2026年10月，美国AI生物技术公司Pathos AI完成2.37亿美元E轮融资，百时美施贵宝（BMS）领投，投后估值达30亿美元。距其3.65亿美元D轮融资仅17个月，估值几近翻番。
单看融资消息，容易将其与过去十年借助生成式AI设计新药并因此出圈的公司相混淆。但查阅Pathos的研发管线和技术白皮书会发现，其核心是一套由算法模块和AI智能体构成的决策系统，而非用AI设计候选分子或预测蛋白质结构。这套系统旨在解决新药研发中成本最高、风险最大的几个问题：一个在早期临床阶段停滞的分子，是应放弃还是换思路重做；哪类患者才是该药真正有效的群体；联合用药的数十个组合中，哪些值得优先投入临床试验资源。
Pathos创始人Eric Lefkofsky也是肿瘤数据公司Tempus的创始人，公司自成立起便深植数据基因。其接手的管线，无论是从诺和诺德购得的CBP/p300抑制剂，还是从康宁杰瑞引进的双抗ADC，均为他人开发至中途、遭遇瓶颈的成熟资产。其任务是为这些旧资产找到新方向。这并非Pathos独有选择，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算法深化对疾病机制的理解，最终助力药企提升临床成功率。
过去十年，AI制药的故事围绕如何更快制造分子展开；如今，这些公司讲述的是如何让制造出的分子在临床试验中真正成功。后者虽不如AIDD逻辑直白，却切中新药行业最大痛点：进入临床的候选药物，90%以上最终失败。
要理解这一新赛道的价值，需先回顾过去十年AI制药的核心局限。
自2012年深度学习浪潮兴起，到AlphaFold将蛋白质结构预测准确率提升至90%以上，再到生成式AI将从头设计分子的时间从数年压缩至数月，整个行业的叙事始终围绕“效率”展开：更快筛选分子、更快优化结构、更快推进早期发现。
这条路径确实催生了一批公司：英矽智能将AI设计的分子推进至II期临床，Isomorphic Labs与辉瑞、诺华达成数十亿美元合作协议。不可否认，AI确实将早期发现环节的效率提升了一个量级——虚拟筛选大幅压缩实验量，分子生成将结构优化周期从年降至月，成药性预测降低了早期淘汰率。
但一个残酷事实始终未变：进入临床试验的候选药物，仍有90%以上最终失败。据《Nature Reviews Drug Discovery》长期统计，临床失败中60%以上源于疗效不足，其余来自安全性问题、患者招募偏差或错误临床策略。
更值得深思的是，这些失败中，绝大多数并非因分子本身成药性差。许多分子在细胞实验、动物模型中表现完美，一到临床便失败，原因常出在研发决策上：
这些决策失误带来的损失巨大。一款药物从I期推进至III期，平均投入超10亿美元；一次关键临床失败，损失的不仅是数亿美元，还有三四年时间窗口和团队士气。而早期发现环节靠AI节省的成本，在临床失败面前微不足道。
行业逐渐意识到：新药研发最大的浪费，并非发现阶段慢了数月，而是临床阶段走错了方向。当分子生成效率问题逐步解决，行业核心矛盾已变——从“如何更快找到候选分子”，转为“如何让候选分子更大概率在临床中成功”。解决此问题，需对疾病生物学有更深理解。这正是新赛道崛起的底层逻辑。
这些新崛起的公司与传统AIDD企业相比，差异深刻。
1. 三个本质区别
（图片略）
直白地说：传统AIDD帮药企“更快地做药”，而新赛道公司帮药企“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如何跑通这套逻辑
Pathos的核心平台名为Foundry，是一套多智能体协同决策系统——数千个专业AI智能体分工协作，分别负责资产筛选、临床价值评估、竞争格局分析、试验设计优化等任务，模拟完整研发团队的工作流。
这种架构选择本身表明一种态度：新药研发决策过于复杂，没有任何通用大模型能解决所有问题；正如人类研发需跨部门专家协作，AI也需不同专长的智能体配合，才能做出可靠决策。
通过两个真实案例可理解这套系统的价值。
■ 案例一：将停滞项目从“死局”拉回牌桌
CBP/p300抑制剂pocenbrodib最初由诺和诺德开发，代号FT-7051。其I期临床（COURAGE研究）自2021年开始，仅入组5例患者便几乎停滞——在泛mCRPC人群中未观察到明确疗效信号，项目成为鸡肋。
Pathos于2024年接手该项目全球权益后，未急于增加样本量，而是先利用概率因果模型重新解析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中进行分层量化分析，结果发现：经AR靶向治疗、再经Pluvicto（PSMA核素治疗）进展、但尚未接受化疗的人群中，CBP/p300通路活性是所有治疗阶段中最高的——这些患者经双重治疗压力筛选，肿瘤生存高度依赖CBP/p300同时支撑AR信号和DNA损伤修复。
基于此量化结论，Pathos将原泛人群单药试验彻底重构为精准的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；试验拆分为多个联合队列，覆盖联合AR抑制剂、PARP抑制剂、PSMA放疗等模型算出的高协同组合；同时利用数据审查委员会逐臂进行安全门控，控制风险。
需澄清一个常见误解：Pathos并非“发现”了CBP/p300调控AR-V7这一新机制——该机制学术界早有共识，谁都知道CBP/p300是AR的共激活因子，也知其参与DNA损伤修复。真正的问题是，人类专家知道“大概方向正确”，但回答不了几个决定项目生死的量化问题：不同治疗线的患者中，哪个人群对这条通路的依赖性最强？众多潜在联合用药方案中，哪几个协同效应最强，值得优先投入？试验应如何设计，才能在最短时间内看到疗效信号？
■ 案例二：为ERα PROTAC找到获益人群
另一项目是与阿斯利康合作的ERα PROTAC药物AZD4241，用于治疗雌激素受体阳性乳腺癌。
内分泌治疗耐药是该领域核心痛点，其中ESR1基因突变是主要耐药机制，但ESR1并非单一突变——不同位点突变，如Y537S、D538G，对不同药物的敏感性差异极大。此前的临床开发常将所有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，找出了最可能从PROTAC降解治疗中获益的患者亚群，为后续临床的患者分层提供了直接依据。这也是阿斯利康愿将该管线早期开发权交给Pathos的原因——他们需要有人将“哪类患者最可能获益”这个问题算清楚。
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，区别何在？
核心区别在于两个字：因果。
过去几十年的组学研究，无论使用传统统计方法还是传统机器学习，本质上都在做相关性挖掘：寻找差异表达基因、突变与疗效的关联、表达量与预后的关系。但相关性不等于因果性——两个变量高度相关，可能互为因果，可能受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，在后续验证中常会失败。例如，某个基因高表达与预后差相关，但它可能只是肿瘤增殖快带来的结果，而非驱动肿瘤生长的原因；抑制该基因，根本改变不了肿瘤进程。行业里大量发表在高分论文上的“明星标志物”，最终走到临床便失败，核心原因就是将相关性误认为因果性。
而新药研发的关键决策，恰恰需要因果性：判断一个靶点是否可成药，需知道“干预此靶点，能否真正改变疾病进程”；判断一个标志物是否可用，需知道“它是否是药物起效的必要条件”；判断一个联合方案是否值得做，需知道“两个靶点的通路之间，是否真有协同机制”。
这就是为什么这些“生物学理解派”公司，都将因果推断作为技术底座。
一个更典型的案例来自insitro。他们专注于肌萎缩侧索硬化（ALS）这一罕见病领域——过去几十年里，学界仅知少数几个致病基因，绝大多数散发病例的驱动机制不明，新药研发一直停滞。
insitro构建了一套因果生物学平台：利用iPSC诱导出运动神经元细胞，进行大规模CRISPR功能基因组筛选，再结合机器学习构建细胞分子网络，从海量基因表达变化中找出真正驱动疾病进展的因果基因。这套方法在2024-2026年，连续为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，整个合作潜在总价值超20亿美元。
这种研究的价值，在于真正从数据中找到了人类此前未知的疾病驱动原因——这才是“AI深化生物学理解”的真正分量。
为何纯靠人类专家做此事如此困难？因为太复杂了。一种疾病背后是数百个基因、数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，易受已有认知框架限制；而因果模型进行无偏的全局扫描，不会预设哪个通路重要，而是从数据中真正算出哪些是驱动节点。
随着多组学、真实世界数据与AI技术的爆发，行业正经历从“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：例如，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。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。
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低维空间，分离因果变量与混杂变量，从而在存在大量未知混杂的情况下依然能得到无偏的因果效应估计。这对于信噪比极低的肿瘤组学数据尤为重要。
当海外市场开始为这类“懂疾病”的AI公司给出高估值时，国内的创新生态里，一批玩家也沿着相似的逻辑扎根。它们不再将AI的能力边界局限于“分子生成”这一环节，而是将多组学数据、因果算法和临床场景结合，试图回答与Pathos一样的问题：如何用数据提升本土创新药的研发成功率。
1. 多玩家并行：从技术工具到决策平台
国内最早被大众熟知的AI制药公司，大多主打分子设计——例如英矽智能凭借生成式AI设计候选分子、推进至临床II期，是该赛道的标杆企业。但在其技术体系中，除Chemistry42这类分子设计平台外，Pandomics多组学数据平台也