推广 热搜： 采购方式甲带滤芯带式称重给煤机气动隔膜泵减速机型号无级变速机链式给煤机履带减速机

AI新药研发的分化和行业趋势

日期：2026-02-24 19:36:35 来源：网络整理作者：本站编辑评论：0

AI新药研发的分化和行业趋势

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。

打赏

更多>同类资讯

0 条相关评论

推荐图文

推荐资讯

点击排行