台从原子层面预测蛋白-配体结合作用，数秒内完成百亿级分子评估，挖掘传统技术无法捕捉、兼具高活性与合成可行性的全新小分子骨架，完整覆盖苗头识别、苗头转先导、先导精细化优化全流程，大幅提升难成药靶点的新药发现效率。 2.抗体与蛋白类生物药 2.1.抗体与蛋白类生物药研发的传统痛点 抗体和蛋白类药物通常具有较高靶向性和较强机制选择性，但其研发难度不同于小分子，主要体现在以下方面。第一，结构和质量属性复杂。抗体、融合蛋白和ADC并非简单的单一化学结构，其活性和安全性可能受到构象、糖基化、聚集、降解、杂质、连接子稳定性和制剂状态影响。候选物即使在早期结合实验中表现良好，也可能在稳定性、可制造性或质量一致性方面暴露问题。第二，可开发性要求高。抗体候选物不仅需要高亲和力和高特异性，还需要满足低聚集、低黏度、低非特异性结合、良好表达水平和可规模化生产等要求。部分候选分子在发现阶段表现优异，但难以进入稳定、可放大的生产流程。第三，免疫原性和安全性风险需要前置评估。蛋白类药物可能诱导抗药抗体，影响疗效或带来安全性风险。ADC还需同时评估抗体、连接子和细胞毒载荷的安全窗口。第四，传统发现和优化高度依赖实验筛选。抗体发现通常依赖动物免疫、展示库筛选、单B细胞分离、亲和力成熟和表位确认。该流程实验强度高、周期长，并且不一定能够高效获得针对理想表位的候选分子。 2.2.AI在抗体与蛋白类生物药中的应用价值 AI在抗体和蛋白类药物中的价值，是将部分候选设计和排序工作前移到计算环节，减少低质量候选物进入昂贵实验流程的比例。最终能否成药，仍取决于结合功能、体内活性、药代、安全性、可制造性和临床数据。 生物药在新药批准中的占比持续提升。以FDA CDER 2022年批准的新药为例，37个新药中包括15个新型治疗性生物药，约占41%；但该比例仅对应CDER口径，不代表全球全部新药批准结构。在抗体和蛋白类药物研发中，计算模型的应用主要集中在以下环节： 结构预测与复合物建模：AlphaFold 2显著提高了蛋白结构预测能力，在多数单蛋白结构预测任务中达到接近实验结构的准确度。AlphaFold 3进一步扩展到蛋白、核酸、小分子、离子和抗体复合物等相互作用预测，为抗原结构解析、抗体建模和结构指导优化提供了新的工具。 抗体结构建模：IgFold等抗体结构预测工具利用大规模天然抗体序列进行训练，可用于抗体可变区、CDR区域和候选抗体结构的快速建模，帮助研发团队更早开展表位分析和工程化优化。 结合能力和可开发性预测：机器学习模型可用于预测抗体—抗原结合、亲和力、特异性、聚集风险、非特异性结合、稳定性、黏度和表达水平。相比只关注“能否结合”，这类模型更强调候选分子是否具备进入药物开发流程的条件。 蛋白和抗体设计：扩散模型和蛋白设计模型正在被用于设计新的蛋白骨架、结合蛋白和功能蛋白。RFdiffusion已展示了从头设计蛋白结构和功能蛋白的能力，但这类方法仍需通过表达、纯化、结合实验、功能实验和安全性研究完成验证。 2.2.1.Absci (NASDAQ: ABSI)：生成式AI与可扩展湿实验室结合，加速下一代生物制剂发现与开发 Absci是一家临床阶段数据优先生成式AI生物制药公司，核心定位是将生成式AI模型与可扩展的湿实验室技术相结合，以更快的速度和更低的成本发现并开发下一代生物制剂。 核心平台为Origin-1生成式AI模型，于2026年初正式发布，专门用于针对零先验表位进行全长单克隆抗体的从头设计。该架构包含两个核心引擎：AbsciGen采用全原子扩散模型，根据未结合的抗原结构、抗体框架和用户定义的表位，生成抗体-抗原复合物并设计全新的结合模式；AbsciBind在实验表征之前对AI生成的抗体候选物进行评分和过滤，确保其可开发性。Absci的核心保障是Lab-in-the-Loop机制——平台每周可筛选数十亿个细胞，通过湿实验室对AI生成的数百万个设计进行快速验证，验证产生的高质量结合力、亲和力和可制造性数据持续反馈给AI模型进行训练。这种“数据训练->AI创->湿实验验证”的迭代周期最短仅需6周，最快可在14个月内完成从靶向到候选药物的开发。2025年9月，公司与甲骨文和AMD合作，利用最新硬件加速生物制剂设计周期。 核心管线ABS-101（Anti-TL1A）是针对炎症性肠病开发的潜在同类最佳抗TL1A抗体，被设计为每季度一次的皮下注射，对单体和三聚体TL1A具有极高的效力，并降低了免疫原性风险，目前处于Phase 1阶段。核心管线ABS-201（Anti-PRLR）是公司目前最核心的旗舰管线，一种靶向催乳素受体的抗体，主要用于治疗雄激素性脱发和子宫内膜异位症。在临床前模型中，其促进毛囊再生的效果显著优于现有的米诺地尔。目前针对脱发适应症的HEADLINE试验已进入Phase 1/2a期临床，2025年12月加速启动，预计2026年下半年获得中期疗效数据；针对子宫内膜异位症的Phase 2试验计划于2026年第四季度启动。后续若向更多自身免疫和炎症适应症拓展，有望打开更大市场空间。 公司另有ABS-301（免疫肿瘤学，Lead ID阶段）、ABS-501（靶向HER2肿瘤学，Candidate阶段）等早期管线。Absci于2021年7月在纳斯达克IPO（股票代码ABSI），上市时估值接近20亿美元。2025年全年营收280万美元，研发支出8140万美元，净亏损1.152亿美元；截至2025年12月31日拥有1.443亿美元现金储备，预计可支撑运营至2028年上半年。公司已与阿斯利康（价值高达2.47亿美元）、默沙东（高达6.1亿美元）、Almirall（高达6.5亿美元）等全球大型药企达成重要合作。 Absci的核心是其集成药物创造平台（Integrated Drug Creation™ Platform），该平台结合专有的合成生物学数据引擎和前沿的生成式AI模型： （1）Origin-1生成式AI模型：这是Absci于2026年初发布的突破性AI平台，专门用于针对“零先验”表位（即没有任何已知抗体或蛋白质结合物复合体结构的靶点）进行全长单克隆抗体的从头设计。该架构包含两个核心引擎：AbsciGen（生成引擎）：采用全原子扩散模型（all-atom diffusion model），根据未结合的抗原结构、抗体框架和用户定义的表位，生成抗体-抗原复合物并设计全新的结合模式。AbsciBind（评分引擎）：在实验表征之前对AI生成的抗体候选物进行评分和过滤，确保其可开发性。 （2）闭环实验室机制：这是Absci区别于纯计算AI公司的核心竞争壁垒。平台每周可筛选数十亿个细胞，通过湿实验室对AI生成的数百万个设计进行快速验证。验证产生的高质量结合力、亲和力和可制造性数据会持续反馈给AI模型进行训练。这种“数据训练 -> AI创造 -> 湿实验验证”的迭代周期最短仅需6周，最快可在14个月内完成从靶向到候选药物的开发。 2.2.2.BigHat Biosciences：整合高速自动化湿实验室与机器学习，开发下一代抗体疗法 BigHat Biosciences是一家临床前阶段AI驱动生物技术公司，核心定位是将高速自动化湿实验室与机器学习深度整合，以设计和开发下一代抗体疗法（ADC和TCE）。 核心平台为Milliner™，是一个全栈式抗体发现和工程平台。Milliner™将基于合成生物学的高速自动化湿实验室与先进的机器学习技术深度整合，通过连续的“设计-构建-测试”循环来迭代优化抗体。传统实验室需要数周到数月才能生成蛋白质变体，而Milliner™将数据获取周期缩短至几天。AI模型利用主动学习和贝叶斯优化等方法，在蛋白质序列的多参数搜索空间中进行优化。其自动化实验室每周能够设计、合成和表征数百种抗体，产能从A轮时的32个/周扩展到B轮时的800个/周。此外，公司还开发了RADS，每周训练并评测数千个模型，选择最佳模型生成下一轮候选。2026年1月，公司与礼来（Lilly）达成合作，通过Lilly TuneLab推进基于机器学习的生物制剂发现。 核心管线BHB810是一款针对胃肠道癌症的下一代抗体偶联药物，结合了Lonza/Synaffix的连接子-有效载荷技术，设计目标是优化“内化”能力。目前处于IND支持阶段，计划于2026年正式进入临床试验。核心管线BHB299是一款针对实体瘤的T细胞接合器，设计目标是优化“亲合力”，同样处于IND支持阶段，计划于2026年提交IND。后续若向更多肿瘤适应症拓展，有望打开更大市场空间。 公司另有I&I TCE（炎症与免疫学）、AND-gated TCE和NOT-gated TCE等早期管线，均处于发现/先导化合物优化阶段。BigHat已累计获得约1.48亿美元融资（种子轮530万美元、A轮1900万美元、B轮7500万美元），并与默沙东、艾伯维、强生、安进、BMS等多家大型跨国药企达成合作。 图 62：BigHat Biosciences的管线 数据来源：BigHat官网、东北证券 BigHat的核心技术壁垒是其自主研发的Milliner™平台。该平台将基于合成生物学的高速自动化湿实验室与先进的机器学习技术深度整合，形成了一个全栈式的抗体发现和工程平台。 （1）核心机制：平台通过连续的“设计-构建-测试”循环来迭代优化抗体。传统实验室工作流程需要数周到数月才能生成蛋白质变体并表征其行为，而Milliner™平台将这一数据获取周期缩短至几天。 （2）机器学习应用：AI模型能够整合长期积累的实验数据，在蛋白质序列的多参数搜索空间中进行优化。平台利用主动学习和贝叶斯优化等方法，指导实验设计，而非盲目筛选。 （3）湿实验室能力：其自动化实验室每周能够设计、合成和表征数百种抗体，从而快速验证AI模型的预测准确性，解决抗体亲和力、稳定性、溶解度以及功能性等成药性难题。 2.2.3.A-Alpha Bio：结合合成生物学与机器学习大规模测量、预测和改造蛋白质相互作用 Alpha Bio是一家临床前阶段AI驱动生物技术公司，核心定位是结合合成生物学与机器学习技术，大规模测量、预测和改造蛋白质-蛋白质相互作用，加速药物发现与开发。 技术底座由“干湿结合”的两大核心平台组成。AlphaSeq是基于酵母细胞工程的合成生物学高通量实验平台，采用“库对库”方法，将表达不同蛋白质变体的酵母细胞混合，当两种蛋白质发生相互作用时酵母细胞会融合，随后通过基因测序技术定量测量数百万个蛋白质-蛋白质结合亲和力。AlphaBind是基于AlphaSeq生成的全球最大规模高质量PPI数据库训练的计算模型，利用蛋白质语言模型嵌入，能够直接从蛋白质序列预测其结合强度，不仅能进行从头设计，还能对候选抗体或分子胶进行亲和力优化，并通过AlphaSeq进行快速的实验验证和模型迭代。 核心管线聚焦于分子胶与靶向蛋白降解以及生物制剂与抗体发现两大领域。在分子胶领域，利用AlphaSeq平台发现E3泛素连接酶与致病靶蛋白之间的微弱相互作用，与百时美施贵宝（BMS）合作表征新型E3连接酶和靶点对，与安进（Amgen）扩大合作推进分子胶降解剂的合理设计。在生物制剂领域，专注于免疫细胞因子和肿瘤学领域的抗体优化，与吉利德科学（Gilead Sciences）合作推进下一代HIV治疗方案，与诺和诺德（Novo Nordisk）合作优化多种治疗支架并支持从头蛋白质设计。目前所有管线均处于临床前阶段。 公司另有与Tamarind Bio的合作，将AlphaSeq平台整合至其工作流中，为AI设计的抗体提供大规模实验验证。A-Alpha Bio累计融资超过5100万美元（种子轮280万美元、A轮2000万美元、A2轮2240万美元），并获得比尔及梅琳达·盖茨基金会、NSF等机构的数百万美元非稀释性赠款支持。 2.3.4.Nabla Bio：将生成式AI与高通量湿实验室深度融合，实现原子级精度抗体药物从头设计 Nabla Bio是一家临床前阶段AI原生生物技术公司，核心定位是将生成式人工智能与高通量湿实验室技术深度融合，实现原子级精度的蛋白质和抗体药物从头设计。 技术平台核心AI引擎为JAM与JAM-2。JAM是Nabla专有的多模态生成建模系统，基于海量蛋白质序列和结构数据训练，并结合了Nabla内部生成的人类相关生物学测量数据。JAM-2是最新迭代的通用从头蛋白质设计系统，能够获取部分的分子上下文（如特定的疾病靶点或表位），并“自动补全”剩余的抗体结构。JAM-2在无需进一步优化的前提下，能够直接从计算机生成具有药物级亲和力（皮摩尔或个位数纳摩尔级别）和高可开发性的VHH-Fc和全长单克隆抗体。平台采用“低N监督”方法，仅需少量（如24个）经过功能测定的突变序列，即可构建准确的虚拟适应度景观，在硅基环境中筛选上千万个序列。JAM平台可以在设计之初预先指定结合表位，系统性地探索表位生物学，设计出能够同时结合多个疾病通路的复杂多特异性抗体。 核心管线采用合作开发模式，主要聚焦于传统方法难以成药的多次跨膜蛋白，包括G蛋白偶联受体、离子通道和转运蛋白。利用JAM-2平台，Nabla Bio已成功生成了直接针对天然细胞环境中的GPCR靶点的抗体结合物，成功率分别达到11.7%和3.8%，且最高设计的亲和力达到了单纳摩尔级别（如针对CXCR4的KD值为1.4 nM）。根据2025年与武田的合作规划，Nabla预计其AI设计的化合物将在两年内（即2027年左右）进入首次人体临床试验。 公司另有与阿斯利康、百时美施贵宝的合作管线。Nabla Bio累计股权融资3700万美元（种子轮1100万美元、A轮2600万美元），并与阿斯利康、BMS和武田达成总价值超过5亿美元的合作协议；2025年10月与武田达成新的多年度重大AI合作，仅首付款和早期研究资金就达数千万美元，潜在里程碑付款超过10亿美元。 Nabla Bio的核心竞争力在于将AI生成模型与高通量湿实验深度整合的闭环系统。 （1）核心AI引擎 – JAM（Joint Atomic Model）与JAM-2：JAM是Nabla专有的多模态生成建模系统，基于海量蛋白质序列和结构数据训练，并结合了Nabla内部生成的人类相关生物学测量数据。最新迭代的JAM-2是一个通用的从头蛋白质设计系统。它能够获取部分的分子上下文（如特定的疾病靶点或表位），并“自动补全”剩余的抗体结构。JAM-2在无需进一步优化的前提下，能够直接从计算机生成具有药物级亲和力（皮摩尔或个位数纳摩尔级别）和高可开发性的VHH-Fc和全长单克隆抗体（mAbs）。 （2）高通量湿实验验证：平台不仅依赖“干实验”，还拥有高通量多重细胞分析能力。平台能够直接在天然细胞环境中评估抗体的结合力、可开发性、细胞功能和体内表现。这种“低N监督”方法使得模型仅需少量（如24个）经过功能测定的突变序列，即可构建准确的虚拟适应度景观，从而在硅基环境中筛选上千万个序列。 （3）精确表位靶向：与传统的免疫或噬菌体展示技术不同，JAM平台可以在设计之初预先指定结合表位，从而系统性地探索表位生物学，设计出能够同时结合多个疾病通路的复杂多特异性抗体，有效降低了多特异性抗体常见的错折叠或聚集风险。 2.2.5.Diagonal Therapeutics：开发疾病修饰性聚集抗体，通过纠正失调受体信号传导治疗遗传性疾病 Diagonal Therapeutics是一家临床前阶段AI驱动生物技术公司，核心定位是开发疾病修饰性聚集抗体，通过纠正严重遗传性疾病中失调的受体信号传导来从根源上治疗疾病。 核心平台为DIAGONAL Product Engine，旨在解决激动剂抗体和聚集抗体开发中长期存在的挑战。大多数获批的抗体药物是阻断或抑制细胞信号传导的，而Diagonal的抗体旨在通过结合两个或多个受体并迫使它们形成特定的构象，从而激活或抑制下游信号传导，修复因基因突变而受损的受体功能。平台工作流程包含以下核心步骤：针对每个靶点受体复合物生成包含约200,000个不同抗体序列的免疫组库，覆盖受体上所有可能的结合位点；利用专有的计算方法预测抗体的三维形状，并对其进行聚类分析；根据抗体与靶点受体的互补性进行分类；基于可能的分箱组合生成抗体，并优化其分子序列特征；结合实验技术，以极高的速度在数十亿种组合中筛选出能够诱导正确细胞信号传导的聚集抗体，随后在体外和体内疾病模型中进行验证。由于公司构建的是多特异性抗体，潜在的组合数量超过100亿种。 核心管线DIAG723是一种首创的、具有疾病修饰潜力的双特异性聚集抗体，专门设计用于结合并激活内皮细胞中的ALK1受体，恢复因基因突变导致的ALK1信号传导功能障碍。在遗传性出血性毛细血管扩张症适应症中，DIAG723在临床前模型中不仅预防了动静脉畸形的形成，还成功逆转了已有的病理改变和贫血症状，该适应症将于2026年上半年进入首次人体临床试验，并已获得FDA和EMA授予的罕见药资格。在肺动脉高压适应症中，DIAG723也正作为潜在根治性疗法进行临床前推进。后续若向其他ALK1信号通路相关疾病拓展，有望打开更大市场空间。 公司另有多个早期管线，其多特异性聚集抗体技术正被应用于多个不同的受体类别，涵盖肿瘤学、自身免疫性疾病以及其他罕见遗传病的发现和临床前研究阶段。Diagonal Therapeutics累计融资2.53亿美元（A轮1.28亿美元、B轮1.25亿美元），B轮由Sanofi Ventures和Janus Henderson Investors共同领投。 核心技术平台：DIAGONAL Product Engine（DIAGONAL产品引擎）。该平台旨在解决激动剂抗体和聚集抗体开发中长期存在的挑战。大多数获批的抗体药物是阻断或抑制细胞信号传导的，而Diagonal的抗体旨在通过结合两个或多个受体并迫使它们形成特定的构象，从而激活或抑制下游信号传导，修复因基因突变而受损的受体功能。平台的工作流程模型包含以下核心步骤： （1）深度免疫组库生成：针对每个靶点受体复合物，平台能够生成包含约200000个不同抗体序列的免疫组库，覆盖受体上所有可能的结合位点。由于公司构建的是多特异性抗体，潜在的组合数量超过100亿种。 （2）计算与形状聚类：利用专有的计算方法预测抗体的三维形状，并对其进行聚类分析。 （3）互补性分箱：根据抗体与靶点受体的互补性进行分类。 （4）组合与优化：基于可能的分箱组合生成抗体，并优化其分子序列特征。 （5）高保真筛选与表征：结合实验技术，以极高的速度在数十亿种组合中筛选出能够诱导正确细胞信号传导的聚集抗体，随后在体外和体内疾病模型中进行验证。 2.2.6.Noetik：利用自监督机器学习和海量人类空间多组学数据构建肿瘤免疫基础模型 Noetik是一家临床前阶段AI原生生物技术公司，核心定位是利用自监督机器学习和海量人类高通量空间多组学数据，构建肿瘤生物学基础模型，以发现并开发新一代精准肿瘤免疫疗法。 核心平台由三大技术支柱构成。OCTO基础模型是Noetik构建的癌症生物学多模态世界模型。其首个公开发布的模型版本OCTO-VC是一个基于数据驱动的肿瘤微环境统计模型，通过对空间转录组学和蛋白质组学数据进行自监督学习训练而成，能够模拟真实患者体内细胞状态及细胞间的复杂相互作用。 Perturb-map是高通量体内CRISPR功能基因组学平台，允许在单次实验中对数百个经过基因修饰的肿瘤克隆进行汇集并行分析，能够在保留空间背景的情况下直接在组织中解析基因扰动的影响，为AI模型提供真实的因果关系训练数据。 Noetik还构建了已知全球最大的肿瘤空间组学图谱之一，包含超过1000个肿瘤样本和数亿个细胞的数据，数据模态包括高密度空间DNA/RNA数据、空间蛋白质组学、组织学图像以及临床注释。 核心应用方向聚焦于全新靶点发现和临床响应预测与生物标志物。由于OCTO模型已经“见过”数以百万计处于不同空间生态位和环境中的细胞，它能够模拟肿瘤内的扰动，模仿现有药物、联合疗法或假设化合物的作用机制，以无偏见的方式搜索癌症治疗空间，直接发现数百个传统方法难以发现的新肿瘤靶点。在生物标志物方面，Noetik的模型能够极其精确地识别潜在响应者、响应者内的亚组以及每个人获益的可能性——这一能力已在2025年6月与Agenus的合作中得到验证，Noetik正利用该平台为Agenus的BOT/BAL联合疗法开发预测性生物标志物。目前，OCTO-VC模型在非小细胞肺癌和结直肠癌领域展现出极高的成熟度。 公司另有与Bruker Spatial Biology的合作，扩大基础模型开发。Noetik累计融资5400万美元（种子轮1400万美元、A轮4000万美元）。2026年1月与GSK达成价值5000万美元的AI基础模型授权合作，标志着行业从传统的AI服务外包向AI基础设施授权模式的重大范式转变。 Noetik的核心壁垒在于其专有的技术平台，该平台通过生成海量高质量的人类肿瘤空间数据来训练AI基础模型，从而指导后续的管线开发。 3.核酸药物 3.1.核酸药物研发的传统痛点 核酸药物主要包括ASO、siRNA、mRNA、适配体和部分环状RNA等类型。这类药物能够通过RNA降解、剪接调控、翻译调控或蛋白表达补充等方式干预遗传信息传递过程，具有较强可编程性。但其成药仍面临多重挑战。 第一，体内稳定性不足。天然RNA或DNA容易被核酸酶降解，mRNA还可能发生骨架水解，导致体内暴露不足和药效持续时间有限。因此，核酸药物通常需要化学修饰、序列优化或递送系统保护。 第二，递送是关键瓶颈。核酸分子分子量大、带负电、亲水性强，难以自行进入细胞并到达胞质或细胞核。递送系统不仅要保护核酸不被降解，还要实现组织富集、细胞摄取、内涵体逃逸和胞内释放。 第三，脱靶、免疫刺激和毒性风险需要严格控制。ASO和siRNA可能因部分序列互补产生非目标RNA沉默；未充分修饰的RNA也可能激活先天免疫通路，引发干扰素反应或炎症反应。 第四，序列设计是高维优化问题。以mRNA为例，5’UTR、编码区、3’UTR、poly(A)尾、密码子选择、GC含量、二级结构和核苷修饰都会影响稳定性、翻译效率和免疫刺激。传统经验规则难以覆盖完整设计空间。 第五，递送载体筛选成本高。LNP等递送系统涉及离子化脂质、胆固醇、辅助脂质、PEG脂质、粒径、pKa和包封率等多个参数，传统开发高度依赖经验筛选和动物实验。 3.2.AI在核酸药物研发中的应用价值 总体来看，AI在核酸药物中的作用，是提高序列和递送系统设计的效率，降低纯经验筛选带来的时间和成本压力。但核酸药物的最终开发仍取决于体内递送、组织分布、药效持续性、安全性和可制造性。 核酸药物中的计算方法主要服务于三个环节：结构预测、序列设计和递送系统开发。 核酸结构预测：深度学习已被用于RNA二级和三级结构预测。SPOT-RNA可用于RNA二级结构预测，并能处理部分假结和非经典相互作用；trRosettaRNA使用Transformer网络预测RNA三维结构；RoseTTAFoldNA进一步用于蛋白—核酸复合物建模。这些工具有助于理解RNA功能、适配体识别、蛋白—核酸相互作用和核酸药物结合机制。 核酸序列设计：对ASO和siRNA而言，模型可用于综合评估靶RNA可及性、GC含量、热力学不对称性、脱靶风险、化学修饰和免疫刺激风险。对mRNA而言，模型可用于优化UTR、编码序列、二级结构和翻译效率。Sample等研究利用大规模5’UTR翻译实验数据建立模型，预测并设计影响翻译效率的UTR序列；LinearDesign则通过联合优化密码子选择和mRNA结构，提高mRNA稳定性和蛋白表达水平。 递送系统开发：机器学习也被用于LNP和离子化脂质设计。相关研究将机器学习与组合化学、高通量合成和实验筛选结合，从大规模虚拟脂质空间中优先选择更可能提高mRNA递送效率的候选物。AGILE平台也展示了用深度学习和高通量脂质合成加速LNP开发的思路。 3.2.1.CAMP4 Therapeutics (NASDAQ: CAMP)：开发靶向调控RNA的反义寡核苷酸疗法，通过精准上调基因治疗单倍体不足 CAMP4 Therapeutics是一家临床阶段生物技术公司（路径辅助型），核心定位是开发首创的靶向调控RNA的反义寡核苷酸疗法，通过精准上调基因表达并恢复健康的蛋白质水平，治疗广泛的单倍体不足及其他遗传性疾病。 技术平台核心为RAP Platform®。科学机制上，人类基因组中只有极少部分编码蛋白质，CAMP4专注于基因组的“暗物质”——调控RNA（regRNA）。RAP平台系统性地绘制控制蛋白质编码基因表达的活跃regRNA图谱，识别可通过ASO调控的靶点。AI在平台中处于辅助角色，用于分析基因组调控网络与识别可调控靶点，ASO设计以化学修饰与药理学优化为核心。技术差异化在于从调控RNA层面而非直接靶向蛋白编码基因来恢复基因表达。 核心管线为CMP-001（靶向regRNA的ASO疗法），针对单倍体不足遗传病适应症，通过上调目标基因表达恢复蛋白质水平。目前处于临床I期，已完成首例患者给药。后续若向神经退行性疾病和代谢性疾病拓展，有望打开更大市场空间。 公司另有与GSK的合作，获得合作预付款及里程碑收入。2025年全年营收350万美元（较2024年65.2万美元大幅增长），2025年全年净亏损约4500万美元。CEO Josh Mandel-Brehm曾在Biogen业务开发团队担任领导职务，在罕见病领域具有丰富经验。 核心技术平台为RAP Platform®： （1）科学机制：人类基因组中只有极少部分编码蛋白质，而CAMP4专注于基因组的“暗物质”——调控RNA（regRNA）。RAP平台能够系统性地绘制控制蛋白质编码基因表达的活跃regRNA图谱。这些regRNA充当基因表达的“主调节器”，在局部作用于转录因子。 （2）治疗逻辑：该平台通过设计特异性的反义寡核苷酸（ASO）药物，精准靶向并结合这些regRNA。这种结合可以改变局部转录因子的活性，从而实现对目标mRNA及蛋白质表达的“可调控、持久且特异性”的上调。该技术主要针对单倍体不足和隐性部分功能丧失的遗传病（已知有超过1200种此类疾病），在这些疾病中，适度增加健康蛋白质的表达即可产生具有临床意义的疗效。 3.2.2.Atomic AI：融合机器学习和结构生物学，以RNA基础模型驱动下一代RNA药物发现 Atomic AI是一家临床前阶段AI驱动生物技术公司，核心定位是将前沿机器学习与结构生物学深度融合，以推动下一代RNA药物发现。 技术平台核心为ATOM-1™基础模型与PARSE引擎。ATOM-1是业内首个RNA基础模型/大语言模型，基于十亿级化学图谱数据训练，涵盖数百万RNA序列和十亿+核苷酸测量，可预测RNA二级/三级结构，优化mRNA疫苗稳定性、siRNA活性与毒性等关键属性。PARSE是AI驱动的3D RNA结构发现引擎，CEO Raphael Townshend其RNA结构预测研究成果发表于Science杂志。技术差异化在于将几何深度学习应用于生物分子结构预测，解决传统冷冻电镜获取高分辨率RNA结构耗时困难的痛点。 核心管线聚焦于RNA靶向小分子和RNA编辑疗法，针对肿瘤和遗传性疾病靶点。目前处于临床前阶段，基于ATOM-1模型设计的候选分子正在通过PARSE引擎进行结构验证与优化。后续若向神经退行性疾病和罕见病拓展，有望打开更大市场空间。 公司另有与大型药企的合作洽谈。累计融资1.15亿美元，2022年种子轮700万美元，2024年A轮3500万美元由Playground Global领投，2025年B轮由Radical Ventures等追加投资。CEO Raphael Townshend曾在DeepMind AlphaFold团队和Google担任研究科学家。 3.2.3.Inceptive：构建端到端生命基础模型，将RNA视为可编程序列进行AI设计 Inceptive是一家临床前阶段AI驱动生物技术公司，核心定位是构建端到端的生命基础模型，将RNA视为可编程序列进行AI设计。 技术平台核心为生物软件体系，包含两大引擎：一是序列到结构模型，基于Transformer架构，通过专利RNA编译器实现RNA序列的零样本从头设计，将传统药物研发时间从数年缩短至数月；二是干湿实验闭环，内部高通量湿实验室以前所未有的规模生成实验数据，在体外和体内高频验证AI设计分子，实现硅基与碳基的迭代循环。平台覆盖mRNA、siRNA、ASOs和多肽等序列决定功能的药物，已与Alnylam合作siRNA设计，累计推进310+项目从临床前到临床阶段。 核心管线为传染病mRNA疫苗（与大型欧洲药企合作），目前处于临床前阶段，预计2026年进入GLP毒理学研究阶段（GLP tox）。该管线基于AI设计的独特mRNA分子，通过合作方推进临床开发。后续若向肿瘤疫苗和个性化肿瘤疫苗拓展，有望打开更大市场空间。 公司另有与辉瑞（Pfizer）2000万美元AI驱动研发合作、与诺华（Novartis）1500万美元合作洽谈。累计融资1.2亿美元，2023年A轮由NVIDIA旗下NVentures和a16z领投，估值超3亿美元。 Inceptive的核心技术被称为“生物软件”，旨在构建端到端的生命基础模型，专门针对mRNA、siRNA、ASOs和多肽等序列决定功能的药物进行设计。其平台具有以下两大核心壁垒： （1）序列到结构模型：平台利用类似于大型语言模型的深度学习架构，将AI应用于生物学。通过其申请专利的“RNA编译器”，模型可以直接从生命的多样化观察中学习，像编写计算机代码一样设计并微调RNA序列，从而将传统药物研发的时间从数年缩短至数月。 （2）干湿实验闭环：Inceptive的平台不仅依赖多尺度的异构数据（包括公共数据集和合作伙伴数据）进行训练，还拥有内部的高通量湿实验室。当计算模型面临训练数据不足时，湿实验室会以前所未有的规模生成实验数据，并在体外和体内高频验证AI设计的分子。这种硅基与碳基（生物实验）的迭代循环，大幅降低了从设计到候选药物的试错成本。 3.2.4.Strand Therapeutics：合成生物学与mRNA技术深度融合，开发可编程长效精准mRNA基因疗法 Strand Therapeutics是一家临床阶段AI驱动生物技术公司，核心定位是将合成生物学与mRNA技术深度融合，开发可编程的、长效的精准mRNA基因疗法。 技术平台核心为下一代mRNA形式与基因编程逻辑电路的结合。合成生物学层面，将逻辑电路嵌入mRNA序列，通过miRNA传感器实现细胞类型选择性表达，仅在有特定miRNA标志物的细胞中激活治疗载荷；响应小分子药物的基因开关实现外部剂量控制，形成生物计算在mRNA层面的工程化实现。AI层面，生成式AI优化mRNA序列的稳定性、翻译效率和免疫原性，与合成生物学逻辑电路协同设计。平台覆盖自扩增mRNA和环状RNA等下一代mRNA形式。 核心管线为STX-001（可编程mRNA疗法），针对肿瘤适应症，通过miRNA传感器实现肿瘤细胞选择性杀伤。目前处于临床前/IND阶段，正在推进IND申报。后续若向自身免疫性疾病和遗传性疾病拓展，有望打开更大市场空间。 公司另有与大型药企的合作洽谈。累计融资超2.5亿美元（约2.56亿美元），2025年完成1.53亿美元融资。联合创始人Jake Becraft拥有MIT生物工程和合成生物学博士学位，是首个mRNA编程语言的联合创造者，担任MassBio董事。 Strand Therapeutics的专有平台将下一代mRNA形式（如自扩增mRNA/Replicon和环状RNA）与基因编程的逻辑电路相结合，以解决传统mRNA疗法脱靶毒性和表达时间短的痛点。 （1）逻辑控制表达：依托自研机器学习预测系统，平台搭建覆盖人体细胞miRNA 表达特征的专属数据库，在广阔RNA序列空间内自动设计嵌入布尔逻辑基因回路的mRNA、自复制mRNA与EverScript环状RNA。 （2）小分子开关控制：模型可根据不同组织、肿瘤细胞独特的miRNA 特征，设计搭载SignalLock感应调控元件的核酸载体，实现治疗蛋白表达的智能开关控制；精准设定目标蛋白表达位置、启动时机、持续时长与表达强度，仅在目标病变细胞内激活药效，健康细胞中自动静默，从源头降低系统性毒副作用。 （3）递送系统：将湿实验产出的功能数据持续回流机器学习模型，持续优化四大核心指标预测精度：细胞环境识别特异性、RNA 体内稳定性、蛋白长效表达能力、免疫刺激风险。通过多轮干湿闭环迭代，不断优化基因回路排布、UTR 调控元件、复制子骨架组合，减少试错周期。 3.2.5.ADARx Pharmaceuticals：利用专有RNA靶向平台开发遗传性疾病和CNS疾病下一代RNA疗法 ADARx Pharmaceuticals是一家临床阶段生物技术公司（路径辅助型），核心定位是利用专有RNA靶向平台（包括RNA抑制、降解和编辑技术）及靶向递送系统，开发治疗遗传性疾病、心血管代谢疾病、补体介导疾病及中枢神经系统疾病的下一代RNA疗法。 技术平台核心为MST™和EDT™两大技术体系。MST通过化学修饰的反义寡核苷酸实现mRNA沉默，EDT实现RNA编辑和降解。递送系统包括靶向肝脏、肌肉和中枢神经系统的专有递送技术。AI在平台中处于辅助角色，应用于序列设计与脱靶风险评估，核心壁垒在于RNA化学修饰与靶向递送技术而非AI原生设计。 核心管线为ADX-201（靶向补体C5的ASO疗法），针对补体介导的疾病适应症，通过抑制C5mRNA表达阻断补体级联反应。目前处于临床I期，已完成健康志愿者给药。后续若向心血管代谢疾病和中枢神经系统疾病拓展，有望打开更大市场空间。 公司另有与大型药企的合作洽谈。累计融资3.53亿美元，2020年完成A轮及种子轮融资。CEO Zhen Li拥有哈佛大学化学与化学生物学博士学位，联合创始人团队在RNA疗法领域具有深厚背景。 3.2.6.Kernal Biologics：通过mRNA 2.0平台实现体内细胞重编程，开发癌症与自身免疫精准疗法 Kernal Biologics是一家临床前阶段AI驱动生物技术公司，核心定位是通过mRNA 2.0平台实现体内细胞重编程，开发针对癌症和自身免疫性疾病的精准疗法。 技术平台核心为mRNA 2.0双重制衡系统，结合AI驱动的靶向脂质纳米颗粒与细胞特异性翻译技术。AI层面，Transformer大语言模型分析不同细胞类型和疾病状态下的转录组与翻译组数据，挖掘决定mRNA稳定性和翻译效率的序列特征，实现AI优化的mRNA序列设计。递送层面，tLNP靶向递送系统实现细胞类型特异性递送，细胞特异性翻译技术确保mRNA仅在目标细胞中翻译，形成"双重制衡"机制，解决传统mRNA疗法在肿瘤治疗中的脱靶毒性难题。 核心管线为KR-001（mRNA肿瘤免疫疗法），针对实体瘤适应症，通过tLNP递送编码免疫激活因子的mRNA，在肿瘤微环境中直接重编程免疫细胞。目前处于临床前阶段，正在推进IND-enabling研究。后续若向自身免疫性疾病和体内CAR-T拓展，有望打开更大市场空间。 公司另有ARPA-H提供的4800万美元政府非稀释性资助。累计融资超8300万美元（含股权融资与政府资助），2023年完成2500万美元A轮融资。联合创始人Yusuf Erkul拥有MIT生物学学士和医学博士学位，曾在默沙东担任研发职务。 Kernal的mRNA 2.0平台旨在解决传统mRNA疗法在肿瘤和细胞治疗中面临的脱靶毒性与递送难题。该平台通过“双重制衡”机制实现极高的精准度： （1）靶向脂质纳米颗粒：传统的LNP通常会在肝脏中富集，而Kernal开发了专用的tLNPs，能够实现肝外靶向递送。这些tLNPs被设计为专门寻找并被体循环中的特定细胞（如静息T细胞）吸收，从而实现组织和细胞层面的精准递送。 （2）AI驱动的选择性翻译：这是该平台的核心壁垒。公司构建了一个包含基于Transformer架构的大语言模型的机器学习平台。该AI模型通过分析不同细胞类型和疾病状态下的转录组学和翻译组学数据集，挖掘出决定mRNA稳定性和翻译效率的独特序列特征与基序。通过将这些特征编入合成的mRNA序列中，Kernal能够确保该mRNA仅在目标细胞（如肿瘤微环境中的恶性细胞或特定的T细胞）内被翻译成治疗性蛋白质。即使tLNP错误地进入了健康细胞，由于缺乏特定的翻译环境，mRNA也不会被激活，从而极大拓宽了治疗窗口并降低了系统性毒性。 3.2.7.Therna Biosciences：将RNA生物学与生成式AI基础模型结合，开发可编程RNA靶向疗法 Therna Biosciences是一家临床前阶段AI驱动生物技术公司，核心定位是将RNA生物学与生成式AI基础模型结合，通过在环实验室平台开发可编程的RNA靶向疗法。 技术平台核心为生物学引导的生成式AI平台，采用在环实验室闭环迭代流程。生成式AI基础模型设计RNA序列，高通量湿实验快速验证RNA稳定性、翻译效率与脱靶风险，实验数据持续反馈模型迭代优化。技术差异化在于将RNA生物学先验知识嵌入AI模型，而非纯数据驱动，确保设计的RNA分子在生物系统中具有可预测的功能表现。平台覆盖mRNA疫苗、ASO和siRNA等多种RNA药物形式。 核心管线为可编程RNA靶向疗法，针对肿瘤和遗传性疾病靶点。目前处于临床前阶段，基于AI设计的候选RNA分子正在通过实验室在环平台进行验证和优化。后续若向神经退行性疾病和心血管代谢疾病拓展，有望打开更大市场空间。 公司另有与AI投资基金的合作。2025年8月完成1000万美元种子轮融资，由AIX Ventures领投。联合创始人Nazli Azimi在药物开发和临床战略方面拥有深厚专业知识，Hani Goodarzi在RNA生物学领域具有学术背景。 Therna Biosciences 的核心技术壁垒为RNA-Logix 生物学引导生成式 AI 平台，平台实现自研RNA专属生成大模型与高通量核酸湿实验深度绑定，构建标准化 实验室在环闭环研发体系，从底层改写mRNA、ASO、siRNA等可编程核酸分子的设计开发范式，区别于仅依靠通用大模型、缺乏 RNA 专属生物学约束的行业通用 AI 工具。平台三层闭环完整运行逻辑： （1）AI 生成层：全域 RNA 序列智能探索 平台搭载行业规模领先的 RNA 专用生成基础模型，基于 RNA 转录、翻译、免疫调控、组织靶向等底层生物学规则完成训练，可在海量核酸序列空间定向搜索、从头设计定制化 RNA 分子。模型能够根据研发需求精准输出三类可编程核酸序列：上调基因表达的 mRNA、沉默致病基因的 siRNA、精准剪接调控的 ASO，实现基因激活、抑制、精细表达调控多元设计目标，突破传统人工序列设计迭代慢、优化维度单一的短板。 （2）高通量湿实验验证层：快速产出真实生物学数据 配套专属 RNA 体外高通量测试管线，可批量完成候选核酸分子的翻译活性、体内稳定性、免疫原性、细胞靶向能力平行检测，快速输出高分辨率功能学原始数据，为 AI 模型提供真实生物学反馈，规避纯计算预测与体内真实作用脱节的痛点；同时平台支持单患者个性化罕见病 RNA 药物定制实验体系，可快速搭建个体化核酸研发方案。 （3）模型持续迭代层：四大核心指标定向优化 将体外、体内实验产出的标准化功能数据回流 RNA 基础模型，持续迭代优化模型预测精度，核心聚焦四大决定核酸药物临床价值关键属性：mRNA 翻译效率、分子体内长效稳定性、宿主免疫逃逸能力、细胞 / 组织特异性靶向表达。每一轮实验数据均可缩小模型预测偏差，大幅减少无效核酸序列合成与测试，压缩多轮优化周期。 3.2.8.Raina Biosciences：通过生成式AI平台GEMORNA加速mRNA药物发现并拓展应用边界 Raina Biosciences是一家临床前阶段AI驱动生物技术公司，核心定位是通过全球首个专为mRNA设计和优化构建的生成式AI平台GEMORNA，加速药物发现并拓展mRNA疗法应用边界。 技术平台核心为GEMORNA生成式AI平台，基于Transformer架构，是全球首个专门为mRNA设计和优化而构建的生成式AI系统。技术差异化在于突破传统仅优化编码区的局限，GEMORNA可生成包含5'UTR、编码区和3'UTR的完整mRNA序列，实现Zero-shot优化。平台通过分析大量mRNA序列-功能数据，学习优化mRNA稳定性、翻译效率和免疫原性的序列特征，为mRNA疫苗和疗法提供端到端设计能力。 核心管线为mRNA肿瘤疫苗和体内CAR-T疗法，针对实体瘤和血液肿瘤适应症。目前处于临床前阶段，基于GEMORNA平台设计的候选mRNA分子正在通过闭环验证系统进行评估。后续若向基因治疗和罕见病拓展，有望打开更大市场空间。 公司采用“内部管线开发+外部合作授权”的双轮驱动模式。累计融资570万美元（天使轮），投资方包括MIT及天使投资人。联合创始人Jicong Cao在RNA生物学和AI领域具有深厚背景。 GEMORNA是全球首个专门为mRNA设计和优化而构建的生成式AI平台。该平台突破了传统mRNA序列优化的局限性，其核心技术特征包括： （1）多维设计空间探索与Zero-shot优化：GEMORNA结合了Transformer架构，不仅能够优化编码序列，更是首个能够生成包含非翻译区的完整mRNA序列的AI模型。它通过整合mRNA特征的潜在表示，在近乎无限的序列设计空间中生成具有极高成功率的全新序列，实现零样本优化，从而大幅缩短临床前研发时间。 （2）闭环实验验证系统：Raina拥有高通量基因合成和实验验证实验室。AI设计出的序列可以直接进入实验室进行快速合成和并行筛选。这种“设计-测试”的闭环不仅提供了真实的实验数据反哺AI模型，还以极高的速度和准确性加速了高活性mRNA疗法的发现。 3.2.9.Creyon Bio：利用AI和机器学习构建寡核苷酸工程引擎，为罕见病开发靶向RNA药物 Creyon Bio是一家临床前/早期临床阶段AI驱动生物技术公司，核心定位是利用AI和机器学习技术构建行业首个寡核苷酸工程引擎，为罕见病和常见病患者按需设计并开发安全有效的靶向RNA寡核苷酸药物。 技术平台核心为AI驱动的寡核苷酸工程引擎。AI层面，结合量子化学原理与机器学习，基于专有体内外数据集训练寡核苷酸安全性与有效性预测模型，实现ASO和siRNA序列与化学修饰的按需设计。干湿实验闭环层面，自动化实验验证组织特异性递送效率，持续优化模型。技术差异化在于将量子化学计算与机器学习结合，预测寡核苷酸的脱靶风险和毒性，而非依赖传统高通量试错筛选。 核心管线为靶向RNA寡核苷酸疗法，针对罕见遗传病和常见慢性病靶点。目前处于临床前阶段，基于AI设计的候选寡核苷酸分子正在通过自动化实验平台进行验证。后续若向神经退行性疾病和心血管代谢疾病拓展，有望打开更大市场空间。 公司另有与礼来的合作，获得1300万美元首付款及潜在里程碑付款。累计股权融资4000万美元。CEO Serge Messerlian拥有超过25年生命科学行业经验，曾任强生旗下Janssen Oncology总裁。 Creyon Bio的核心技术壁垒是其专有的“AI驱动的寡核苷酸工程引擎”。该平台旨在推动传统药物发现从高通量试错筛选向按需工程化设计转变，转而采用“按需工程化设计”的理念。 （1）专有数据构建：平台建立在专用的、经验衍生的庞大数据集之上。Creyon通过在体内（啮齿动物的肝脏、肾脏、心血管系统和神经系统）和体外（人类细胞）测试大量代表不同核苷酸序列和化学修饰的化合物，记录其生物物理特性、毒性和免疫刺激作用。 （2）AI与量子化学原理：利用上述专有数据集训练机器学习算法，并结合量子化学原理，平台能够精准预测新型寡核苷酸药物的安全性、有效性及药理特性。该引擎支持广泛的分子模式设计，包括单链反义寡核苷酸（ASOs）、小干扰RNA（siRNA）、DNA和RNA编辑系统，以及靶向适配体。 （3）组织特异性递送：平台还结合了基于适配体的组织靶向递送技术，确保药物能够精准递送至特定组织（如溶酶体等），从而提高药物在靶点的浓度并降低全身毒性。 4.细胞与基因疗法 4.1.细胞与基因疗法研发的传统痛点 细胞与基因疗法主要包括CAR-T/TCR-T等免疫细胞疗法、干细胞疗法、AAV或慢病毒载体基因治疗，以及基因编辑疗法。与传统药物相比，这类产品的活性成分通常是活细胞、病毒载体或基因编辑系统，因此在设计、生产、质控和长期安全性方面更复杂。 第一，构建体和递送系统设计难度高。AAV载体需要平衡组织嗜性、免疫原性、装载容量、体内分布和生产效率。CAR-T疗法中，scFv、铰链区、跨膜区和共刺激结构域都会影响T细胞活化、扩增、持久性和毒性。 第二，安全性风险高且个体差异明显。CAR-T治疗可能出现细胞因子释放综合征和免疫效应细胞相关神经毒性综合征；基因治疗和基因编辑还需关注插入突变、脱靶编辑、长期表达异常和免疫反应等风险。CAR-T相关CRS和ICANS已成为该领域重点管理的安全性问题。第三，生产制造和质量控制复杂。自体细胞疗法需要经历患者采集、细胞激活、转导、扩增、质控放行和回输等步骤，流程长、批间差异大、成本高，且患者初始细胞质量会直接影响最终产品质量。第四，长期随访要求高。基因疗法和部分细胞疗法可能在体内长期存在或产生长期遗传影响，因此监管机构通常要求开展长期随访，以监测迟发性不良事件和疗效持续性。FDA已发布人用基因治疗产品长期随访指导原则。 4.2.AI在细胞与基因疗法中的应用价值 AI在细胞与基因疗法中的价值更多体现为研发和生产流程支持，主要体现在构建体设计、患者风险预测、制造过程控制和长期安全性监测。 载体和编辑系统设计：机器学习可用于AAV衣壳序列设计，预测包装能力、组织嗜性、表达效率和免疫相关风险，从而提高载体筛选效率。AAV衣壳工程中，机器学习与定向进化结合已成为重要研究方向。 CAR结构和细胞功能优化：模型可用于分析抗原结合结构域、共刺激结构域和受体序列对T细胞活性、持久性和毒性的影响。该类应用仍处于较早阶段，实验验证和临床数据仍是判断产品质量的核心依据。 疗效与安全性预测：机器学习可整合患者基础疾病特征、肿瘤负荷、实验室指标、细胞产品特征、炎症因子和早期治疗反应，用于CAR-T疗效预测、CRS/ICANS风险分层和个体化管理。 制造过程控制：在细胞治疗生产中，过程建模可用于分析培养条件、细胞扩增、表型组成和关键质量属性之间的关系。对于自体细胞疗法，相关模型可辅助判断收获时间、降低批次失败风险，并提高生产流程一致性。 长期安全性监测：自然语言处理和机器学习可用于分析不良事件报告、电子病历、注册登记数据和长期随访数据，帮助识别潜在安全信号。该类应用需要与监管要求、数据质量控制和人工医学判断结合使用。 4.2.1.Metagenomi Therapeutics (NASDAQ: MGX)：利用AI驱动的宏基因组工具包挖掘下一代基因编辑系统，开发治愈性基因疗法 Metagenomi Therapeutics是一家临床前阶段AI驱动生物技术公司，核心定位是利用AI驱动的专有宏基因组学基因编辑工具包，从全球自然环境微生物基因组中挖掘下一代基因编辑系统，开发治愈性基因疗法。 Metagenomi拥有一个由人工智能驱动的专有宏基因组学基因编辑工具包。该平台通过挖掘全球自然环境中的微生物基因组，分析了超过74亿个蛋白质，从而发现并改造出比第一代CRISPR技术更小、更精准、脱靶率更低的下一代基因编辑系统。其技术平台涵盖全谱系的基因编辑能力：超小型核酸酶（Ultra-compact Nucleases，包括紧凑型V型核酸酶，能够通过单一AAV载体实现All-In-One的高效体内递送）；碱基编辑器（Base Editors，在不造成DNA双链断裂的情况下实现单碱基精准替换）；大型基因整合系统（包括RNA介导的整合系统RIGS和CRISPR相关转座酶CAST系统，能够将大型治疗性基因精准定点整合到人类基因组已知安全位点）；以及先导编辑系统（Prime Editing Systems，具备高度灵活的基因片段插入、删除和替换能力）。知识图谱辅助匹配疾病与最优编辑工具。 核心管线MGX-001针对甲型血友病，旨在通过定点基因整合技术恢复凝血第八因子的表达，为成人和儿童甲型血友病患者提供终身、治愈性的保护，防止出血事件和关节损伤。截至2025年底，该管线在非人灵长类动物模型中展示了长达约19个月的持久、治愈水平的FVIII活性，且未发现脱靶编辑。公司已于2025年第四季度与FDA完成pre-IND会议，预计将在2026年第四季度提交IND/CTA申请，并于2027年启动首次人体临床试验。其他管线包括：依托MGX-001已验证的定点基因组整合系统，内部平行开发针对其他分泌蛋白缺陷的管线项目；与Ionis Pharmaceuticals合作推进心血管代谢疾病（高甘油三酯血症、转甲状腺素蛋白淀粉样变性、难治性高血压）；与Affini-T Therapeutics合作开发基于TCR的免疫肿瘤学细胞疗法。（注：PH1项目在Moderna终止合作后权利已收回，ALS早期管线已于2024年8月终止。） 公司2016年由Brian Thomas和Jillian Banfield共同创立，2024年2月在纳斯达克IPO（股票代码：MGX），累计融资超3.5亿美元（含IPO）。截至2025年12月31日，现金及等价物总额1.608亿美元。后续若向更多分泌蛋白缺陷疾病和心血管代谢疾病拓展，有望打开更大市场空间。 Metagenomi搭建AI驱动的专有宏基因组基因编辑发现平台。平台持续从全球多样自然微生物环境挖掘海量遗传资源，依托人工智能完成序列解析、功能预测与高通量筛选，累计分析超过74亿条蛋白序列，从中发现并工程化改造下一代CRISPR编辑系统；相较于第一代Cas9技术，新系统普遍具备体积更小、靶向精准度更高、脱靶风险更低的优势，构建覆盖全类型基因修饰需求的模块化编辑工具箱。平台拥有四大类核心技术体系： （1）超小型可编程核酸酶：自研紧凑型V型CRISPR核酸酶家族，蛋白尺寸显著小于传统 Cas9，整套编辑组件可整合至单一AAV载体，实现All-In-One体内递送，突破载体包装上限约束，拓展中枢神经、肌肉等多种组织的体内编辑场景。 （2）碱基编辑器：依托小型核酸酶骨架开发微型碱基编辑系统，无需诱导DNA双链断裂，直接完成基因组单碱基精准转换，规避双链断裂引发的染色体异常、大片段缺失等基因毒性风险，适配点突变类遗传病治疗。 （3）大型基因定点整合系统：包含RNA介导整合系统与CRISPR相关转座酶两大技术路线，能够将全长治疗性大片段基因精准定点插入人类基因组安全位点（如白蛋白内含子、AAVS1位点），适用于需要全长基因增补的单基因遗传病。公司先导管线MGX-001（血友病 A）即依托该平台实现凝血因子VIII 基因定点插入。 （4）先导编辑系统：具备高度灵活的“搜索 - 替换”编辑能力，可在无双链断裂前提下实现基因片段精准插入、删除与多种碱基替换，覆盖复杂复合型基因突变的修复需求。 4.2.2.Dyno Therapeutics：利用AI和机器学习设计优化AAV载体，解决基因治疗体内递送难题 Dyno Therapeutics是一家临床前阶段AI驱动生物技术公司，核心定位是利用AI和机器学习设计并优化新一代腺相关病毒载体，解决基因治疗中的体内递送难题。 Dyno的核心技术壁垒是其自主研发的AI驱动平台——CapsidMap™。该平台脱胎于哈佛医学院Wyss研究所George Church实验室的早期研究，基于2019年Science论文的序列-功能映射方法论。CapsidMap™通过结合前沿的机器学习算法与体内高通量实验，系统性地绘制AAV衣壳序列与功能之间的关系图谱。平台每月能够生成并评估数以百万计的合成AAV变体，AI模型通过学习数十亿个体内序列-功能测量数据，能够预测并设计出自然界不存在的全新AAV衣壳。这些AI设计的衣壳具备三大优势：精准的组织靶向性、免疫逃逸以及优化的包装与可制造性。此外，公司还开发了LEAP™，进一步提升模型迭代效率。2024年5月，Dyno与NVIDIA达成合作，利用其算力加速生物序列设计与AI模型的迭代。 与传统生物制药公司不同，Dyno采取重平台、轻管线的横向B2B商业模式，内部不自研临床基因治疗药物，而是专注于扮演递送载体供应商的角色，将AI设计的AAV衣壳授权给大型制药公司。核心合作管线覆盖：与Sarepta Therapeutics及安斯泰来（Astellas）合作的肌肉疾病领域（2026年4月安斯泰来正式行使骨骼肌靶向衣壳许可权，Dyno获1500万美元授权费）；与诺华（Novartis）合作的眼科疾病；以及与罗氏（Roche）及Spark Therapeutics合作的CNS及肝脏疾病（罗氏2024年追加超10亿美元合作协议）。 公司另有与多家头部药企的广泛合作网络。2018年由George Church等创立，2020年走出隐匿模式，累计融资超1.09亿美元（A轮1亿美元由a16z领投）。后续若向肺部、心脏和肾脏等更多组织类型拓展，有望打开更大市场空间。 Dyno的核心技术壁垒是其自主研发的AI驱动平台 —— CapsidMap™。传统基因治疗面临的最大瓶颈是野生型AAV载体在靶向性、免疫原性和生产可制造性上的局限。CapsidMap™平台通过结合前沿的机器学习算法与体内高通量实验，系统性地绘制AAV衣壳序列与功能之间的关系图谱。该平台每月能够生成并评估数以百万计的合成AAV变体，AI模型通过学习这些海量的体内数据，能够预测并设计出自然界不存在的全新AAV衣壳。这些经过优化的衣壳具备以下显著优势： （1）精准的组织靶向性：能够高效穿透血脑屏障靶向CNS，或在低剂量下精准靶向骨骼肌、眼部、肝脏等特定器官。 （2）免疫逃逸：规避患者体内预存的中和抗体，提高治疗的安全性和有效性。 （3）优化的包装与可制造性：降低大规模生产的成本并提高基因有效载荷的包装效率。 4.2.3.Shape Therapeutics：融合AI与可编程RNA编辑技术，开发AAV递送的RNA编辑基因疗法 Shape Therapeutics是一家临床前阶段AI驱动生物技术公司，核心定位是融合生成式AI与可编程RNA编辑技术，开发下一代AAV递送的RNA编辑基因疗法。 ShapeTX的竞争壁垒在于其将生成式AI与RNA生物学深度结合，构建了从靶点发现、有效载荷设计到递送和制造的端到端技术平台。核心技术平台包括：RNAfix®（精准RNA编辑平台，利用人体细胞内天然存在的ADAR酶，通过工程化设计的向导RNA在RNA转录本上进行精确的A-to-I碱基替换，不改变底层基因组，极大降低脱靶毒性和免疫原性风险）；DeepREAD（专有的生成式机器学习模型，基于扩散模型，通过数百万个高通量筛选实验数据点训练，能够在几分钟内生成数千个高质量gRNA设计，大幅提高RNAfix的编辑特异性和效率）；AAVid™（组织特异性AAV递送平台，在非人灵长类动物中筛选超过10亿个AAV衣壳，开发的SHP-DB1衣壳具有极强的血脑屏障穿透能力，能深入大脑区域靶向神经元，同时避开肝脏和背根神经节等易产生毒性的区域）；TruStable™（可扩展制造平台，通过构建稳定的人类生产细胞系，显著提高AAV载体的生产产量、质量和批次一致性）。 核心管线SHP-201是一种旨在改变帕金森病疾病进程的基因疗法，利用SHP-DB1衣壳静脉递送RNAfix有效载荷，靶向并编辑编码alpha-synuclein的SNCA转录本。在最新的非人灵长类动物和人类iPSC衍生神经元数据中，SHP-201成功实现了超过95%的SNCA mRNA敲低和超过80%的aSyn蛋白减少，展现出极高的治疗潜力。公司另有内部早期管线SHP-261、SHP-231、SHP-221、SHP-202，涵盖神经系统疾病、内分泌和代谢疾病。 外部合作方面，与罗氏（Roche）达成潜在总价值超30亿美元的战略合作，针对阿尔茨海默症、帕金森病及罕见病；与VectorY Therapeutics合作开发VTx-003（亨廷顿舞蹈症）和VTx-005（阿尔茨海默症）；与大冢制药（Otsuka）合作开发眼科疾病AAV基因疗法。 公司2018年由Prashant Mali实验室背景团队在西雅图创立，累计融资约1.48亿美元（A轮3550万美元由NEA领投，B轮1.12亿美元由德诚资本和Breton Capital领投）。后续若向更多神经退行性疾病和罕见病拓展，有望打开更大市场空间。 4.2.4.Scribe Therapeutics：CRISPR by Design平台从头设计和改造专为人类治疗优化的CRISPR分子 Scribe Therapeutics是一家临床前阶段（向临床阶段过渡中）AI驱动生物技术公司，核心定位是通过"CRISPR by Design™"平台从头设计和改造专为人类治疗优化的CRISPR分子，开发同类最优的体内基因编辑疗法。 Scribe的核心平台CRISPR by Design™的核心理念是不依赖于自然界中发现的、在细菌中进化出的传统CRISPR酶，而是从头设计和改造专为人类治疗用途定制的CRISPR分子。平台基于CasX酶系（XE技术）开发，与传统Cas9相比，CasX分子体积更小、特异性更高、效力更强，能够有效避免传统CRISPR技术常见的脱靶效应和免疫原性问题。此外，公司还开发了表观遗传沉默技术，通过在靶基因上添加甲基基团来沉默基因表达，而不需要对DNA序列进行永久性的切割或改变，提供了一种更温和、更安全的基因调控方式。由于其工程化的CRISPR分子体积微小，能够完美适配并封装于AAV或LNP中，实现高效的体内靶向递送。 核心管线STX-1150是一种针对肝脏靶向的表观遗传沉默疗法，旨在通过表观遗传学机制沉默PCSK9基因，从而持久降低低密度脂蛋白胆固醇水平，用于治疗动脉粥样硬化性心血管疾病。该药物无需永久改变DNA，在非人灵长类模型中已展现出极高的安全性与有效性，预计将于2026年中期正式进入I期临床试验。后续管线STX-1400针对载脂蛋白C-III，主要用于治疗严重的罕见代谢疾病（重度高甘油三酯血症和家族性乳糜微粒血症综合征），临床前小鼠模型数据显示可显著降低相关蛋白和甘油三酯水平。外部合作方面，与渤健（Biogen）合作开发ALS等神经退行性疾病疗法；与礼来（Eli Lilly）合作推进神经和神经肌肉疾病靶点；与赛诺菲（Sanofi）合作开发镰状细胞病及其他基因组疾病体内基因药物（2025年初达成关键里程碑）。 公司2018年由诺贝尔化学奖得主Jennifer Doudna等共同创立，累计融资超1.2亿美元（B轮1亿美元由Avoro Ventures领投）。后续若向心血管代谢疾病的大规模临床验证和更多适应症拓展，有望打开更大市场空间。 Scribe 核心自研平台命名为CRISPR by Design™（工程化定制CRISPR平台）。平台底层核心理念区别于行业主流思路：不局限筛选、改造自然界细菌演化形成的天然CRISPR核酸酶，而是面向人类体内治疗场景，以蛋白工程、机器学习辅助高通量定向进化为手段，从头理性设计与深度改造适配人体给药需求的CRISPR分子工具。 天然CRISPR系统演化目标是保护细菌抵御噬菌体入侵，并非适配人体细胞环境，普遍存在尺寸偏大、脱靶风险高、免疫原性强、体内递送难度大等短板。依托 CRISPR by Design™全栈工程化体系，Scribe围绕编辑效率、靶向特异性、蛋白尺寸、免疫原性、载体兼容性五大治疗核心指标开展定向优化，可根据适应症、给药方式（体内AAV /体外细胞编辑）、作用模式（基因敲除、表观沉默、精准编辑）定制专属 CRISPR 工具。基于该平台迭代出两大核心技术体系： （1）XE（X-Editor）精准基因编辑器：经过深度工程改造的CasX编辑系统，实现 DNA 双链精准切割，适配体内外基因敲除、位点精准修正； （2）ELXR（Epigenetic Long-Term X-Repressor）长效表观沉默系统：催化失活型工程化 CasX，不切断DNA骨架，依靠表观修饰持久抑制致病基因表达，规避双链断裂带来的染色体损伤风险。 整套平台产出的工程化CRISPR工具天然适配 AAV 体内递送，脱靶突变水平显著低于野生型 Cas9；依托平台开发的管线聚焦心血管代谢疾病，多条资产进入临床前开发阶段。 4.2.5.Arbor Biotechnologies：通过AI与宏基因组发现引擎挖掘新型CRISPR核酸酶，开发治愈性基因组药物 Arbor Biotechnologies是一家临床阶段AI驱动生物技术公司，核心定位是通过AI与宏基因组发现引擎，从自然界生物多样性中挖掘新型CRISPR核酸酶，开发具有潜在治愈性的体内和体外基因组药物。 Arbor的核心竞争力在于其独特的发现引擎，通过整合人工智能、基因组测序、基因合成和高通量筛选，从自然界的宏基因组数据库中挖掘全新的CRISPR核酸酶。公司拥有目前业内最广泛的专有基因组编辑器工具箱（包括Cas13d以及多种Type V核酸酶如Cas12m、Cas12f10等），能够覆盖超过90%的人类基因组，使公司能够根据疾病病理学反向推导，为每种疾病选择最理想的基因编辑方法。2026年最新公布的首创紧凑型逆转录编辑器由新型切口酶和新型逆转录酶组成，总长度小于1200个氨基酸，可通过单一AAV载体进行体内递送，解决了目前RT编辑技术因体积过大必须依赖双AAV递送的痛点，极大拓宽了其在CNS及肝外组织中的应用前景。 核心管线ABO-101针对原发性高草酸尿症1型，这是一种罕见的遗传性酶缺乏症。ABO-101采用体内基因编辑技术，旨在敲低肝脏中驱动该疾病的HAO1基因的表达。该管线已在非人灵长类动物中获得概念验证数据，并于2025年利用C轮融资资金正式推进至临床I/II期试验。后续管线ABO-202针对肌萎缩侧索硬化症，利用CRISPR基因编辑技术对STMN2基因进行靶向破坏，以防止其mRNA的异常剪接，从而在人类运动神经元中实现表型逆转，目前处于临床前/IND准备阶段。外部合作方面，与Vertex Pharmaceuticals合作开发体外工程细胞疗法（包括1型糖尿病胰岛细胞和镰状细胞病/β-地中海贫血治疗方案）。 公司2016年由CRISPR先驱张锋（Feng Zhang）等共同创立，累计融资约3.04亿美元（B轮2.15亿美元由淡马锡等领投，C轮7390万美元由TCGX和ARCH领投）。后续若向CNS疾病和更多肝外组织适应症拓展，有望打开更大市场空间。 Arbor的发现引擎通过整合AI、基因组测序、基因合成和高通量筛选，从自然界的宏基因组数据库中挖掘全新的CRISPR核酸酶。 （1）广泛的专有DNA编辑器组合：Arbor 拥有业内规模领先的全自主专利基因组编辑酶组合，涵盖靶向 RNA 的Cas13d以及多款新型V型CRISPR核酸酶（Cas12m、Cas12f10、Cas12i 系列等）。依托多样化效应蛋白、差异化PAM识别序列与切割模式，整套工具可靶向超过 90% 的人类基因组位点。研发团队能够结合疾病发病机制反向推演最优编辑策略，灵活选用不同工具实现多层次基因调控，覆盖从RNA水平基因敲低、基因敲除、片段切除直至精准基因插入等多元编辑需求，突破传统单一CRISPR系统适用场景受限的短板。 （2）首创的紧凑型逆转录编辑器：2026年最新公布的平台技术。平台推出业内突破性小型RT编辑器，由新型切口酶与专属逆转录酶组合构建，整体长度小于 1200 个氨基酸。相较于市面上主流先导编辑系统体积偏大、必须依靠两套独立AAV载体共递送的行业痛点，该紧凑型编辑器可连同向导RNA一并装载进单一AAV载体完成体内递送。这一技术突破大幅降低载体包装与给药复杂度，拓展了中枢神经系统和肝脏以外多种组织的精准基因编辑应用范围，为神经退行性疾病等难以给药的适应症提供全新开发路径。临床前数据证实，该系统可在动物脑内实现稳定、精准的原位基因修正，无明显旁观者突变效应。 4.2.6.Profluent：利用深度生成式AI从头设计并验证新型功能性蛋白与CRISPR基因编辑工具 Profluent是一家临床前阶段AI驱动生物技术公司，核心定位是通过深度生成式AI和大型语言模型将生物学转化为可编程语言，从头设计并验证新型功能性蛋白质和基因编辑工具。 Profluent的核心壁垒在于其底层AI平台及由此衍生的多模态蛋白质管线。平台核心包括：Profluent Protein Atlas（全球最大的蛋白质数据资源库，包含超过1150亿个独特的蛋白质序列，为AI模型提供极其丰富的进化上下文和结构数据）；ProGen2/ProGen3（大蛋白质语言模型，在238,917个Cas9蛋白上训练，能够生成全新的CRISPR-Cas系统）； Protein2PAM（深度学习模型，预测和定制PAM识别序列）；ProseLM（蛋白质结构编码语言模型，结合原子级细节）；以及最新推出的Profluent E-1（前沿AI基础模型，在业内首次证明缩放定律适用于生物学——即随着数据量和算力的增加，AI模型设计蛋白质的能力呈指数级提升）。科学家只需用人类语言输入所需的蛋白质特性，AI即可输出相应的DNA序列配方。 核心管线OpenCRISPR-1是世界上首个完全由AI从头设计的基因编辑系统（包括Cas样蛋白和向导RNA），已被数千家商业机构、学术研究人员和全球大型制药公司使用，证明了AI不仅能优化现有的天然CRISPR支架，还能创造出具有极高活性的全新编辑工具。2025年1月，公司在Nature杂志发表论文详细阐述该成果。其他管线包括：与礼来（Eli Lilly）合作开发的重组酶管线；与Ensoma合作开发的体内HSC碱基编辑器；与Rett综合征研究信托基金（RSRT）合作的Rett综合征定制碱基编辑器；与IDT合作的下一代工业与科研用酶；以及与Corteva Agrisciences合作的农业用蛋白质。 公司2022年由Salesforce AI科学家Ali Madani创立，累计融资1.50亿美元（B轮1.06亿美元由Altimeter Capital和Jeff Bezos旗下Bezos Expeditions共同领投，投后估值接近10亿美元）。 4.2.7.Outpace Bio：利用AI驱动蛋白质设计和合成生物学重新编程免疫细胞，开发实体瘤细胞疗法 Outpace Bio是一家临床阶段AI驱动生物技术公司，核心定位是利用AI驱动的蛋白质设计和合成生物学技术重新编程免疫细胞，开发下一代实体瘤工程化细胞疗法。 Outpace的核心壁垒在于其专有的AI驱动蛋白质设计平台，该平台不局限于寻找新靶点，而是通过设计全新的蛋白质来重新编程T细胞，使其在恶劣的实体瘤微环境中做出正确决策。平台由四大模块化、即插即用的技术组成：OUTSMART™（解决实体瘤分泌错误细胞因子抑制免疫细胞活性的问题，通过受调控的启动子使细胞在肿瘤局部产生特定细胞因子，在不引起全身毒性的情况下招募旁观者免疫细胞）；OUTLAST™（解决免疫细胞耗竭问题，通过降解剂和基因控制赋予T细胞自我调节能力，使其在体内自主休息和重新激活）；OUTSPACER™（优化CAR结构的全人源序列库，最大化CAR-T细胞的功能）；OUTSAFE™/CO-LOCKR™（解决脱靶毒性问题，开发的EGFRopt™安全开关可对西妥昔单抗响应以清除工程化细胞）。 核心管线OPB-101是一种靶向间皮素（Mesothelin, MSLN）的自体CAR-T细胞疗法，主要针对晚期铂耐药的上皮性卵巢癌、输卵管癌或原发性腹膜癌。OPB-101集成了OUTSMART™、OUTLAST™、OUTSPACER™和OUTSAFE™四项核心技术。已获IND批准并于2025年完成首例患者给药。临床前体内模型数据显示，OPB-101在极低剂量（低至5万到25万个细胞）下即可实现实体瘤的完全且持久消除，外周血扩增超过100倍，且表现出对PD-1、TIGIT和CD39等耗竭标志物的抗性，突破了传统CAR-T在实体瘤中无法扩增和易耗竭的瓶颈。后续管线OPB-201是一种靶向PRAME抗原的TCR-T疗法，用于子宫内膜癌和卵巢癌等实体瘤，实现了非细胞因子依赖性的扩增，预计于2025年底至2026年提交IND申请。 公司另有OPB-201等后续管线。Outpace由David Baker实验室背景的Marc Lajoie和Scott Boyken于2021年从Lyell Immunopharma分拆创立，累计融资约2亿美元（B轮1.44亿美元由RA Capital Management领投，2024年8月完成）。后续若向更多实体瘤适应症和通用型细胞疗法拓展，有望打开更大市场空间。 5.跨模态平台公司 5.1.跨模态平台公司的定位 跨模态平台公司是指能够同时覆盖多个药物类型，或在靶点发现、疾病建模、候选物设计、实验验证和临床分层等环节提供通用能力的公司。这类公司的关键价值在于更早回答三个问题： （1）疾病机制是否足够明确； （2）靶点是否具有因果性和可干预性； （3）最适合采用小分子、抗体、RNA、蛋白工程、基因治疗还是细胞疗法。 人类遗传学证据与更高的临床成功概率相关，靶点选择质量仍是决定研发成败的基础变量。跨模态平台公司的第二项价值，是将多组学数据、单细胞数据、扰动实验、结构信息、临床表型和药物化学数据纳入统一分析流程，用于支持靶点发现、患者分层、药物模态选择和候选物排序。第三项价值，是通过自动化实验和数据回流，提高研发流程的可重复性和可积累性。平台能力不能直接等同于临床成功率。FDA关于AI支持药品监管决策的草案指南强调，模型使用必须围绕明确场景、风险等级和可信度评估展开；FDA与EMA发布的良好AI实践原则也强调数据治理、模型性能评估和生命周期管理。 5.1.1.Generate:Biomedicines (NASDAQ: GENB)：通过AI从头生成具有特定功能的蛋白质，重塑传统药物发现模式 Generate:Biomedicines是一家临床阶段AI驱动生物技术公司，核心定位是生成式生物学——通过AI从头生成具有特定功能的蛋白质，重塑传统的药物发现模式。 技术平台以“生成-构建-测量-学习”实时反馈闭环为核心：利用生成式AI模型从头设计蛋白质序列和结构，通过高通量自动化实验室快速构建和测试候选分子，利用冷冻电镜和多种实验技术获取高质量数据，再将数据反馈至模型进行迭代优化。平台具备多模态生成能力，能够设计蛋白-蛋白相互作用界面、优化酶活性、以及生成免疫逃逸蛋白等复杂功能分子。2025年研发支出达2.247亿美元，支撑平台持续迭代。 核心管线进展显著：GB-0895（TSLP长效单抗，针对重度哮喘和COPD，全球III期临床试验SOLAIRIA-1/2于2026年1月完成首例患者给药，预计2028年上半年完成入组）、GB-4362（MMAE中和单抗，已获FDA IND批准和快速通道资格，计划开展I期临床试验联合enfortumab vedotin和pembrolizumab治疗尿路上皮癌）、GB-5267（MUC16 CAR-T，针对卵巢癌实体瘤，处于临床前阶段）、以及GB-0669（SARS-CoV-2单抗）。GB-0895是生成式AI设计的首个进入III期临床的蛋白质药物，具有里程碑意义。 融资与合作里程碑：2026年2月在纳斯达克IPO（股票代码：GENB），每股16美元发行2500万股，募资4亿美元。累计私募融资超7亿美元，投资者包括Flagship Pioneering、ARCH Venture Partners等头部投资机构。 核心技术平台打破了传统计算科学与湿实验生物学之间的壁垒，构建了一个由机器学习驱动的“生成-构建-测量-学习”实时反馈闭环。 （1）核心原理：平台通过深度学习数以百万计的已知蛋白质序列、结构和功能数据，学习了自然界编码蛋白质功能的通用统计规律。基于这些规则，平台能够按需生成自然界中不存在的全新蛋白质序列，实现从“药物发现”向“药物生成”的范式转变。 （2）多模态生成能力： 全新蛋白-蛋白相互作用：能够生成靶向特定表位的复杂抗体复合体，或能够精准激动细胞表面受体的功能性抗体。 功能特异性蛋白：通过机器学习生成具有更高持续合成能力和底物特异性的优化酶。 免疫逃逸蛋白：对治疗性蛋白质进行全面重编码，在保留其治疗功能的同时，减少或消除人体免疫系统的识别，从而大幅降低免疫原性。 硬件与实验闭环：平台不仅依赖纯计算算法，还深度整合了高通量自动化实验室能力（包括可扩展的DNA组装、快速蛋白质生产、多重检测分析）以及内部的冷冻电子显微镜（Cryo-EM）核心设施。这种软硬件结合使得公司能够规模化地实验验证生成的蛋白质，并将高精度结构数据实时反哺给生成模型进行迭代。 5.1.2.Twist Bioscience（NASDAQ: TWST）：硅基DNA合成平台构建AI药物发现的湿实验基础设施 Twist Bioscience是一家总部位于美国南旧金山的合成生物学上市公司，核心定位是以半导体级硅基DNA合成平台实现高通量、低成本、高保真的DNA制造，为NGS（读）、合成生物学（写）和生物制剂（抗体发现）提供底层工具。在AI制药环境下，公司并不开发药物管线，而是承接AI产生的大规模候选序列，完成合成、表达、表征和数据回流，成为连接硅基计算设计与碳基实验验证的关键基础设施。 技术平台核心为硅基半导体DNA合成平台：公司将传统96孔板的合成反应微缩至硅片上的独立微反应腔，反应体积缩小约100万倍、通量提升约1000倍，单片硅片全产能可合成9,600个基因，而传统方法在同一物理空间仅能合成1个基因。在AI药物发现场景下，公司构建“设计-构建-测试-学习”闭环服务：AI/ML团队提交序列，Twist最快15天完成抗体表达、纯化及10余项结合力与可开发性表征，输出可直接用于模型训练的标准化数据。官方披露，平台已累计完成26.5万+抗体检测、13.5万+蛋白表达，生成1,200万+数据点，服务445+合作伙伴，抗体产能约6,000个IgG/周。 核心业务与AI结合点：在与纪念斯隆-凯特琳癌症中心（MSK）的合作中，研究人员计算设计了近30万个新抗体，其中前10万个交由Twist合成与检测，直观体现“AI大规模设计+高通量湿实验验证”的工作模式。抗体发现方面，公司于2026年2月扩展服务，新增双特异性抗体发现能力；并已与Absci等AI抗体发现公司开展合作，从序列供应商升级为合作开发伙伴。从财务口径看，AI相关订单预计由2025财年约2,500万美元增至2026财年约5,000万美元、2027财年约1亿美元；2026年6月季度治疗学业务收入4,024万美元，同比增长49%，公司将该增长主要归因于AI驱动需求；据GenomeWeb报道，公司已按AI驱动药物发现重新梳理收入披露口径。 融资与合作里程碑：公司2013年由Emily Leproust、Bill Banyai和Bill Peck联合创立；2018年10月31日在纳斯达克IPO上市（代码TWST），发行500万股，发行价14美元/股；2021年5月与Genome Project-write合作推出全基因组设计CAD平台；2026年2月扩展双特异性抗体发现业务；2026年7月披露AI订单指引及治疗学业务高增数据。 5.1.3.Insitro：构建Virtual Human物理AI因果引擎，以大规模人类遗传学数据驱动疾病机制预测与药物发现 Insitro是一家临床前阶段/平台型AI驱动生物技术公司，核心定位是Virtual Human™物理AI引擎——通过大规模人类遗传学数据与物理模拟融合，构建能够预测疾病机制与药物响应的虚拟人体模型。 技术平台以三大核心系统构成差异化：Virtual Human™基于诱导多能干细胞（iPSC）和CRISPR基因编辑技术，每月生成超过100TB的多模态生物学数据，涵盖基因组学、转录组学、蛋白质组学和细胞表型数据；TherML™AI平台专用于药物分子设计与优化，整合深度学习与物理化学模拟；iNDEL/ChemML平台采用DEL-Dock技术整合3D空间结构信息，实现对数十亿化合物的虚拟筛选。数据来源包括全球最大的ALS遗传学iPSC细胞系库、与学术机构合作的队列研究数据，以及内部高通量实验验证数据。 核心管线覆盖四大疾病领域：代谢疾病（CTRO-1013/1029处于IND-Enabling阶段，针对NASH和2型糖尿病）、肥胖（OBS-1/2项目）、肌萎缩侧索硬化症（利用全球最大ALS遗传学iPSC库进行靶点验证）、以及干性年龄相关性黄斑变性。其中代谢疾病项目进展最快，预计2025-2026年提交IND申请。 目前处于临床前阶段，尚无临床数据披露。后续若向神经退行性疾病拓展（如阿尔茨海默病、帕金森病），有望利用其iPSC遗传学平台打开更大市场空间。 融资与合作里程碑：累计融资超10.4亿美元，2024年D轮融资4亿美元，估值达28亿美元。战略合作包括：与吉利德合作NASH项目（1500万美元首付+最高10.5亿美元里程碑）、与BMS合作ALS项目（潜在总额20亿美元）、与礼来合作小分子机器学习模型开发。 Insitro 搭建了名为Virtual Human™（虚拟人类）的物理 AI 因果引擎，整套体系以人类因果生物学为底层基础，打通“疾病靶点挖掘-药物分子设计-小分子虚拟筛选”端到端药物发现闭环。 （1）大规模数据生成与细胞表型筛选体系 Insitro 摒弃传统依赖动物模型开展药效筛选的研发范式，依托诱导多能干细胞、CRISPR基因扰动技术与全自动机器人实验室，开展海量并行化细胞功能实验。平台内部自动化管线每月产出超100TB高质量、带精确标注的高内涵成像、多组学多模态数据集，持续作为真实生物学真值数据供给机器学习模型训练，形成 “湿实验产出数据-模型迭代-AI设计新一轮实验”的持续学习闭环，核心技术载体为POSH高通pooled光学筛选平台。 （2）TherML™跨模态AI药物设计平台 借助Virtual Human™因果推理引擎精准识别疾病因果驱动基因与可干预靶点后，依托TherML™一体化 AI 平台完成最优治疗分子设计。区别于仅专注单一药物类型的工具，TherML实现小分子、寡核苷酸、复杂生物制剂多模态药物统一优化，可同步平衡分子活性、选择性、成药性与可开发性；平台能够根据疾病生物学需求自主选择最优药物模态，从源头降低后期临床失败风险。 （3）iNDEL / ChemML™小分子药物发现平台 iNDEL是面向 DNA 编码化合物库的专属机器学习平台，配套自研DEL-Dock 技术，融合蛋白质-配体复合物三维空间结构信息，实现对数十亿规模化合物库的高效智能虚拟筛选；模型可快速定位化学空间内具备开发潜力的分子区域，高效指导苗头化合物向先导化合物迭代优化。ChemML承接前端筛选结果，搭建完整小分子设计闭环，集成自适应化学文库、ADMET预测、自动化合成循环，持续推进候选小分子的定向优化。 5.1.4.Pathos AI：以肿瘤多模态数据和基础模型驱动的AI临床开发引擎 Pathos AI是一家AI驱动的临床阶段精准肿瘤生物技术公司，核心定位是构建以多模态患者数据和肿瘤基础模型为核心的临床开发引擎，通过AI筛选临床阶段药物资产、设计生物标志物驱动的适应性临床试验，提高肿瘤药物研发成功率。公司2022年由Tempus创始人Eric Lefkofsky与Ryan Fukushima联合创立，2025年5月由Iker Huerga出任CEO。与传统AI药企从零发现分子不同，Pathos AI几乎不开展从头小分子合成，而是聚焦临床阶段资产的价值挖掘、患者分层与临床试验优化，路线更接近“AI驱动的临床开发平台”。 融资与合作里程碑：公司2022年成立后，2022年11月完成1500万美元A轮融资，2023年4月完成3500万美元B轮融资；2024年10月完成6200万美元C轮融资（NEA领投，投后估值6亿美元），累计融资1.02亿美元；2025年5月完成3.65亿美元D轮融资，投后估值约16亿美元，正式成为独角兽企业。公司先后与诺和诺德、Prelude Therapeutics、DeuterOncology、阿斯利康、康宁杰瑞等达成资产合作，并与Tempus、阿斯利康共建肿瘤基础模型；2025年5月起由Iker Huerga担任CEO，加速Foundry模型研发与管线临床推进。 核心管线均为外部授权或收购获得。pocenbrodib（原FT-7051，内部代号P-300）是CBP/p300小分子抑制剂，2023年自诺和诺德获得全球权益，正在mCRPC适应症开展I b/II a期临床，并探索乳腺癌、多发性骨髓瘤，试验方案包括单药及联合阿比特龙、奥拉帕利、¹⁷⁷Lu-PSMA；P-500（原PRT811）是脑穿透型PRMT5小分子抑制剂，2024年自Prelude Therapeutics收购，I期已完成，I期16例IDH突变胶质瘤患者中观察到2例完全缓解，正筹备II期扩展试验，适应症包括IDH突变高级别胶质瘤和葡萄膜黑色素瘤；DO-2是MET小分子抑制剂，通过收购DeuterOncology多数股权获得，处于临床I期，针对MET外显子14跳跃突变NSCLC；AZD4241是ERα PROTAC，与阿斯利康合作授权，处于临床前。2026年8月，公司新增首个大分子资产JSKN016，与康宁杰瑞达成授权协议，获得大中华区以外全球独家开发、生产与商业化权益，该资产为首创TROP2/HER3双特异性抗体偶联药物（ADC），康宁杰瑞在大中华区推进III期临床，Pathos将启动海外临床开发，重点布局三阴性乳腺癌等适应症；交易包括1.25亿美元首付款、最高20.93亿美元开发及商业化里程碑、分层海外销售特许权使用费，并附带6250万美元优先股认股权证。 技术平台核心为PathOS平台，由Scout、Sprint、Foundry三大引擎构成闭环飞轮。Scout是AI资产筛选引擎，扫描全球临床阶段管线，将药物作用机制与最可能获益的患者亚群匹配，指导外部管线授权与收购，核心管线pocenbrodib与P-500均由Scout筛选获得；Sprint是AI临床执行引擎，以小型自主团队（Sprint Pod）推进单条管线，依托生物标志物方案、患者分层策略与自适应试验设计实现阶段跨越；Foundry是中央AI核心，底层为公司与Tempus、阿斯利康联合共建的肿瘤跨模态基础模型，整合超200PB多模态肿瘤数据（约为TCGA的50倍），覆盖电子病历、病理影像、基因组、转录组与真实世界生存结局，并通过自有湿实验室实现模型-实验闭环迭代，支撑临床资产筛选、生物标志物挖掘与自适应临床试验设计。 5.1.5.Chai Discovery：依托多模态生物分子基础模型实现蛋白质结构预测与从头分子生成 Chai Discovery是一家总部位于美国旧金山的AI驱动生物技术公司，核心定位是依托多模态生物分子基础模型实现蛋白质结构预测与从头分子生成，推动生物学由经验科学转向可预测的工程学科，重构生物大分子药物早期发现范式。 技术平台形成“Chai-1结构预测底座 + Chai-2零样本分子生成”完整技术链条：Chai-1为2024年开源多模态结构预测基础模型，对标AlphaFold3，可基于氨基酸序列精准预测蛋白、蛋白-小分子配体、抗原-抗体复合物原子级三维结构，独家搭载表位约束功能，仅少量抗原残基信息即可显著提升抗体复合物预测精度，模型采用Apache 2.0协议开放，支持学术研究与药物发现商业场景；2025年推出的Chai-2为全原子分辨率旗舰生成模型，无需依赖传统抗体筛选文库与同源模板，输入抗原及目标结合表位信息，即可从头生成兼具高特异性与优良成药性的全长抗体序列，适配肿瘤新生抗原、GPCR等难成药靶点开发。公司现阶段以模型算法研发为重心，短期不布局重资产自动化湿实验基地，通过合作药企与CRO完成分子湿实验验证。 核心管线布局抗体、微型结合蛋白等生物治疗分子，重点面向肿瘤、自身免疫性疾病、感染性疾病领域；多条AI从头设计抗体候选分子处于体外结合与细胞功能验证阶段，尚未推进至IND申报阶段。 融资与合作里程碑：2025年12月完成1.3亿美元 B 轮融资，投后估值13亿美元，累计融资总额超2.25亿美元，投资方包含Oak HC/FT、OpenAI投资基金、General Catalyst、Thrive Capital；2026年1月与礼来达成战略合作，依托整套AI技术平台联合推进新一代生物药的早期发现。公司目前为非上市私营企业，尚未产生药品销售收入，处于Pre-revenue阶段。 其核心平台技术由两代多模态基础模型构成： Chai-1（多模态分子结构预测基础模型）：2024年正式开源发布，对标 AlphaFold系列，属于通用生物分子结构预测基础模型。Chai-1支持统一预测蛋白质、核酸、小分子复合物等多种生物分子原子级三维构象，仅依靠氨基酸序列即可实现高精度结构解析。不同于仅聚焦单一蛋白折叠的传统工具，该模型可直接解析靶点-配体复合物空间相互作用；作为开放科研基础设施，支撑全行业基于结构的药物发现工作流，帮助研发人员在项目早期解析靶点空间构象、识别可结合口袋，为分子设计提供结构基础。模型采用宽松开源协议，允许学术与商业场景使用。 Chai-2（零样本从头生成式抗体设计平台）：2025 年推出的旗舰级全原子分辨率生成式基础模型，实现从“结构预测”向“功能性分子创造”跨越。区别于传统抗体发现高度依赖噬菌体展示、杂交瘤筛选等海量体外文库筛选手段，Chai-2支持零样本从头抗体设计；科研人员仅需输入目标抗原三维结构与目标结合表位信息，模型即可不依赖同源抗体模板，直接从头生成全长单克隆抗体完整序列与原子级三维结构。 5.1.6.Xaira Therapeutics：端到端AI药物发现与开发平台，从靶点识别到临床候选全流程AI驱动 Xaira Therapeutics是一家临床前阶段AI驱动生物技术公司，核心定位是端到端AI药物发现与开发平台——从靶点识别到临床候选药物的全流程AI驱动，尤其专注于蛋白质设计与虚拟细胞建模。 技术平台的核心差异化来自三大支柱：RFdiffusion + ProteinMPNN（源自David Baker实验室的蛋白质设计工具，能够从头设计具有特定功能的蛋白质结构）、X-Cell虚拟细胞模型（2026年3月发布的49亿参数扩散大语言模型架构，能够模拟细胞在不同扰动条件下的响应）、以及X-Atlas/Pisces数据集（包含2560万个单细胞转录组数据，覆盖7种不同细胞环境）。X-Cell模型通过整合单细胞基因组学数据，实现了对细胞状态转换和药物响应的预测，为靶点验证和药物机制研究提供了前所未有的计算能力。 核心管线聚焦于炎症与免疫学领域的抗体治疗，针对传统方法难以成药的不可成药靶点。利用RFdiffusion技术，Xaira能够设计具有特定结合特性的新型蛋白质结构，为自身免疫性疾病和炎症性疾病提供创新治疗方案。管线目前处于早期发现阶段，尚未披露具体靶点和适应症细节。 融资与合作里程碑：累计融资超13亿美元，包括2024年种子轮超10亿美元承诺资本（由ARCH Venture Partners和Foresite Labs领投），以及2025年8月A轮融资8亿美元。公司由David Baker（2024年诺贝尔化学奖得主）和Marc Tessier-Lavigne联合创立，科学顾问委员会包括多位诺贝尔奖得主。 Xaira的底层技术平台由三大核心支柱构成：基于机器学习的生物学理解、驱动新模型的大规模数据生成、以及强大的治疗产品开发能力。 5.1.7.Alloy Therapeutics：通过开放共享技术平台和AI基础设施，服务全球药物发现与开发 Alloy Therapeutics是一家平台生态型AI驱动生物技术公司，核心定位是通过开放共享的技术平台和AI机器学习基础设施，加速全球药物发现与开发。 技术平台以六大核心系统构成完整生态：ATX-Gx™抗体发现平台（历时10年开发的全人源转基因小鼠平台，能够产生高亲和力、低免疫原性的全人源抗体）、mAbForge™高通量筛选系统（整合自动化实验与AI预测，加速抗体先导化合物识别）、Keyway™ TCR发现平台（针对T细胞受体疗法的发现与优化）、AntiClastic™基因药物平台（环状核酸技术结合AI/ML优化，用于基因治疗和RNA疗法）、细胞疗法平台（基于低免疫原性iPSC技术）、以及AI/ML数据基础设施（整合多平台数据，实现跨模态学习与预测）。 Alloy采用开放平台商业模式，不保留自研管线，而是通过技术授权和合作研发服务全球生物医药生态。截至目前，已建立200+合作伙伴关系，100+授权项目，推动22款候选药物进入临床阶段，其中2款处于III期临床。合作覆盖大型药企、生物技术公司和学术机构。 融资与合作里程碑：累计融资超1.68亿美元，2026年4月E轮融资4000万美元，估值达10亿美元。战略合作包括：与辉瑞达成多年战略合作协议、与赛诺菲合作（最高4亿美元潜在价值）、与渤健合作开发AntiClastic™ ASO疗法。 5.1.8.Manifold Bio：通过高通量体内实验与AI闭环优化，开发精准递送至特定组织的生物药物 Manifold Bio是一家平台型AI驱动生物技术公司，核心定位是组织特异性靶向生物药物发现引擎——通过高通量体内实验与AI闭环优化，开发能够精准递送至特定组织的生物药物。 技术平台以三大创新技术构成核心壁垒：mDesign™高通量体内发现引擎（能够在活体模型中同时测试数千种蛋白质变体，实现从设计到体内验证的快速迭代）、mCodes蛋白质条形码技术（为每种蛋白质变体分配独特DNA条形码，实现高通量识别和定量）、以及Direct-to-In-Vivo与AI闭环（将体内实验数据实时反馈至“虚拟生物体”预测模型，利用机器学习优化下一轮设计）。这一闭环系统将传统需要数月的实验周期压缩至数周，显著加速了组织特异性靶向分子的发现。 核心管线聚焦两大方向：血脑屏障（BBB）穿透载体（与罗氏达成20亿美元合作协议，5500万美元首付款，开发能够穿越BBB递送治疗性蛋白至中枢神经系统的载体）、以及肿瘤学靶向效应物（包括Cell Engagers和ADCs，利用组织特异性靶向技术提高肿瘤杀伤效率并降低全身毒性）。BBB项目处于早期发现阶段，肿瘤学项目处于先导化合物优化阶段。 融资与合作里程碑：累计融资超1.33亿美元（包括股权融资和合作首付款）。2023年与罗氏达成战略研发合作，潜在总额达20亿美元，首付款5500万美元，是蛋白质工程领域最大的前期合作协议之一。 Manifold Bio 核心技术平台为mDesign™（高通量体内发现引擎，High-Throughput In Vivo Discovery Engine），搭建业内首个规模化高通量体内药物筛选体系，平台将大规模多重动物体内筛选与AI驱动蛋白质生成设计深度耦合，重构生物药早期开发范式。 （1）解决行业核心研发痛点 传统药物研发普遍依赖体外细胞实验开展分子筛选，但体外简化环境无法复刻活体内部血液循环、组织屏障、免疫微环境等复杂生理体系。由此带来显著短板：即便经过体外数据充分训练的 AI 蛋白设计模型，在预测候选蛋白药物体内药代动力学、组织生物分布等关键成药属性时依然存在巨大偏差，大量体外表现优异的分子进入体内后迅速失效。 （2）mCodes™专有蛋白质条形码核心追踪技术 平台底层核心是自研mCodes™分子条形码技术。研究人员为每一条候选蛋白分子装配独一无二的核酸条形码标签；仅需单次活体动物（小鼠、非人灵长类等）给药实验，就能够同步追踪、定量数千种候选蛋白在全身各类组织、器官中的富集水平、滞留时长，一次性批量获取海量分子的真实体内分布数据。相比传统“一动物一分子”的独立给药模式，大幅压缩动物使用规模、缩短筛选周期、降低研发成本。 （3）体内实验与 AI 持续学习闭环：虚拟生物体预测体系 mDesign™平台实现直接在活体生理环境中定向优化生物治疗分子属性。依托 mCodes高通量体内筛选持续产出规模化、具备生理真实性的数据集，Manifold Bio 训练构建虚拟生物体预测模型，形成稳定迭代闭环：AI生成全新候选蛋白分->mCodes高通量体内平行测试->真实体内数据回流持续优化 AI 模型。经过多轮循环迭代，AI 对蛋白体内分布、半衰期、组织靶向能力的预测精度持续提升，实现从“体外筛选”转向“以体内表型为核心”的蛋白理性设计。 5.1.9.Tahoe Therapeutics：大规模单细胞数据生成平台与预训练基础模型，实现细胞行为高精度预测 Tahoe Therapeutics是一家临床前阶段AI驱动生物技术公司，核心定位是人类细胞AI虚拟模型——通过构建大规模单细胞数据生成平台与预训练基础模型，实现对细胞行为和药物响应的高精度预测。 技术平台以三大核心系统构成差异化优势：Mosaic平台（全球首个能够在单细胞精度下生成体内数据的可扩展平台，将体内实验与单细胞测序技术结合，实现对药物在体内作用的单细胞分辨率解析）、Tx1模型家族（30亿参数的基础模型，基于2.66亿个单细胞谱进行预训练，能够预测细胞状态转换、基因扰动效应和药物响应）、以及Tahoe-100M（1亿数据点的开源数据集，包含多种细胞类型和扰动条件下的单细胞数据，为学术界和工业界提供高质量训练数据）。Tx1模型通过自监督学习从海量单细胞数据中提取生物学规律，实现了对不可成药靶点的计算验证。 核心管线包括：实体瘤先导候选药物（目前处于IND支持性研究阶段，利用Mosaic平台和Tx1模型发现的创新靶点）、以及与Alloy Therapeutics合资开发的ADC项目（2款First-in-Class抗体偶联药物，针对实体瘤）。Tahoe的技术优势在于能够从单细胞水平理解肿瘤微环境，发现传统方法难以识别的靶点。 融资与合作里程碑：累计融资4200万美元，2025年8月A轮融资3000万美元，估值达1.2亿美元。与Alloy Therapeutics建立战略合作，共同开发ADC项目。 （1）Mosaic平台：已公开报道中全球首个实现单细胞精度、规模化体内药物发现的数据生成平台。传统体外细胞实验难以还原患者个体异质性，而 Mosaic独创 “细胞群落” 实验范式，可将来源于不同患者、不同器官的多种细胞混合池化并行测试。单次体内器官实验条件下，平台能够同步检测药物对上百种患者来源细胞的作用，产出数百万条药物扰动诱导的单细胞基因表达谱数据，在药物研发早期阶段即可还原贴近真实生理的疾病微环境，精准捕捉患者层面药物响应差异。 虚拟细胞模型与Tx1（Tahoe-x1）模型家族：Tahoe 致力于搭建超越单纯蛋白结构预测、面向全细胞调控网络的虚拟细胞基础模型。核心模型Tx1（Tahoe-x1）为面向扰动预测的单细胞基础模型（30 亿参数级别），依托包含Tahoe-100M在内约 2.66亿条单细胞转录组数据完成预训练。模型借鉴大语言模型设计思路，学习基因在多样化生物学环境下的功能规律，输出细胞、基因的数值表征嵌入；仅依靠初始细胞状态与药物/基因扰动信息，即可精准推演扰动发生后完整的基因表达变化，具备预测训练集中从未出现过的全新生物实验结果的零样本泛化能力。 Tahoe-100M 数据集与TahoeDive交互工具：Tahoe-100M为公司开源巨型单细胞扰动图谱，包含1亿条单细胞转录组数据，规模远超所有公开药物扰动单细胞数据集总和，是训练Tx1虚拟细胞模型的核心底层资源。为降低海量组学数据集的使用门槛，公司配套开发网页端可视化分析工具TahoeDive；科研人员无需编程，直接使用自然语言即可在浏览器端检索、挖掘数据集，快速解析药物扰动、基因调控相关生物学规律。整套基础设施推动新药研发由传统试错模式，向可量化、可预测的工程化研究转型。 5.1.10.Relation Therapeutics：以“Lab-in-the-Loop”平台和细胞生物学基础模型切入药物发现 Relation Therapeutics是一家未上市的AI驱动生物技术公司，总部位于英国伦敦，核心定位是利用“Lab-in-the-Loop”平台，将前沿AI、患者来源多组学数据与自有实验系统整合，以“对疾病生物学的深度理解”为核心，开发免疫、代谢和骨疾病领域的变革性药物。公司由Charles Roberts、Benjamin Swerner和Jake Taylor-King于2020年1月创立，2022年4月起由David Roblin担任首席执行官。 融资与里程碑：2020年获得比尔及梅琳达·盖茨基金会资助（与Yoshua Bengio团队、Mila和Scripps Research合作）；2022年6月完成2500万美元融资，由DCVC和Magnetic Ventures领投；2024年1月完成Seed-2轮，由DCVC和NVIDIA旗下NVentures共同领投，累计种子轮融资达6000万美元；2024年12月GSK战略投资1500万美元；2025年12月获NVentures、DCVC和Magnetic Ventures追加2600万美元投资。截至目前，公司已披露的股权融资合计约1亿美元，主要投资者包括DCVC、Magnetic Ventures、Khosla Ventures、Firstminute Capital、Meltwind、NVIDIA（NVentures）、Hitachi Investments、Ark Invest和Deerfield。 技术平台以“计算+实验+患者数据”闭环为核心： （1）Lab-in-the-Loop：将单细胞多组学、基因组学与机器学习结合，通过患者组织直接生成疾病生物学图谱，用于靶点发现、排序和验证，并覆盖从靶点到临床前开发的完整链条； （2）MORGAN基础模型：2026年7月30日发布的下一代细胞生物学基础模型（Multi-Omic Regulatory Genomics using Artificial Neural Networks），利用大规模多组学扰动数据训练，可跨细胞类型应用，并针对治疗相关关键细胞类型构建组织特异性模型； （3）Osteomics骨组织图谱：公司自研的功能性单细胞骨组织图谱，号称全球最大规模，用于骨质疏松等骨疾病的靶点与生物标志物发现； （4）算力与模型能力：与NVIDIA合作使用英国最强大的超算Cambridge-1，在机器学习中综合运用生成式模型、大语言模型和图神经网络。 核心管线与布局： （1）骨质疏松为首个适应症，全球（美国、欧洲、日本）患者超4500万，50岁以上女性约二分之一、男性约四分之一受影响，已识别基因位点超2000个；公司在英国和澳大利亚开展临床观察性研究，利用患者样本构建细胞稳态图谱； （2）免疫和代谢疾病为主要拓展方向； （3）2024年12月与GSK达成两项战略合作，总金额4500万美元（含1500万美元股权投资），聚焦纤维化疾病和骨关节炎的新靶点识别与验证； （4）2025年12月与诺华达成多项目战略合作，聚焦特应性疾病，公司获得5500万美元（含首付款、股权投资和研发资金），并有资格获得最高17亿美元的临床前、开发、监管及商业里程碑付款和分层销售分成； （5）2026年1月与Deerfield Management建立合作，公司可提名平台发现的靶点，通过双方共同持有的NewCo推进下游开发，双方共享产品净销售额分成； （6）2026年7月30日与GSK扩大合作，最高可获得1.1亿美元首付款和基于成功的里程碑付款，用于生成大规模人类细胞扰动数据集并训练MORGAN等基础模型。 6.传统制药巨头与海外药企的AI辅助药物研发布局 专利悬崖加大收入替换压力。大型药企正在进入新一轮专利悬崖周期。艾昆纬指出，到2030年，超过2300亿美元的生物医药行业收入将面临失去市场独占权风险，2030年代早期还可能有额外2000亿至2500亿美元收入暴露在后续独占权到期压力下。这一压力已经在2025年开始体现，Fierce Pharma将强生的Stelara、Regeneron的Eylea、Amgen的Prolia等列为2025年美国市场重要失去独占权案例，其中Stelara位列2025年美国失去独占权药物名单前列。因此，大型药企布局AI辅助研发是补充新靶点、新机制、新候选物和外部研发能力的一种方式。更准确地说，AI的作用是帮助企业在更早阶段提高候选项目的筛选质量，降低后期才发现问题的概率。 研发失败成本上升，推动AI前移项目筛选关口。对于营收排名靠前的跨国药企而言，研发失败并不只是单个项目损失，还会影响后续资源配置、管线更新节奏和专利悬崖下的收入替换能力。尤其是在II期和III期临床阶段，项目一旦失败，往往意味着多年研发投入、临床运营费用和机会成本同时损失。因此，大型药企引入AI的重点，正在从“提高早期筛选速度”转向“提高早期决策质量”。具体而言，AI可用于靶点可靠性评估、疾病亚型识别、适应症优先级排序、候选物成药性预测、毒性风险预警和临床试验人群分层。其核心目标是在项目进入高成本临床阶段前，尽可能提高候选项目质量，降低后期失败概率。 AI应用正在进入受监管研发流程。FDA在2025年发布《Considerations for the Use of Artificial Intelligence to Support Regulatory Decision-Making for Drug and Biological Products》草案指南，讨论AI模型如何生成支持药物和生物制品安全性、有效性和质量监管决策的信息，并提出基于使用场景的模型可信度评估框架。AI应用正在从早期发现工具，逐步延伸至临床开发、真实世界证据、CMC、质量控制和药物警戒等更接近监管决策的环节。对大型药企而言，这意味着AI能力必须纳入数据治理、模型验证、质量体系和合规流程，而不能只停留在研发部门的单点工具使用。 竞争压力和潜在经济价值推动持续投入。麦肯锡估算，生成式AI每年可为制药和医疗产品行业带来约600亿至1100亿美元经济价值，覆盖早期发现、临床开发、运营、医学事务和商业化等环节。该数字属于潜在价值测算，不能等同于已经兑现的利润或研发成功率提升。同时，AI平台公司与大型药企的合作规模正在扩大。Isomorphic Labs已与礼来和诺华签订战略合作，潜在总金额接近30亿美元；罗氏/基因泰克也与Recursion建立了围绕机器学习、高内涵筛选和复杂生物学图谱的长期合作。因此，AI能力已经成为大型药企外部创新和研发基础设施竞争的一部分。对头部药企来说，相关布局的价值不仅在于获得某一个项目，更在于建立可复用的数据、模型、实验和合作网络。 6.1.大型药企AI辅助研发布局的四类路径 大型药企的AI辅助研发布局可分为四类：财务投资、管线授权、平台合作和内部能力建设。前三类对应外部合作深度由浅到深，第四类则决定企业能否把外部能力真正纳入研发体系。 财务投资：以较低绑定度获取战略期权。财务投资通常包括少数股权投资、战略投资、CVC投资或与合作协议绑定的股权投资。其目标不是立即获得某个产品，而是提前接触外部平台、数据资源或技术团队，并保留未来加深合作的可能性。典型案例是辉瑞与CytoReason的合作。CytoReason披露，辉瑞在2022年扩展双方多年合作，并进行2000万美元股权投资；该合作潜在总金额可达1.10亿美元，CytoReason的疾病模型用于支持Pfizer药物研发项目。财务投资的优点是风险相对可控，适合大型药企跟踪多个技术方向；不足是绑定深度有限，如果缺少后续数据共享、项目合作和内部吸收机制，投资本身难以转化为研发生产力。 管线授权：围绕明确靶点或项目补充候选资产。管线授权通常围绕特定靶点、药物类型或候选项目展开，交易结构包括首付款、里程碑付款、销售分成、区域权益或全球开发权。其核心目的是补充内部研发管线。例如，百时美施贵宝与Terray Therapeutics围绕多个靶点开展合作，Terray在2025年宣布达成AI辅助药物发现里程碑；百时美施贵宝此前也与Exscientia建立过多靶点AI驱动药物发现合作。阿斯利康与Absci的合作则体现了生物药方向的管线补充逻辑，Absci披露双方围绕AI驱动的肿瘤候选物开展合作，将Absci的AI抗体发现能力与阿斯利康的肿瘤研发能力结合。管线授权适合专利悬崖压力较大、需要快速补充中早期资产的公司，但其成败仍取决于后续实验验证、临床数据、注册路径和商业化质量。 平台合作：将外部模型和实验体系接入内部研发流程。平台合作通常具有多靶点、多年期和多轮数据回流特点。与单一项目授权相比，平台合作更强调持续生成候选物、迭代模型、共享实验结果和建立跨项目复用能力。罗氏/基因泰克与Recursion的合作属于典型平台型合作。罗氏披露，该合作利用Recursion的技术平台，并结合罗氏和基因泰克的单细胞数据生成与机器学习能力，用于发现新的药物靶点，并推进神经科学和特定肿瘤方向的小分子药物开发。艾伯维与BigHat Biosciences的合作也具有平台特征。BigHat披露，双方将利用其机器学习引导的Milliner平台和高速湿实验能力，发现面向肿瘤和神经科学的下一代治疗性抗体。平台合作的关键在于药企能否把外部模型、实验数据和内部药物化学、生物学、转化医学、临床开发流程相结合。 内部能力建设：数据、算力、模型治理和合规体系。内部能力建设是大型药企AI布局中最容易被低估的一环。没有高质量历史数据、实验数据标准化、模型验证流程和合规治理，外部平台合作很难规模化复制。礼来的TuneLab体现了内部能力外溢的趋势。礼来披露，TuneLab向部分生物技术公司开放由Lilly多年研发数据训练的AI/ML模型，首批模型背后的专有数据获取成本超过10亿美元；平台采用联合学习方式，使合作方可以利用模型能力，同时避免直接暴露自身或礼来的数据。FDA草案指南强调，AI模型可信度评估必须围绕明确使用场景展开，并根据模型输出对监管决策的影响程度决定验证要求。因此，内部模型治理将成为大型药企未来AI应用能否进入注册、质量和临床决策流程的基础条件。 6.2.Top 10药企AI辅助研发布局总览 6.3.AI巨头在制药领域的布局 头部科技公司正凭借算力、基础模型与数据生态进入AI制药领域，参与环节涵盖算力基础设施、生物模型平台、药物设计工具与自研药物管线。 6.3.1.英伟达（NASDAQ: NVDA）：通过算力与BioNeMo平台构建AI制药基础设施 英伟达是全球领先的AI计算平台公司，核心定位是通过GPU加速计算、生物基础模型与实验室数据闭环，为AI制药行业提供基础设施。2023年7月，英伟达向Recursion投资5000万美元，并围绕AI药物发现软件开展合作；Recursion随后依托英伟达算力构建BioHive-2超级计算机，作为其Recursion OS平台“数据、模型、算力”三大支柱中的算力基础设施。 技术平台以BioNeMo为核心：BioNeMo是英伟达的生物模型开发平台，覆盖蛋白质结构、RNA结构与分子设计等模型，并配套BioNeMo Agent Toolkit等工具，支持生物基础模型的训练、优化与部署；Chai Discovery、Dyno Therapeutics、Terray Therapeutics、OpenFold、Basecamp Research、Apheris等公司均在平台上训练或部署模型。英伟达以DGX/HGX等加速计算硬件和CUDA生态为底层支撑，形成“算力+模型+数据”的完整工具链。 核心布局与合作进展： （1）2023年7月投资Recursion 5000万美元并开展AI药物发现合作，双方围绕英伟达算力与Recursion生物学数据构建AI药物发现平台。 （2）2026年1月，英伟达在JPM医疗健康大会宣布BioNeMo平台获得生命科学行业广泛采用，并与礼来共建AI联合创新实验室，计划五年内投入最高10亿美元，用于人才、基础设施与Vera Rubin等下一代算力架构。 BioNeMo通过“lab-in-the-loop”工作流连接实验数据与模型迭代，将实验数据转化为可用于AI训练的结构化信号。 核心技术平台： （1）BioNeMo开放平台：提供蛋白、RNA与分子设计模型，支持生物基础模型训练、优化与部署。 （2）Agent Toolkit与工具链：以AI智能体方式连接文献、实验数据与模型，支持科学发现工作流自动化。 （3）算力与数据基础设施：DGX/HGX加速计算、CUDA生态与BioNeMo数据预处理库共同构成AI制药的底层算力平台。 6.3.2.Google/Alphabet（NASDAQ: GOOGL）：从AlphaFold到Isomorphic Labs的AI药物设计布局 Alphabet是全球领先的科技集团，通过Google DeepMind与Isomorphic Labs进入AI制药领域，核心定位是从科研工具（AlphaFold）延伸至端到端AI药物设计（IsoDDE与药物管线）。Alphabet与Google首席执行官为Sundar Pichai，Google DeepMind与Isomorphic Labs由Demis Hassabis创立并领导。 技术平台以AlphaFold与IsoDDE为核心：Google DeepMind于2020年推出AlphaFold 2，实现蛋白质结构高精度预测；2024年5月，DeepMind与Isomorphic Labs联合发布AlphaFold 3，将预测范围扩展至蛋白-DNA-RNA-配体等复合物，蛋白质-配体相互作用预测精度较现有方法至少提升50%，并同步推出免费AlphaFold Server。2026年2月，Isomorphic Labs发布AI药物设计引擎IsoDDE，公司披露其在最具挑战性体系上的预测精度较AlphaFold 3提升一倍以上，抗体-抗原高保真预测精度提升2.3倍，Nature杂志称其为“AlphaFold 4”级别的进展。 核心布局与合作进展： （1）Isomorphic Labs成立于2021年，由Demis Hassabis创立，专注以AI进行药物设计。 （2）2024年1月，Isomorphic Labs与礼来、诺华签订AI药物设计合作协议，潜在总金额接近30亿美元，其中首付款8300万美元、里程碑付款29亿美元。 （3）2026年5月，Isomorphic Labs完成21亿美元B轮融资，由Thrive Capital领投，Alphabet/GV、MGX、Temasek等参与，累计融资约27亿美元，公司正在将IsoDDE应用于多个药物设计项目并推进候选药物管线。 核心技术平台： （1）AlphaFold结构预测：AlphaFold 2与AlphaFold 3提供蛋白质及生物分子复合物结构预测，AlphaFold Server面向科研社区免费开放。 （2）IsoDDE药物设计引擎：面向难成药靶点的蛋白-配体、抗体-抗原预测，公司披露其在高难度体系上较AlphaFold 3显著提升。 （3）合作管线与自研药物设计：Isomorphic Labs以IsoDDE服务礼来、诺华等药企合作，同时推进内部候选药物项目。 6.3.3.AMD（NASDAQ: AMD）：以高显存GPU与开放软件栈切入生命科学算力 AMD是半导体计算平台公司，核心定位是以Instinct GPU、EPYC CPU与ROCm软件栈提供差异化算力，在AI制药领域主要作为算力基础设施提供商切入。 技术平台以“GPU+CPU+开放软件栈”为核心：AMD Instinct MI300X GPU具备192GB高带宽内存与5.3TB/s内存带宽，适合承载大规模蛋白质语言模型与分子模拟任务；EPYC处理器用于数据准备、评分与高通量CPU筛选；ROCm作为开放软件栈支持主流AI框架与生物计算工具，形成完整算力方案。 核心布局与合作进展： （1）代表案例为MindWalk（原BioStrand）：其在Vultr云上基于MI300X与EPYC运行LENSai平台，蛋白语言模型embedding吞吐提升约70%，RAG文献挖掘成本下降约39%。 （2）免疫原性筛查约4.5小时完成17万对抗体配对，对比此前平台估测的145天，体现高通量抗体筛选场景下的算力优势。 （3）2026年7月，MindWalk在AMD Advancing AI大会公开演示ReefIQ药物发现平台，展示AI药物发现工作流在AMD算力上的落地。 核心技术平台： （1）Instinct MI300X：192GB高带宽内存与5.3TB/s内存带宽，支撑大型蛋白模型与分子模拟训练。 （2）EPYC处理器与ROCm软件栈：承担高通量CPU筛选与数据预处理，并以开放软件栈降低部署门槛。 （3）生物计算应用案例：以MindWalk/ReefIQ为代表，覆盖蛋白语言模型、文献挖掘、抗体筛选与免疫原性评估。 6.3.4.Anthropic：大模型、科研工作台与自研管线的组合布局 Anthropic是AI模型公司，核心定位是以大模型能力为基础，通过Claude Science科研工作台、AI for Science资助计划与内部药物发现项目进入制药领域，首席执行官为Dario Amodei。 技术平台以Claude大模型与Claude Science工作台为核心：2026年6月30日，Anthropic发布Claude Science科研工作台，集成基因组、单细胞、蛋白质组与化学信息学工作流，接入60余个科学数据库，可原生渲染蛋白与分子结构，并支持HPC算力调度，面向科研与药企用户开放。 核心布局与合作进展： （1）2026年6月30日，Anthropic宣布启动内部药物发现项目，聚焦传统药企投入较少的被忽视疾病。 （2）Claude Science早期用例包括Manifold Bio的组织靶向药物开发、Allen Institute的文献综述与UCSF的胶质瘤研究等。 （3）2026年7月20日，Anthropic推出AI for Science罕见病研究资助计划，单个项目最高提供5万美元Claude credits，并与Monarch Initiative等机构合作，覆盖药物重定位、变异分类和监管文件辅助等场景。 核心技术平台： （1）Claude模型能力：以通用大模型为基础，支持生物医学文献分析、序列与分子数据理解。 （2）Claude Science科研工作台：连接60余个科学数据库，支持多组学分析、分子结构渲染与HPC算力调度。 （3）AI for Science与自研药物项目：通过科研资助与内部药物发现项目，探索AI原生的药物开发流程。 7.风险提示 临床进展不及预期风险、监管和模型可信度风险、数据壁垒、数据质量和隐私风险、算力与模型成本风险、合作整合风险、融资断裂风险等。 资料来源：东北证券 请务必阅读正文后的声明及说明 报告发布时间：2026-08-12 发布报告机构：东北证券股份有限公司 相关报告：《中报业绩催化板块回暖，把握CXO和AI制药的产业化机遇》--20260810 报告作者： 证券分析师：叶菁 执业证书编号：S0550524040003 证券分析师：文将儒 执业证书编号：S0550524100005 wenqr@nesc.cn yejing@nesc.cn 证券分析师：古翰羲 执业证书编号：S0550524080002 研究团队简介

点击蓝字,立即关注 FOLLOW US 上周在旧金山举办的 AMD Advancing AI 2026 大会上，出现了一个少见的场面：在 AMD Instinct GPU 的四个定制演示案例中，有一家 AI 制药公司登台亮相——MindWalk Holdings（NASDAQ: HYFT），全球首次公开演示了其面向药物研发的"生物上下文层"（biological context layer）产品 ReefIQ。 一家芯片公司的大会，为什么要把舞台留给一家药企背景的 AI 公司？这背后藏着 AI 制药行业正在发生的一个重要转向。 一、AI 制药的真正瓶颈，可能不是模型 过去五年，AlphaFold 成功预测了蛋白质三维结构，让"AI 理解生物学"成为现实。但一个尴尬的事实是：药物研发机构内部的数据，远比公开数据库混乱得多。基因序列、蛋白结构、实验检测结果、多组学数据、文献、实验记录——它们散落在不同格式、不同系统、不同团队甚至不同项目的历史档案里。 MindWalk 提出的思路是：在把数据交给 AI 推理之前，先重建"上下文"。其技术体系分三层：底层的 HYFT 生物模式技术负责生物学表征（据公司披露，这是一个积累约 20 年、包含 6.6 亿个生物模式和 250 亿条关联关系的生物知识网络）；中间的 ReefIQ 把客户的研发数据接入这张网络，形成受合规管控、可检索、可追溯来源的"生物上下文层"；上层的 LensAI 再基于这些上下文执行检索、分析、靶点发现和假设生成。 换句话说，它不是再造一个大模型，而是给模型准备好"能读懂的生物学世界"。尤其值得注意的是，研发中的失败记录——阴性的实验结果、被放弃候选分子的原因——也被保留为可检索的知识，而不是封存在孤立的文件夹里。对生物医药从业者来说，这一点可能比任何算法都更有共鸣：我们扔掉最多的，恰恰是花钱买来的"此路不通"。 二、一家抗体 CRO 的转型样本 MindWalk 并非横空出世。它的前身是加拿大抗体 CRO 公司 ImmunoPrecise Antibodies（IPA）。2022 年 3 月，IPA 以约 2000 万欧元收购了比利时 AI 生物计算公司 BioStrand，获得其 HYFT 表征技术与 LensAI 平台的雏形；2025 年 9 月，公司整体更名为 MindWalk，彻底淡化 CRO 标签，转向"生物原生 AI"基础设施定位。 转型效果在最新财报中有所体现：截至 2026 年 4 月 30 日的 2026 财年，公司收入同比增长 46% 至 1556 万加元，毛利率从约 54% 提升至 59%，全年净亏损较上一财年收窄超过一半，并首次签下两份 LensAI 经常性平台收入合同。体量虽小，但它演示了一个路径：湿实验能力 + AI 计算底座，如何从"卖外包服务"转向"卖平台授权"。 三、芯片巨头为何纷纷"下场"制药 AMD 对 AI 制药的兴趣并非一时兴起。2025 年 1 月，AMD 以 PIPE（私募股权投资）方式向生成式 AI 抗体设计公司 Absci 投资 2000 万美元，Absci 同时宣布将采用 AMD Instinct 加速器和 ROCm 开源软件栈驱动其从头抗体设计模型。今年 1 月的 CES 2026 上，Absci 首席执行官 Sean McClain 登上苏姿丰的主题演讲舞台，提出一个颇具冲击力的观点：AI 与生物学结合后，生物学有望像设计 iPhone 或 GPU 一样被"精密工程化"。苏姿丰本人也多次公开表示，相信 AI 将帮助人类预测疾病、实现个性化治疗、延长健康寿命。 对芯片厂商而言，生命科学是算力需求最密集的新场景之一——生物推理涉及数亿级模式的相似性检索，天然"吃显存"；而开源软件栈意味着药企可以把数据留在自己的合规环境里。这与 NVIDIA 通过 BioNeMo 等平台布局生命科学形成了正面竞争。 四、需要泼一盆冷水的地方 热闹之外，理性仍不可少。截至目前的系统性分析显示，进入临床试验的 AI 发现候选药物在 I 期显示出较高的安全性通过率（早期分析中约 80%–90% 的 I 期成功率），但 II 期数据仍然稀少，且至今尚无完全由 AI 设计并获批上市的药物。换言之，AI 已被证明能更快、更准地找到"值得试的分子"，但临床试验这座大山，仍要靠时间翻越。 ReefIQ 这类"上下文层"产品的价值或许正在于此：它不承诺替代药物研发的科学判断，而是试图让每一次实验——包括失败的那次——都成为下一次决策的资产。当芯片、数据治理和生物知识网络真正连成一体，"开发药物像造 iPhone"或许仍是愿景，但"让每一个研发项目不再从零开始"，已经在发生。 本次培训由中国科学院人才交流开发中心主办、北京中科创嘉人力资源咨询有限公司承办。 现场参训 3680元/人 包含培训、资料、证书等费用 食宿统一安排，费用自理 线上直播 6900元/单位 包含三人名额直播码、三张结业证书 ⚡ 掌握AI制药核心技能 · 抢占数智化转型先机 扫码报名 · 获取日程 如需报名或有疑问，请扫码填写表格，而后助手程老师联系您~ 免责声明 本公众号专注收集发布全球生物医药行业资讯。本文仅作信息交流之目的，本文中所涉及的信息旨在科普，部分内容为AI生成，文中观点仅具有参考价值，不对所包含内容的准确性、可靠性或者完整性提供任何明示或暗示的保证。 参考文献： 1、MindWalk Holdings. MindWalk Showcases ReefIQ™ for AI Drug Discovery at AMD Advancing AI. Business Wire, 2026-07-23. 2、Jumper J, et al. Highly accurate protein structure prediction with AlphaFold. Nature, 2021, 596 3、583-589.: MindWalk Holdings. MindWalk Launches ReefIQ™, a Biological Context Layer for AI Drug Discovery. Business Wire, 2026-06-10. 4、H.C. Wainwright 研报及 ImmunoPrecise Antibodies 公告（2022 年 3 月收购 BioStrand，对价 2000 万欧元）. 5、MindWalk Holdings. Reports Fiscal 2026 Results: Revenue Up 46%. 公司投资者关系官网, 2026-07-22. 6、Absci Corporation. Absci and AMD Announce Collaboration and Strategic Investment. GlobeNewswire, 2025-01-08. 7、TechCrunch. CES 2026 现场报道：AMD 主题演讲实录, 2026-01. 8、Jayatunga MKP, et al. How successful are AI-discovered drugs in clinical trials? A first analysis and emerging lessons. Drug Discovery Today, 2024, 29(6): 104009. 亿药前谈 扫描二维码， 关注更多生物医药资讯

估值38亿美元，不做自营药物管线，Chai Discovery在赌什么？ 2026年7月，成立两年的Chai Discovery拿到4亿美元C轮融资，估值升到38亿美元。钱会继续投向模型、算力、数据和产品。公司没有借这笔融资搭建自己的临床管线，也没有公布一款准备亲自送进医院的候选药物。 我把 Chai 的融资公告、技术报告和创始人访谈梳理了一遍。访谈里，联合创始人 Jack Dent 说得很直白：他们从一开始就想做平台，为药企提供一套分子设计软件。与其把数亿美元花在把一款药推完临床，Chai 宁可把钱投向模型和产品，把后续重资产的开发交给合作方。 这在AI制药行业里是个很少见的选择。 多数同行都留着两手：平台可以跟药企签合同；一旦自有管线成功，又能拿到一款新药的大部分收益。Chai把后一个机会让了出去。它要证明一件更难的事：药物研发能否养活一家独立的软件公司，并且规模大到足以支撑38亿美元估值。它想卖一套分子设计软件（医药界的 Figma） Chai把自己的产品称为分子计算机辅助设计套件。科学家在三维界面中载入蛋白质，选定希望抗体结合的区域，再为模型设定约束条件：既可以要求候选分子避开相似的健康蛋白，也可以要求同一抗体识别人和实验动物体内对应的靶点。 这套界面很像 Figma、Autodesk 或 SolidWorks——只是屏幕上处理的对象从零件变成了蛋白质，背后连接的也从加工流程变成了生成模型与实验室验证。 Chai-1主要做结构预测；到 Chai-2 时，模型开始生成抗体的氨基酸序列与三维结构。研究人员给出靶点与约束，模型返回一小批候选物，实验室随后检测其结合能力、稳定性与可开发性。 Chai在2025年公布了一组颇为吸引眼球的数据：公司让 Chai-2 为52个缺少已知抗体结合物的靶点设计抗体或纳米抗体，每个靶点最多测试20个设计。公司报告的总体结合命中率为16%，一半靶点至少得到一个成功结合物；小型蛋白结合物的湿实验命中率达到68%。 后续研究又检查了88个完整单克隆抗体。Chai称，86%的设计在四项可开发性检测中仅出现零项或一项风险提示。研究人员还用冷冻电镜观察了五组抗体与抗原复合物，局部实验结构与设计达到亚埃级吻合。 这些结果均来自 Chai 主导的研究，说明模型已经能够交出值得带进实验室的候选物；但距离人体临床有效与获批上市仍有很长的路要走。药物设计确实可以少筛一些分子，但小鼠实验、湿实验和临床试验依然不可或缺。Chai押注一个独立的软件层 传统抗体发现往往从数百万甚至数十亿个候选物起步。研究人员先筛出能结合的分子，再逐一确认其结合位点、是否聚集、能否稳定生产。每一步都耗时；遇到难靶点，前一轮筛选甚至可能颗粒无收。 Chai希望把搜索空间压缩到几十个。模型按指定位置和性质生成候选物，由实验室验证；结果再回流到模型，进入下一轮迭代。计算越来越快，但湿实验仍以“周”为单位，这条反馈回路能否缩短，决定了产品是否真正好用。 要把软件生意做长久，关键在于药企是否愿意持续付费。Chai已宣布与礼来、辉瑞、诺华和 argenx 合作：辉瑞拿到 Chai-3 的早期使用权，并计划将自有数据与工作流程接入定制模型。 合作名单说明药企愿意试用，但公开材料仍未披露合同金额、续约率、平台收入与毛利率等关键指标。投资者也无从判断各家药企覆盖了多少项目、生成的候选物有多少进入临床前开发。38亿美元估值中相当一部分，仍是在给未来商业模式定价。 选择平台路线，也意味着放弃一部分潜在的巨大收益。重磅药一旦成功，最丰厚的经济回报通常属于拥有药物资产、并承担临床风险的一方。Chai希望通过更多合作项目持续收费，但单个项目的收入可能只占药物价值的一小部分。 它押注药企会把分子设计当作长期使用的软件；同时，这个市场必须容得下一家独立供应商——客户不会把所有能力都留在内部。模型需要持续领先，而定制工作也不能重到吞噬软件利润。38亿美元还不是公开市场给出的价格 Chai成立于2024年，目前是一家完成C轮融资的私营成长公司。它没有公开股票代码，也未公布IPO时间表。纳斯达克里的CHAI属于Core AI Holdings，与Chai Discovery无关。 IPO指公司首次向公众发行股票。美国公司通常会提交S-1注册文件和招股书，文件生效后完成发行，再到交易所挂牌。普通投资者随后才能在公开市场买卖。 C轮融资则是另一套定价过程：参与者更少，股份可能带有优先权和其他条款。上市公司的市值每天波动，而私募融资给出的38亿美元会一直停留在新闻标题里，直到下一次融资、股权交易或IPO才会被重新定价。 因此，Chai还不能被当作一只美股来分析。我们可以在公开市场中寻找映射，看看投资者已经如何为相似的技术和商业模式定价。四家公司，四个象限 美股里找不到一家能完整复刻 Chai 的公司。Generate Biomedicines 在生成式蛋白设计上最接近；Absci 更像它的抗体路线；Schrödinger 提供了最成熟的软件收入参照；Recursion 则走得最重——自动化实验、专有数据和临床管线都自己建。 把它们放在一起，能看到AI制药公司拿资本的四种办法。GENB把生成式设计和药物资产绑在一起 Generate Biomedicines于2026年2月登陆纳斯达克，代码GENB。公司以每股16美元发行2500万股，融资约4亿美元。这个数字恰好与Chai的C轮融资相同，但两笔资金的投向截然不同。 Generate把机器学习、大规模蛋白生产和实验测量纳入同一套迭代循环。它也和Chai一样，希望根据靶点性质生成蛋白质候选物；但公司同时推进自有临床与临床前项目。平台能力提升后，价值最终会更多沉淀在药物资产上；一旦临床数据不理想，平台叙事也会随之受挫。 因此，GENB最适合用来回答“这条技术路线能否产出真正的药”。但它无法直接提供纯软件公司该如何估值的答案。ABSI把AI抗体直接送进临床 Absci的代码是ABSI。它用生成模型设计完整抗体，再用合成生物学和湿实验生成反馈数据。这个过程和Chai的抗体设计路线很接近。 公司已经把ABS-201推进到一期和二期早期临床试验，还把ABS-202加入内部临床前管线。2026年一季度，Absci的收入只有20万美元，研发费用为1930万美元，净亏损2960万美元。临床项目正在接过公司的大部分注意力和资金。 ABSI展示了另一种选择。平台先帮公司生成候选药物，公司再亲自承担临床风险。模型的商业价值要等人体数据来验证，股价也更容易跟着一次试验结果大幅变化。 Chai正在避开这条路。它少了一次临床失败拖垮公司的风险，也拿不到自有药物成功后的完整收益。SDGR已经把研发软件卖出了收入 Schrödinger的代码是SDGR。它经营计算化学软件已有三十多年，客户包括药企、生物科技公司、材料公司和高校。公司还推进合作项目和自有药物，业务结构比Chai复杂。 这家公司提供了最有用的商业参照。2026年一季度，Schrödinger的软件收入为3560万美元，过去四个季度的年度合同价值达到2.01亿美元。公司能披露软件收入、合同价值和毛利率，投资者因此可以判断客户有没有扩大部署，软件能不能留下来。 Chai将来如果上市，市场也会追问这些数字。药企签过几个名字很响的合作只是开始。合同规模、续约率、客户集中度和部署深度，才会决定它能否获得软件公司的估值方式。 SDGR也提醒投资者，药物研发软件很难彻底离开药物资产。Schrödinger仍然从合作里拿里程碑收入，也保留自有和共同创建的项目。Chai的路线比它更纯，公开市场还没有验证过这种纯度能值多少钱。RXRX把整条研发链都搬进公司 Recursion的代码是RXRX。它建设自动化生物和化学实验室，积累大规模专有数据，再用模型寻找靶点、设计分子并推进临床开发。公司既有自营项目，也有与罗氏、基因泰克和赛诺菲等伙伴推进的项目。 这条路线非常重。2026年一季度，Recursion持有6.652亿美元现金，当季收入650万美元，净亏损1.175亿美元，经营活动使用现金8110万美元。公司给出的研发目标横跨生物学发现、化学设计和临床开发。 RXRX想把更多环节留在内部，花钱的地方也更多。Chai把临床开发交给药企，组织可以小得多，资本主要投入模型、算力、产品和必要的实验验证。 两家公司都相信数据和实验反馈会让模型变好。RXRX靠自建实验室积累数据，Chai更多依赖自身研究和合作项目。合作方的专有数据能否反过来改善通用模型，取决于合同里的数据权利，公开资料还没有给出答案。Chai需要交出一套新的财务证明 四家公司已经把市场的问题摆在台面上。 GENB和ABSI需要用临床项目证明模型确实能“做出药”；RXRX还得证明重资产平台能把现金消耗控制在可持续范围内；SDGR则已经拥有可追踪的软件收入，同时保留药物项目带来的额外收益。 Chai选择的是一条公开市场仍不熟悉的路。它想保住软件公司的资本效率，却又必须应对生物研发里大量定制、保密与实验协作的现实：药企不会轻易交出未公开靶点和内部数据，计算环境需要隔离，每家公司也有自己的实验流程。GPU账单和湿实验成本，也不会因为产品看起来像Figma就自动消失。 未来判断Chai值多少钱，可以盯住几件具体的事：头部药企会不会续约并扩大使用范围；平台收入增速能否跑赢计算与实验成本；合作项目中是否有候选物进入临床前开发。公司还需要解释清楚，定制模型的数据权利归谁，通用模型又能从客户项目中“学到”多少。 公开市场最喜欢能持续核对的数字。Chai目前能拿出的证据主要来自融资、合作名单和公司主导的实验。它离IPO还有多远，我们不得而知；C轮也不会自动等同于“上市前融资”。这场赌局最后由谁来结账 Chai没有把钱押在某一款药上，而是押在一套分子设计平台上：希望科学家未来像使用工业设计软件那样使用它。每一次设计进入实验，结果再回流到下一轮迭代。 这条路让Chai避开了最昂贵的临床开发，也把问题集中到商业模式上：药企愿意为模型付多少钱、会用多久、项目成功后又愿意分给平台多少收益——这些数字将逐步取代今天的融资估值。 GENB、ABSI、SDGR和RXRX已经走在四条不同的路上。Chai选了其中最轻的一条，也选了一条缺少公开市场样本的路。 38亿美元买下的，仍是一份尚未完成的证明。 Photo by Lucas Vasques on Unsplash资料来源 Chai Discovery的C轮融资公告 Chai Discovery创始人谈平台路线 Chai-2早期实验结果 Chai-2完整抗体与结构结果 Chai Discovery与辉瑞的合作公告 美国SEC对IPO流程的说明 Generate Biomedicines的IPO招股书 Absci的2026年一季度业务更新 Schrödinger的2026年一季度业务更新 Recursion的2026年一季度业务更新