30亿美元估值的Pathos AI，揭开了AI制药的“下半场真相”

01

17个月估值翻倍，这家AI公司不做“造分子”的生意

2026年10月，美国AI生物技术公司Pathos AI完成了2.37亿美元的E轮融资，领投方是制药巨头百时美施贵宝（BMS），投后估值达到30亿美元。距其3.65亿美元的D轮融资仅过去17个月，估值几乎翻了一番。

如果只看融资消息，很容易把它和过去十年靠生成式AI设计新药出圈的公司混为一谈。但翻开Pathos的管线页面和技术白皮书会发现，其核心武器是一套由算法模块和AI智能体构成的决策系统，而不是用AI设计候选分子或进行蛋白质结构预测。这套系统回答的是新药研发中最烧钱、也最残酷的几个问题：

一个在早期临床中已陷入停滞的分子，到底该放弃还是换个思路重新尝试；哪一类患者才是这个药真正能发挥疗效的人群；在几十个联合用药组合中，哪几个值得优先投入临床试验资源。

Pathos创始人Eric Lefkofsky同时也是肿瘤数据公司Tempus的创始人，从成立之初，这家公司的基因就刻着“数据”二字。它接手的管线，无论是从诺和诺德买来的CBP/p300抑制剂，还是从康宁杰瑞引进的双抗ADC，都是别人做到一半、遇到瓶颈的成熟资产。它的任务是给这些老资产找到新方向。这不是Pathos一家的选择，全球范围内AIDD（AI药物设计）的热点已转向利用多模态数据和AI算法加深对疾病机制的理解，最终帮助药企提高临床成功率。

过去十年，AI制药的故事讲的是如何更快地造出一个分子；而现在，这些公司讲的是如何让造出的分子真正在临床试验中成功。后者不像AIDD的逻辑那样直白，却切中了新药行业最大的痛点：进入临床的候选药物，90%以上最终都失败了。

02

上半场的幻觉：速度提上来了，然后呢？

要理解这个新赛道的价值，得先回顾过去十年AI制药的核心局限。

从2012年深度学习浪潮兴起，到AlphaFold将蛋白质结构预测的准确率提升到90%以上，再到生成式AI将从头设计分子的时间从几年压缩到几个月，整个行业的叙事一直围绕“效率”展开：更快地筛选分子、更快地优化结构、更快地推进早期发现。

这条路确实跑出了一批公司：英矽智能将AI设计的分子推进到II期临床，Isomorphic Labs拿到了辉瑞、诺华数十亿美元的合作合约。不可否认，AI确实将早期发现环节的效率提升了一个量级——虚拟筛选将实验量压缩了数倍，分子生成将结构优化的周期从年级别拉到了月级别，成药性预测让早期淘汰率更低。

但一个残酷的事实始终未变：进入临床试验的候选药物，依然有90%以上最终失败。 根据《Nature Reviews Drug Discovery》的长期统计，临床失败中60%以上源于疗效不足，剩下的则来自安全性问题、患者招募偏差或错误的临床策略。

更值得深思的是，这些失败中，绝大多数不是因为分子本身成药性差。很多分子在细胞实验、动物模型中都表现完美，一到临床就翻车，原因往往出在研发决策上：

● 选了一个其实不驱动疾病进展的靶点，做了十年才发现是伴随现象，而非核心机制； ● 选了泛人群的适应症，结果真正获益的只占患者的10%，导致整体试验结果不显著； ● 没有搞清楚耐药机制，盲目推进单药治疗，入组的患者中大部分早已对这条通路耐药； ● 临床方案设计错了线序，在已经无药可用的终末期患者中做试验，当然看不到疗效。

这些决策失误带来的损失是天文数字。一款药物从I期推进到III期，平均投入超过10亿美元；一次关键临床失败，损失的不仅是几亿美金，还有三四年的时间窗口和团队士气。而早期发现环节靠AI省下的那点成本，在一次临床失败面前不值一提。

行业慢慢回过味来：新药研发最大的浪费，从来不是发现阶段慢了几个月，而是临床阶段走错了方向。当分子生成的效率问题被逐步解决，行业的核心矛盾早已改变——从“怎么更快找到候选分子”，变成了“怎么让候选分子更大概率在临床中成功”。

要解决这个问题，你需要的是对疾病生物学更深的理解。这就是新赛道崛起的底层逻辑。

03

新物种画像：不卷分子设计，只做“疾病的解码器”

这些新崛起的公司，和传统AIDD企业放在一起对比，差异是刻在骨子里的。

1

三个本质区别

说得直白点：传统AIDD帮药企“更快地做药”，而新赛道的公司帮药企“做对的药”。前者是提升效率的工具，后者是参与决策的伙伴。

2

Pathos是怎么把这套逻辑跑通的

Pathos的核心平台叫Foundry，它是一套多智能体协同的决策系统——数千个专业AI智能体分工合作，分别负责资产筛选、临床价值评估、竞争格局分析、试验设计优化等不同任务，模拟一个完整的研发团队的工作流。

这种架构选择本身就是一种态度：新药研发决策太复杂了，没有任何一个通用大模型能搞定所有问题；就像人类研发需要跨部门专家协作一样，AI也需要不同专长的智能体配合，才能做出靠谱的决策。

讲两个真实案例，看懂这套系统到底创造了什么价值。

■ 案例一：把一个停滞的项目，从“死局”拉回牌桌

CBP/p300抑制剂pocenbrodib最早是诺和诺德开发的，代号FT-7051。它的I期临床（COURAGE研究）从2021年开始，仅入组了5例患者就几乎停滞——泛mCRPC人群里看不到明确的疗效信号，项目成了食之无味弃之可惜的鸡肋。

Pathos在2024年接过这个项目的全球权益后，没有急着加样本量接着做，而是先停下来用概率因果模型重新解析了前列腺癌的耐药机制。

Pathos的模型在大规模真实世界患者队列里做了分层量化分析：结果发现，经过AR靶向治疗、再经过Pluvicto（PSMA核素治疗）进展、但还没接受化疗的人群，CBP/p300通路的活性是所有治疗阶段里最高的——这些患者被双重治疗压力筛选，肿瘤生存高度依赖CBP/p300同时支撑AR信号和DNA损伤修复。

基于这个量化结论，Pathos把原来的泛人群单药试验，彻底重构成了精准的1b/2a期研究：人群直接聚焦“Pluvicto进展后、紫杉前”的未满足需求人群；试验拆成多个联合队列，覆盖联合AR抑制剂、PARP抑制剂、PSMA放疗等几个模型算出的高协同组合；同时用数据审查委员会逐臂做安全门控，控制风险。

需要澄清一个常见的误解：Pathos并不是“发现”了CBP/p300调控AR-V7这个新机制——这个机制学术界早有共识，谁都知道CBP/p300是AR的共激活因子，也知道它参与DNA损伤修复。真正的问题是，人类专家知道“大概方向是对的”，但回答不了几个决定项目生死的量化问题：

● 不同治疗线的患者里，到底哪个人群对这条通路的依赖性最强？ ● 这么多潜在的联合用药方案，哪几个协同效应最强，值得优先投入？ ● 试验要怎么设计，才能在最短时间内看到疗效信号？

■ 案例二：给ERα PROTAC找对获益人群

另一个项目是和阿斯利康合作的ERα PROTAC药物AZD4241，用于治疗雌激素受体阳性乳腺癌。

内分泌治疗耐药是这个领域的核心痛点，其中ESR1基因突变是耐药的主要机制，但ESR1不是一个单一突变——不同位点的突变，比如Y537S、D538G，对不同药物的敏感性差异极大。此前的临床开发往往把所有ESR1突变混为一谈，导致有效率被稀释。

Pathos的多组学模型整合了大规模真实世界ER+乳腺癌患者的治疗数据，系统解析了不同ESR1突变亚型的分子特征、预后差异和药物响应规律，找出了最可能对PROTAC降解治疗获益的患者亚群，为后续临床的患者分层提供了直接依据。这也是为什么阿斯利康愿意把这个管线的早期开发权交给Pathos——他们需要有人帮他们把“哪类患者最可能获益”这个问题算清楚。

04

技术的真正门槛：为什么因果推断是刚需？

你可能会问：这些分析不就是组学数据分析吗？传统生物信息学公司也在做，区别到底在哪？

核心区别就两个字：因果。

过去几十年的组学研究，不管是用传统统计方法还是传统机器学习，本质上都是在做相关性挖掘：找差异表达基因，找突变和疗效的关联，找表达量和预后的关系。但相关性不等于因果性——两个变量高度相关，可能是互为因果，可能是被第三个因素共同影响，甚至可能只是随机巧合。

基于相关性找到的靶点和标志物，在后续验证里往往会翻车。比如某个基因高表达和预后差相关，但它可能只是肿瘤增殖快带来的结果，不是驱动肿瘤生长的原因；你去抑制这个基因，根本改变不了肿瘤进程。行业里大量发在高分论文上的“明星标志物”，最后走到临床就失败，核心原因就是把相关性当成了因果性。

而新药研发的关键决策，恰恰需要因果性：

● 判断一个靶点成不成药，你需要知道“干预这个靶点，能不能真的改变疾病进程”； ● 判断一个标志物能不能用，你需要知道“它是不是药物起效的必要条件”； ● 判断一个联合方案值不值得做，你需要知道“两个靶点的通路之间，是不是真的有协同机制”。

这就是为什么这些“生物学理解派”公司，都把因果推断作为技术底座。

一个更典型的案例来自insitro。他们做肌萎缩侧索硬化（ALS）这个罕见病领域——之前几十年里，学界只知道少数几个致病基因，绝大多数散发病例的驱动机制根本搞不清楚，新药研发一直停滞。

insitro搭了一套因果生物学平台：用iPSC诱导出运动神经元细胞，做大规模CRISPR功能基因组筛选，再结合机器学习构建细胞分子网络，从海量的基因表达变化里，找出真正驱动疾病进展的因果基因。这套方法在2024-2026年，连续给BMS发现了3个全新的ALS治疗靶点，其中第一个靶点触发了2500万美元的里程碑付款，整个合作的潜在总价值超过20亿美元。

这种研究的价值，是真的从数据里找到了人类此前不知道的疾病驱动原因——这才是“AI深化生物学理解”的真正分量。

为什么纯靠人类专家做这个事这么难？因为太复杂了。一个疾病背后是几百个基因、几十条通路的相互作用，人类专家只能基于自己熟悉的几条通路做判断，很容易被已有认知框架框住；而因果模型是无偏的全局扫描，它不会预设哪个通路重要，而是从数据里真的算出哪些是真正的驱动节点。

05

因果推断的技术体系

随着多组学、真实世界数据与AI技术的爆发，行业正在经历一场从“相关性挖掘”到“因果性推断”的底层范式转移。孟德尔随机化、结构因果模型、潜在结果框架、因果机器学习等工具，不再只是统计学家的理论游戏，而成为该赛道企业提升研发成功率的核心技术底座。这场范式转移的核心目标，是回答药物研发最本质的问题：如果我们干预这个靶点，患者的结局会发生什么改变？

1

相关性的尽头：新药研发的因果赤字

传统药物发现的起点高度依赖关联分析：从GWAS找到与疾病相关的基因位点，从转录组数据找到差异表达基因，从临床数据找到与疗效相关的生物标志物。但关联不等于因果，这一统计学常识在生物医药领域造成了巨大的研发浪费。

■ 关联分析的三重陷阱

第一重陷阱是“混杂偏倚”。多组学数据中存在大量共同影响暴露与结局的混杂因素：比如某基因表达升高与肿瘤预后差相关，但可能只是肿瘤恶性程度的伴随结果，而非驱动因素；炎症因子水平升高与自身免疫病相关，但可能是免疫激活的下游产物，而非致病根源。传统差异分析无法区分“因”与“果”，更无法剥离混杂变量的干扰。

第二重陷阱是“反向因果”。疾病状态本身会改变分子标志物水平，而非相反。例如多项观察性研究显示低维生素D与多种疾病风险相关，但后续随机对照试验（RCT）证实补充维生素D几乎没有获益——本质是疾病导致维生素D水平下降，而非维生素D缺乏导致疾病。这种反向因果在靶点发现中屡见不鲜，大量基于差异表达筛选的靶点最终在临床中失效。

第三重陷阱是“水平多效性”。这在遗传研究中尤为突出：一个基因变异可能通过多条独立通路影响疾病，而非仅通过我们关注的靶点蛋白发挥作用。如果误将遗传关联全部归因于单个靶点，就会高估靶点的因果效应，最终导致临床失败。已有研究证实，具有人类遗传学因果支持的靶点，临床成功率是无遗传支持靶点的2倍以上，但传统关联分析无法提供这种因果证据。

■ 多组学时代的因果悖论

多组学技术的普及本应加深我们对生物学的理解，却在某种程度上加剧了因果困境：基因组、转录组、蛋白质组、代谢组、表观组、影像组、临床组的数据维度呈指数级增长，变量之间的关联数量爆炸式增加，但真正的因果关系依然稀疏。当我们可以轻易找到上万个与疾病相关的分子特征时，筛选出真正具有干预价值的因果驱动因子反而变得更难——信噪比不是提升了，而是下降了。

药物研发的本质是一项干预科学：我们投入数十亿美元，最终是为了验证“抑制靶点X→改善疾病Y”这一因果命题。如果上游发现阶段只能提供相关性证据，整个研发链条就建立在松软的地基上。这正是因果推断从统计理论走向产业核心的根本动因：它提供了一套从观测数据中估计干预效应的严谨框架，让我们在进入昂贵的临床实验之前，就能对靶点的因果价值做出量化评估。

2

生物医学因果推断的技术工具箱

因果推断并非单一算法，而是一套包含经典统计方法与现代机器学习的完整技术体系。针对生物医药数据的特点，四类工具构成了当前产业应用的核心支柱，分别对应不同的数据场景与研发环节。

■ 孟德尔随机化：人群中的天然随机对照试验

孟德尔随机化（Mendelian Randomization, MR）是目前靶点因果验证最成熟、应用最广泛的方法，其核心思想是利用遗传变异作为天然的工具变量，模拟随机对照试验的分组效应。

由于减数分裂过程中等位基因遵循孟德尔定律随机分配，携带不同基因型的人群在出生时就相当于被“自然随机分组”：携带高表达等位基因的群体，终身暴露于更高的靶点蛋白水平；携带低表达等位基因的群体则相反。如果两组人群的疾病风险存在显著差异，且遗传变异仅通过靶点这一通路影响疾病，那么我们就可以推断靶点表达与疾病之间存在因果关系。

在产业实践中，MR通常与eQTL（表达数量性状位点）、pQTL（蛋白数量性状位点）数据结合，形成完整的靶点因果验证流程：首先筛选出调控靶点表达的遗传变异作为工具变量，然后基于大规模GWAS数据估计这些变异与疾病结局的关联，最终通过逆方差加权（IVW）、加权中位数、MR-Egger等方法计算靶点对疾病的因果效应值，并通过异质性检验、多效性检验（如MR-PRESSO）排除无效工具变量的干扰。

MR的价值已被行业广泛验证：一项覆盖已上市药物的研究显示，MR分析能够正确识别84%的已验证药物靶点的因果方向，其预测的靶点效应强度与临床疗效高度相关PMC。但MR也存在明确局限：它只能提供群体层面的平均因果效应，无法揭示细胞类型特异性的作用机制，也难以处理复杂的通路调控关系，因此通常作为靶点验证的第一道门槛，而非完整的生物学理解工具。

■ 结构因果模型与图网络：机制层面的因果推理

如果说MR回答了“靶点是否与疾病有因果关系”，那么结构因果模型（Structural Causal Model, SCM）与因果图则进一步回答了“为什么存在因果关系”。

结构因果模型用有向无环图（DAG）表示变量之间的因果关系，节点代表分子、细胞或临床变量，边代表直接的因果作用，并通过结构方程定义变量之间的函数关系。基于这一框架，研究者可以使用do-calculus（do演算）严格计算干预效应：通过“do操作”固定某个变量的值（如模拟敲低某个基因），然后计算下游结局变量的分布变化，从而在计算层面模拟药物干预的效果arXiv。

在生物医药场景中，因果图通常与生物网络深度结合：基因调控网络、信号通路网络、细胞互作网络本质上都是因果结构的先验知识。研究者可以结合多组学数据与已知生物学知识，通过因果发现算法从数据中学习网络结构，再通过后门调整、前门调整等方法校正混杂，最终得到可干预的因果网络模型。

这一方法的核心优势在于可解释性与机制性：它不仅能预测干预的结果，还能展示完整的因果路径，解释靶点通过哪些中间分子、哪些细胞类型、哪些通路影响疾病。对于药物研发而言，这种机制层面的理解是规避脱靶毒性、设计联合用药、拓展适应症的关键基础。

■ 潜在结果框架：真实世界数据的干预效应估计

潜在结果框架的经典统计实现是Rubin因果模型（Rubin Causal Model, RCM），其核心逻辑是：每个个体都存在两种潜在结局——接受干预的结局与不接受干预的结局，因果效应就是这两个结局的差值。由于现实中我们只能观测到其中一种结局，因此需要通过统计方法构造反事实，估计平均干预效应。

在药物研发的临床阶段，潜在结果框架应用极为广泛：从真实世界数据中评估药物在不同亚群的疗效，通过倾向得分匹配、逆概率加权等方法校正治疗组与对照组的基线混杂，模拟RCT的效果；在临床试验设计中，利用因果方法筛选最可能获益的患者人群，提升试验成功率；在上市后研究中，估计药物在真实临床实践中的实际获益与风险。

随着真实世界数据规模的扩大，潜在结果框架的价值日益凸显。传统统计方法只能证明“用药与疗效相关”，而因果推断可以回答“这种药在多大程度上导致了疗效提升”，以及“哪些患者用药后会真正获益”。这正是精准医疗的核心命题。

■ 因果机器学习：高维组学数据的因果突破

传统因果方法通常只能处理数十至数百个变量，面对动辄上万个特征的多组学数据往往力不从心。因果机器学习的出现填补了这一空白，它将因果约束融入深度学习模型，在高维数据中实现因果发现与效应估计。

典型方向包括因果图神经网络（Causal GNN），它以基因调控网络或蛋白互作网络为骨架，通过图神经网络学习结构方程，同时利用注意力机制识别核心因果通路；反事实深度学习模型则可以在单细胞层面模拟基因扰动后的表达变化，预测药物干预的细胞表型效应。

因果机器学习的另一重要价值是去混杂：通过表示学习将高维多组学数据映射到