一行业背景与市场机会
1.1 创新药研发持续活跃,肿瘤与化学药构成明确的应用基础
癌症仍是中国最重要的疾病负担之一。国家癌症中心与国际癌症研究机构的统计显示,2022年中国约有482.47万例新发癌症和257.42万例癌症死亡;肺癌、结直肠癌、甲状腺癌、肝癌和胃癌构成主要发病类型。[1]
疾病负担并不等于药物发现服务市场,但它解释了肿瘤为何长期是创新药研发的重要方向。
中国创新药研发活动亦保持较高水平。CDE《2024年中国新药注册临床试验进展年度报告》显示,2024年登记临床试验4,900项,其中以受理号登记的新药临床试验2,539项;1类新药试验1,735项,占新药试验的68.3%。按药物类型,化学药占55.7%;在1类创新药试验中,抗肿瘤药物占39.0%。[2]
这些数据不能直接给出“处于Hit-to-Lead阶段的肿瘤小分子项目数”,因为注册临床试验发生在更晚阶段,但能够确认两点:化学药仍是活跃的创新形式,肿瘤则是创新项目高度集中的治疗领域。因此,肿瘤小分子适合作为NextCycle AI验证需求和建立案例的首个场景,而不应被表述为已经测得的最大细分市场。
1.2 Hit-to-Lead的核心不是寻找“活性最高”的分子,而是形成可继续投资的先导系列
小分子药物发现通常依次经历:靶点发现与验证、命中物发现、Hit-to-Lead、先导化合物优化、候选药物确定、IND支持性临床前研究和临床开发。Hit-to-Lead位于命中物确认之后、系统性先导优化之前,其任务是把经过验证的命中结构发展为值得进一步投入的先导系列。[3][4]
这一阶段需要同时建立构效关系(SAR),并考察活性、选择性、理化性质、溶解度、渗透性、代谢稳定性、药代动力学、早期安全性和合成可行性。NIH《Assay Guidance Manual》明确指出,只围绕靶点活性设计类似物不足以得到适用于细胞、组织或动物模型的药物分子;有些体外活性较低的化合物,反而可能因ADME和暴露更好而具有更优的体内效果。[4]
因此,候选排序本质上是带有约束条件的多目标决策,而不是单一活性值排名。
1.3 DMTA循环造成持续的决策需求,也限定了AI的作用边界
Hit-to-Lead通常通过“设计—合成—测试—分析”(Design–Make–Test–Analyze,DMTA)反复推进。每一轮根据已有数据设计少量新分子,完成合成和实验后,再用新增结果修正构效关系、暴露风险及下一轮优先级。自动化药物化学研究同样把小分子发现描述为设计、合成、测试和数据分析组成的迭代学习过程。[5][6]
必须循环的原因有三:
- 多项性质往往相互牵制,提高活性可能同时损害溶解度、选择性或代谢稳定性;
- 模型面对新的化学骨架或稀疏数据时存在适用域限制;
- 活性、ADME、毒性和可合成性最终都需要真实实验确认。
由此形成NextCycle AI所对应的具体机会:把分散的分子及实验结果转化为结构化证据,在多个评价维度之间给出可追溯的候选优先级,并建议下一轮最具信息价值的合成和测试任务。
从可承担的辅助任务看,AI可用于数据标准化、性质预测、相似物和构效关系分析、多目标排序、合成路线辅助、异常识别及实验优先级建议。上述能力范围不等于NextCycle AI首版全部承诺交付;首版范围以第三章为准。AI不能替代化合物合成、生化与细胞实验、ADME/PK和毒理测试,也不能单独证明作用机制或决定项目继续与终止。
2026年FDA与EMA联合提出的良好AI实践原则要求明确使用情境、采用风险分级、实施数据治理和性能评估,并保留多学科专业判断与全生命周期管理。[7]因此,NextCycle AI应定位为“科学决策支持系统”:输出建议、依据、不确定性和待验证项目,由药物化学、DMPK、生物学等人员共同审核。
1.4 目标客户机会来自专业能力与固定资源之间的缺口
公开年报能够说明药物发现外包的经济逻辑。Charles River在2025年Form 10-K中披露,中型及新兴Biotech较多依赖外部合作方,以降低固定成本并取得专业能力和监管经验;其发现服务覆盖Hit-to-Lead、先导优化、计算机辅助设计以及体内外DMPK等环节。[8]药明康德2025年报也显示,市场已经存在从发现化学、生物学筛选到临床前开发的一体化外包供给。[9]
这意味着NextCycle AI并非创造一个全新的预算类别,而是拟在现有内部研发与CRO服务之间提供更轻量的决策层:客户保留项目控制和最终科学判断,同时获得数据整合、候选比较和实验规划能力。该交付方式是否真正更轻量,仍需通过接入工时、完整成本及客户体验验证。
首批客户应聚焦已经获得多个可确认hit、正在进行H2L或早期先导优化,但不希望自建完整计算化学与数据平台的肿瘤小分子团队。该客户选择是由流程需求和外包结构推导出的商业判断,实际付费意愿仍应以试点合同验证,而不是用宏观行业规模代替。
1.5 市场机会来自持续的决策需求,独立购买理由仍需验证
NextCycle AI的机会不只表现为一个市场规模数字,更来自研发流程、客户资源、技术成熟度和现有服务结构之间的匹配。现有软件和服务已经覆盖部分相关任务,因此,“尚未被充分满足”应作为待验证的客户任务判断,而非既定市场事实。
第一,H2L是持续发生的决策过程,而不是一次性计算任务。每轮DMTA都会产生新的分子与实验数据,团队需要重新判断哪些化合物值得合成、测试或停止。只要项目继续推进,多目标比较和资源排序就会反复出现。因此,产品可以围绕项目全过程持续提供价值,而非只交付一次预测结果;但持续发生的任务不自动等于持续采购。
第二,现有解决方案之间可能存在可形成差异化的决策衔接位置。企业内部团队掌握项目知识,但建设统一数据结构和专用计算能力需要持续投入;传统CRO能够完成合成、检测和综合发现服务,也可能提供分析解释;专业计算软件功能强大,同时需要相应人员操作和解释。NextCycle AI拟连接三者:读取内部数据,吸收外部实验结果,以可追溯方式比较候选,并把建议转化为下一轮可执行的实验清单。
第三,中小型Biotech具有外部能力采购基础。上市CRO公开文件显示,新兴Biotech会通过外部合作降低固定资源投入并取得专业能力。[8][9]项目级决策服务使客户不必首先建设完整的计算化学、数据工程和自动化实验体系,也符合早期研发团队按照项目配置资源的需求;具体采购适配仍需验证。
第四,技术进步使“小规模、项目专用”的AI服务更可行。AI与计算化学能够支持性质预测、相似物分析、多目标排序和实验优先级建议;实验自动化和标准化数据则有助于缩短反馈周期。[5][6]机会不在于宣称AI可以独立发现新药,而在于把模型嵌入真实DMTA流程,并持续接受实验结果校正。
第五,聚焦肿瘤小分子有利于收窄早期商业化任务。该场景同时具备较高研发活跃度、相对清晰的分子评价体系和可重复的DMTA任务。聚焦单一场景有助于NextCycle AI先建立数据模板、评价规则和可比较案例,再逐步扩展到其他治疗领域。
因此,NextCycle AI的近期市场机会可概括为:
其价值可以通过减少低优先级实验、缩短每轮决策准备时间、提高关键数据完整度和改善决策可追溯性体现。这些指标应在回顾性验证和前瞻试点中实测,不预先承诺固定提升比例。其中,减少低优先级实验需要相应前瞻或对照证据,不能仅由历史排序推算。
在后续商业验证中,市场规模测算仍可作为辅助工具。可按“符合条件的Biotech数量×每家活跃项目数×采用率×单项目服务费”建立情景,但在客户名单、项目数量、成交价格和采用率得到验证前,不宜给出确定的TAM、SAM或SOM金额。
返回封面 ↑二目标客户与需求分析
2.1 首发客户与研发决策场景
H2L位于命中物确认之后、系统性先导优化之前。项目团队需要把化合物身份、纯度和确认活性与后续结构—活性关系及药物样性质评价连接起来,并判断哪些系列值得继续投入。NIH/NCATS研发指南将命中物确认、分子类别评估、项目决策点和后续开发要求纳入早期发现流程;相关ADME/PK指南说明,先导选择不仅看体外活性,也要综合药代和其他开发性质。[3][4]这类多维评价结构要求项目团队将不同来源的证据置于可比较、可追溯的决策框架内。
首发客户按“项目状态与决策任务”筛选,而不以员工数或融资规模代替产品适配度。目标账户须通过下列必要条件:
| 筛选层级 | 可执行条件 | 筛选含义 |
|---|---|---|
| 必要条件 | 有仍在推进的肿瘤小分子H2L或早期先导项目;存在经过确认且可横向比较的化合物与实验数据;近期有下一轮候选物或实验取舍;至少有一位熟悉项目的科学人员参与审核。 | 确保有真实任务、可分析输入和责任明确的审核者。 |
| 优先加分条件 | 数据来自内部团队与一个或多个外部实验方;结果分散在不同文件或系统;多项性质之间存在明确取舍;项目负责人能安排一次基于既有流程的试点。 | 提高产品可观察价值与试点执行可能性,优先识别跨来源数据整合需求。 |
| 排除条件 | 项目暂停或只有单个未经确认hit;无近期决策;关键记录缺失到无法判断数据可比性;主要瓶颈是合成或检测能力、CRO交付周期或缺少科学审核资源。 | 项目没有足够输入或决策窗口,或瓶颈超出当前产品边界。 |
这套筛选规则把试点资源集中到决策任务清楚、输入数据可比、且科学审核者在场的H2L项目。没有可比较数据或近期决策窗口的项目,无法充分发挥项目级整合与候选比较的作用;如果主要限制在合成能力、检测产能或外部周转,NextCycle不直接改变交付速度,因而不作为首发账户。首发对象优先满足全部必要条件,并至少具备一项加分条件。
2.2 客户必须完成的工作与当前流程
H2L的核心工作不是按单一活性值选出“最高分”分子,而是在已有证据和项目资源约束下形成可执行的下一轮决策:核对结构、批次和测定条件;比较候选的活性、选择性、理化/ADME性质与合成可行性;确定继续、暂停或补充数据的系列;再把选择落实为合成和检测任务。NIH/NCATS指南与Charles River的H2L服务说明均把命中物确认、多系列评估、性质分析和先导推进决策纳入早期发现流程。[3][12]
可观察的标准流程包括:化合物与批次确认;实验结果汇总与质量核对;跨性质比较;药化、生物学、DMPK等专业人员解释证据;项目负责人形成下一轮优先级;内部或外部执行合成与实验;新结果回流并更新判断。各项目在职能配置、数据系统和外包范围上有所差异。
2.3 痛点、后果与现有替代方案
H2L团队必须把多来源分子与实验记录转换为跨性质、可追溯的决策依据。流程中需要对齐化合物身份、批次、实验条件和测定结果,并处理缺项、冲突和数据可比性,再由多学科人员判断哪些系列值得进入下一轮。
Dotmatics发布的Antabio案例提供一个相邻行业实例:这家小分子生物技术公司从单一H2L项目扩展后,公开描述了Excel人工分析所带来的数据分析耗时、手工处理风险、原始数据与测定参数链接不足、实验方案变化难追踪及项目监督困难。[15]该材料是供应商披露的单一客户案例,说明此类问题在具体情境中出现过;它适合界定相邻工作任务,不应外推为肿瘤项目的行业发生率。
| 客户任务与替代做法 | 典型摩擦及决策含义 | NextCycle交付范围与衡量方式 |
|---|---|---|
| 汇总结构、批次、测定与结果 电子表格、ELN/LIMS、商业平台或内部数据模型。 | 跨来源字段、单位和测定条件需要一致解释;数据若不能关联到结构与批次,团队难以可靠比较系列变化。 | 结构化分子与实验数据,连接结构、批次、测定条件和结果;记录数据映射时间、缺漏或冲突记录及人工修订量。 |
| 解释候选物的多维优缺点 药化、生物、DMPK专家讨论;计算团队或研发软件补充分析。 | 多维证据、测定口径或适用范围未被放在同一视图时,需要额外核对,影响可解释性和可追溯性。 | 并列呈现比较依据、数据缺口和不确定性;保留科学家审核、修订或否决建议的理由。 |
| 确定下一轮分子与实验 项目会议、内部专家判断、CRO讨论或现有平台工作流。 | 优先级须转化为具体合成和实验清单;决定的依据和未解风险影响下一轮资源安排。 | 提供可审核的候选及实验优先级和建议理由;记录候选集或实验计划的变化及科学原因。 |
| 回收结果并进入下一轮 内部实验团队或CRO执行并回传数据。 | 结果元数据和测定条件须保留,才能与既有系列纳入同一轮比较。 | 承接客户提供的新结果并更新项目证据视图;不执行实验,也不承诺缩短供应商交付周期。 |
替代方案各有合理场景。项目规模有限、数据口径稳定且专家能够直接协同时,电子表格、ELN与项目会议足以支持推进;已有内部药化和计算人员的团队,可直接调配专家以保留项目知识。
更关键的是,商业软件已覆盖相当一部分NextCycle拟进入的功能:Schrödinger LiveDesign提供项目数据、计算及实验结果、协作决策和AI/ML工作流;Benchling连接化学、实验与生物学记录;Dotmatics的小分子解决方案覆盖从命中发现到候选选择的实验、分子、样品、测定和SAR分析。[11][13][14]这些供应商页面属于产品说明,证明相邻功能供给存在,并不证明其在每个客户中的部署、使用效果或采购适配。
CRO或综合发现服务在客户需要外部专业能力、化学合成、检测或项目管理时更直接。Charles River公开提供按服务计费及一体化H2L服务,涵盖合成、活性和ADME评估及先导推进。[12]团队也可以选择不改变现有流程,避免迁移、集成、培训及数据治理成本。
NextCycle的竞争位置不是替代ELN、商业计算平台或CRO,而是围绕单个项目形成跨来源的决策视图:接入客户已有记录,标明候选比较依据与证据缺口,把科学讨论转成审核后的下一轮任务。该位置只有在能与现有系统互操作、减少重复整理并生成可执行交付物时,才构成独立购买理由。
2.4 首批账户中的角色与采用路径
生物技术公司内部职责和采购路径随团队配置与项目治理方式而异。以下按典型研发团队划分账户角色;同一人可能兼任多职,实际审批顺序由公司治理安排决定。
准备数据、使用输出
审查依据与适用性
确认下一轮任务
批准合作条件
| 关键角色 | 希望完成的工作 | 采用条件与可能的否决理由 |
|---|---|---|
| 日常使用者:项目科学家、药化或数据人员 | 减少重复整理,快速定位项目数据并保留上下文。 | 若需额外录入、映射或维护,且不嵌入现行工具,可能拒用;需确认实际操作者和工作量。 |
| 科学审核者:药化、生物学、DMPK等 | 判断证据质量、候选差异、模型适用范围与不确定性。 | 无法追溯来源、预测无适用域说明或建议与机制、实验事实冲突时,可否决;输出须可追溯并与项目事实一致。 |
| 项目负责人 | 在候选、时间、风险和资源约束间定下下一轮任务。 | 如果不能改善现有讨论或支持可执行决策,独立价值不足;交付物应支持形成候选与实验清单。 |
| 预算审批者/付款者 | 判断服务是否解决重要任务,并有清晰投入理由。 | 关注预算归属、合同范围、采购周期、数据条款,以及相对于内部团队或现有平台的总投入。 |
| IT/信息安全/法务/IP审核者 | 确保访问、部署、保密、知识产权及合同条款可接受。 | 敏感结构或实验数据外传、模型训练权属不清、部署要求不符可能阻止接入;采购前须明确相关条款。 |
| 外部CRO | 按既定合同执行合成或实验并交付数据。 | 数据格式和回传权利取决于合同;变更流程需客户授权。NextCycle不替代CRO,也不控制其交付节奏。 |
FDA与EMA联合原则强调以人为中心、明确使用情境、数据治理、风险导向的性能评估、多学科专业判断及全生命周期管理;这些原则为NextCycle的产品治理设计提供参照。[7]
返回封面 ↑三产品定位与功能设计
3.1 产品定位:面向H2L的下一轮决策支持
NextCycle AI的定位不是通用型分子生成工具,也不是实验执行平台,而是面向Hit-to-Lead(H2L)阶段的早期研发决策支持产品。它帮助药物发现团队把分散在实验记录、计算分析和项目表格中的候选化合物信息整合起来,在多参数约束下比较候选、追溯判断依据,并形成可供团队讨论的下一轮实验优先级。
H2L的核心难点不只是找到活性更高的分子,而是在效力、选择性、ADME/PK、可开发性、数据可信度和项目资源之间做阶段性权衡。[3][4]单一指标排序容易把局部最优误当作综合最优;NextCycle AI的价值在于让权衡条件、证据强弱和未知项显性化,而不是把复杂判断压缩成一个不可解释的分数。
产品围绕DMTA循环中的Analyze与下一轮Design决策衔接点展开:整理已有证据、比较当前候选、解释排序依据,并提出待验证的问题。合成、实验检测、CRO项目执行以及最终Go/No-Go决策仍由客户团队及其合作方负责。
整理、比较、追溯、建议
3.2 目标用户与典型使用场景
首要用户是负责H2L项目推进的药物化学家、计算化学家、DMPK/ADME专家以及项目负责人。产品不要求所有角色使用同一套专业术语,而是把同一批候选的关键数据、证据来源、指标权衡和待确认事项组织成可共同审阅的项目视图。
| 用户角色 | 典型问题 | 产品支持方式 |
|---|---|---|
| 药物化学家 | 哪些候选值得优先推进?活性提升是否伴随其他性质恶化? | 并列查看候选差异、关键指标和潜在权衡。 |
| 计算/数据科学人员 | 计算结果是否与实验数据可比?模型结论适用于哪些分子? | 保留来源、版本、适用域和不确定性提示。 |
| DMPK/生物学专家 | 候选是否存在影响推进的可开发性风险? | 把相关指标与缺失证据放到同一候选视图中。 |
| 项目负责人 | 下一轮资源应投向哪些候选或验证问题? | 生成可讨论的优先级清单及理由,不自动做项目决策。 |
3.3 核心任务:从数据汇集到下一轮优先级
第一,汇集候选数据。系统需要把化合物身份、实验结果、计算预测及必要的项目元数据整理到统一视图中,并尽可能保留原始来源、单位、批次和版本。数据整合的目标是降低跨文件核对成本,而不是把来源不同、实验条件不同的数据默认为可直接比较。
第二,开展多参数候选比较。产品围绕项目明确的目标与约束呈现效力、选择性、ADME/PK及其他可用指标,支持团队查看指标之间的冲突、权衡和证据缺口。MPO(多参数优化)在这里是一种组织决策条件的方式,而不是一套对所有项目都固定不变的万能权重。
第三,追溯比较理由。对于候选排序或优先级建议,产品应能说明使用了哪些数据、采用了哪些指标、哪些信息缺失、哪些结论来自预测,以及结论是否超出模型适用域。数据不完整时,应显式标注data gap,而不是自动填补成看似完整的事实。
第四,形成下一轮实验优先级。产品输出的是供团队复核的候选清单、关键理由、需要补证的假设以及可能区分候选的验证问题。它不直接下达合成或测试指令,也不承诺实验成功率或CRO周期;具体实验方案与执行由具备相应专业责任的团队决定。
3.4 证据质量、可解释性与适用域
NextCycle AI应把证据质量作为与化合物指标并列的决策信息。建议采用A/B/C与data gap的轻量标记:
| 标记 | 拟议含义 | 使用边界 |
|---|---|---|
| A | 来源清晰、条件与项目目标较匹配且可复核的证据。 | 实际项目须定义操作标准,允许查看原始来源;同时单独标明“实测/预测/间接证据”,避免把证据类型与证据质量混为一谈。 |
| B | 有一定支持,但存在条件差异或解释限制。 | |
| C | 证据较弱、间接或主要来自尚未获得充分项目验证的模型预测。 | |
| data gap | 关键数据缺失,或目前无法判断。 |
证据等级不是对科学真相的绝对评级,也不能代替实验质量审查。不同实验体系、测定条件、批次和数据处理方式可能导致结果不可直接横向比较;产品需要展示这些限制,避免把数据整理后的整齐格式误认为证据本身具有同等可靠性。
对于模型预测,系统应尽可能呈现预测来源、版本、适用域和不确定性。超出适用域或缺少验证的数据应触发提醒,必要时降低其在排序中的影响或要求人工复核。模型输出必须能够被质疑、追踪和更新,而不应成为隐藏假设的黑箱权威。分子性质预测的模型表现需要结合数据与验证设置理解,不能将公开研究表现直接移植为本产品性能。[10]
3.5 产品功能模块
| 模块 | 主要能力与关键输出 | 设计原则 |
|---|---|---|
| 项目数据工作台 | 导入和整理候选结构、实验结果、计算结果及元数据;形成统一候选视图、数据质量提示。 | 来源与版本可追溯;不假设所有数据天然可比。 |
| 多参数候选比较 | 按项目目标并列比较多项指标,展示冲突与权衡;输出候选对比表、排序依据和指标差异。 | 权重由项目条件驱动,允许人工调整和复核。 |
| 证据与缺口管理 | 标记A/B/C、data gap、适用域与不确定性;输出证据卡片、缺失数据清单和风险提示。 | 不虚构缺失数据,不掩盖模型局限。 |
| 决策追溯与审阅 | 记录使用的数据、指标、版本和人工调整;形成可审阅的理由链和项目决策记录。 | 保留人的判断与修改痕迹。 |
| 下一轮优先级呈现 | 将候选比较转化为待验证问题和优先级建议;输出候选清单、验证问题及需补证事项。 | 建议可解释、可质疑,不替代Go/No-Go。 |
身份、批次、来源、单位、版本
多参数比较、缺口、适用域
理由链、审阅、下一轮建议
3.6 第一版做什么、不做什么
第一版应集中解决一条可验证的工作流:把已有数据整理到一起,比较候选的多参数表现,呈现证据强弱与缺失项,并输出有理由、可追溯的下一轮优先级。产品的价值假设是减少团队反复整理和核对信息的成本,提高候选讨论的透明度,并让下一轮实验更有针对性。
| 范围 | 第一版处理方式 | 边界说明 |
|---|---|---|
| 候选数据汇集 | 支持有限、明确的数据格式与人工导入;保留来源、单位、批次和版本。 | 先验证最小可用工作流,不以全系统集成为前提。 |
| 多参数比较 | 呈现关键指标、目标约束、候选间权衡和排序依据。 | 不把单一总分包装成客观真理。 |
| 证据等级与数据缺口 | 展示A/B/C、data gap、适用域和不确定性提示。 | 规则需定义清楚;不以标签替代专家判断。 |
| 审阅与追溯 | 记录指标、数据版本和人工调整,支持复核。 | 产品建议与最终决策明确区分。 |
| 下一轮优先级 | 提出候选优先级和待验证问题。 | 由客户团队确认实验设计与执行。 |
第一版明确不做以下事项:
- 不承诺自动发现新药、自动生成可合成分子或保证命中率。
- 不自动替代项目团队作出Go/No-Go、资源分配或候选淘汰决定。
- 不执行化合物合成、实验检测或CRO项目管理,也不承诺CRO周期与交付结果。
- 不把缺失数据自动补成事实,不将未经验证的预测结果标记为确定性证据。
- 不在首版追求覆盖所有靶点、所有实验类型和所有外部系统;优先验证一个边界清晰的H2L工作流。
- 不输出缺少理由链、证据来源和不确定性说明的黑箱总排名。
首版范围以本节为准:现有商业平台已具备部分相邻能力,产品模块本身不构成独有优势。[11][13][14]
3.7 产品验证方式与可证伪假设
产品定位必须能够被实际项目检验,而不是只依赖对AI潜力的描述。验证应以真实H2L工作流中的任务表现为依据,观察团队是否更快完成候选比较、是否更容易复核判断依据,以及输出的下一轮优先级是否被研究人员认为有用。以下假设应在试点中逐项验证,并允许结果推翻当前产品设计。
| 假设与待验证问题 | 观察指标/证据 | 可能推翻假设的结果 |
|---|---|---|
| P1 数据整理是可观的摩擦点 研究人员是否花费大量时间在多源数据拼接与核对上? | 完成同一任务所需时间、重复录入次数、人工核对步骤。 | 数据整理耗时很低,主要瓶颈在实验周期或资源。 |
| P2 多参数比较优于单指标排序 团队是否需要同时权衡多个性质? | 候选讨论中被引用的指标数、权衡理由完整度。 | 团队实际只依赖一个主指标,且其他指标影响很小。 |
| P3 证据透明度影响信任 显示来源、证据等级和缺口是否改善复核? | 复核时间、错误发现率、用户对理由的可理解性。 | 标签难以解释,或不能改善复核质量。 |
| P4 下一轮优先级有实际价值 产品建议是否影响实验讨论或优先验证问题? | 建议采纳率、人工修改原因、专家评价。 | 建议泛化、缺少上下文,无法改变决策讨论。 |
| P5 数据与工作流接入成本可控 首版能否在不做重型集成时落地? | 导入成功率、部署时间、维护工时。 | 格式差异与权限要求使接入成本超过收益。 |
| P6 用户接受人机协作边界 团队是否愿意把产品用于辅助排序而非自动决策? | 持续使用情况、信任边界反馈、人工覆盖原因。 | 用户要求自动决策,或无法接受系统的不确定性提示。 |
3.8 风险、限制与应对原则
第一类风险是数据质量风险。历史数据可能存在单位、测定条件、批次或化合物身份不一致的问题。应对方式是先做数据校验和来源记录,对不可比数据明确提示,而不是以自动化处理掩盖数据问题。
第二类风险是模型适用域与不确定性风险。模型在特定化学空间或数据分布之外可能不可靠。应对方式是展示适用域、模型版本和不确定性,保留人工复核入口,并避免将预测结果与实验事实混为一谈。
第三类风险是工作流采用风险。若导入数据、解释输出或权限管理增加额外负担,产品可能无法融入日常工作。应先用最小范围试点验证用户任务与部署成本,再决定是否扩展连接器、自动化和模型能力。
第四类风险是责任边界风险。研发建议涉及科学判断和资源配置,产品不应暗示AI可以独立承担项目决策责任。界面、报告和产品文案均应清楚区分数据事实、模型预测、系统建议与人工决定。相关治理设计参考FDA/EMA良好AI实践原则,但不将该原则视为产品认证。[7]
3.9 本章结论
NextCycle AI的产品切入点是H2L阶段中“已有证据如何转化为下一轮行动”的决策衔接工作。首版应围绕数据汇集、多参数候选比较、证据与缺口管理、决策追溯和下一轮优先级呈现形成闭环;通过明确适用域和人机责任边界,降低黑箱排序与过度承诺的风险。
产品是否成立,最终取决于真实项目中的工作流收益、数据接入成本、专家信任和建议可用性。上述P1—P6假设应通过试点数据持续检验;若关键摩擦并非候选比较,或用户无法从证据透明度中获益,产品范围就应相应调整。
返回封面 ↑四竞品分析与市场定位
4.1 竞争格局与市场定位逻辑
NextCycle AI定位于创新药研发早期的Hit-to-Lead阶段,拟面向中国中小型Biotech企业提供基于已有候选分子数据的多参数决策排序服务。其核心业务是整合分子活性、选择性、ADMET等与具体研发项目相关的评价指标,对候选分子进行综合比较,输出排序结果及其科学解释,辅助研发团队确定下一轮实验验证的优先级。
与覆盖多个药物发现环节的综合研发平台不同,NextCycle AI将业务范围限定于H2L阶段的决策支持,不开展分子生成、化合物合成及湿实验,也不替代科学家作出最终Go/No-Go决策。上述定位属于公司拟采取的产品策略,相关交付能力及商业价值仍需通过真实项目验证。
从竞争结构看,NextCycle AI面对的并非单一类型的AI制药企业,而是由专业研发软件、AI药物发现平台、综合研发服务商以及客户内部解决方案共同构成的替代体系。判断竞争关系的关键,不是供应商是否使用AI技术,而是其能否在相同H2L任务下提供客户认可的决策成果,并参与同一采购预算的竞争。
据此,本项目将竞争与替代方案划分为五类。
| 竞争类别 | 主要竞争形式与H2L任务 | 竞争边界 |
|---|---|---|
| 直接竞品 | 可独立采购的H2L多参数决策排序产品或服务;覆盖候选综合比较、排序及决策依据输出。 | 具体厂商是否满足完整交付要求,仍需核验。 |
| 间接竞品 | 计算化学软件、研发信息学平台及AI分子设计系统;覆盖性质预测、数据整合、分子分析及部分优先级判断。 | 不必然提供独立专项排序交付。 |
| 传统替代方案 | CRO及计算化学咨询;按合同提供H2L分析或研发支持。 | 实际交付内容取决于合同,专项门槛信息不足。 |
| 客户内部自建方案 | 内部科学家、计算化学团队及数据工具;利用已有数据和流程比较候选。 | 能力、工时、成本和质量因客户而异。 |
| 维持现状不采购 | 沿用现有分析和会议形成实验决策。 | 不产生新增外部采购,但不等于没有内部成本。 |
上述分类表明,NextCycle AI的潜在竞争既可能来自具备相邻技术功能的软件平台,也可能来自客户已经采用的内部工作流。尤其在研发预算有限的情况下,客户是否愿意为已有决策流程增加一项独立采购,将直接影响本项目的商业可行性。
因此,NextCycle AI的市场定位不建立在“现有市场缺少AI药物研发工具”这一前提上,而应通过竞争者交付范围、实际合作门槛与客户H2L专项任务之间的匹配程度进行验证。
4.2 核心竞争对手分析
结合产品功能与H2L研发任务的关联程度,本报告选取晶泰科技、Schrödinger、Insilico Medicine及Certara作为重点研究对象。四家企业分别代表综合药物发现服务、计算化学与协作软件、AI分子设计平台和科学数据分析平台等不同竞争路径。
4.2.1 晶泰科技:综合型AI药物发现服务
晶泰科技(XtalPi)公开提供覆盖命中化合物发现、命中优化、DMTA循环及其他研发环节的技术服务。其官网明确将Hit Optimization与Lead Identification列为相关业务,并介绍了AI、计算化学与自动化合成结合的研发流程。企业公开披露[21][22]
晶泰科技与NextCycle AI的主要差异在于拟议服务范围。晶泰科技公开提供多环节研发能力,而NextCycle拟专注于已有候选分子的H2L多参数决策排序,不承担后续实验执行。
但综合研发能力并不意味着晶泰科技无法单独提供分析服务。目前,其独立H2L排序交付物、专项报价、最低合作门槛和中国中小型Biotech采购条件均为信息不足。
H待验证假设晶泰科技可能通过综合研发合同覆盖客户所需的排序任务,从而替代NextCycle的部分服务。该判断成立的前提是合同实际包含同等排序成果;若核验发现其不提供该专项交付,则相应替代关系不成立。
4.2.2 Schrödinger:计算化学与研发协作平台
Schrödinger的LiveDesign是一款面向药物发现团队的数字化研发平台。根据其公开产品说明,LiveDesign支持实验与计算数据整合、分子性质预测、候选分子分析、研发团队协作及合成优先级判断;LiveDesign ML进一步提供模型训练与部署功能。企业公开披露[11][20]
这些功能与NextCycle拟议的多参数排序存在直接交集。尤其是候选分子优先级判断和数据协作,意味着NextCycle不能将相关能力描述为市场上尚不存在的功能。
两者潜在的区别是交付组合:LiveDesign公开呈现为可供研发团队使用的软件环境,而NextCycle拟以具体H2L项目的排序成果作为交付对象。同时,Schrödinger也公开提供专家建模服务,因此不能笼统将其描述为“仅提供软件”。[28]其是否提供与NextCycle完全同等的专项服务、完成相同任务所需的总成本,以及中国地区最低采购门槛,均为信息不足。
I推论LiveDesign可能通过客户内部使用、供应商专业服务或第三方实施形成替代。该推论的前提是客户能够以可接受成本获得同等成果;若实际测试不能满足相同任务,则替代判断不成立。
其海外产品应用仅具有分析参考价值,属于“海外参考,国内无实证”,不能直接证明中国中小型Biotech的采购能力。
4.2.3 Insilico Medicine:AI分子生成与优化平台
Insilico Medicine的Chemistry42公开覆盖Hit Identification、Hit-to-Lead和Lead Optimization等研发环节,并提供分子生成、骨架变换、R基团探索、ADMET与选择性分析等功能。企业公开披露[19]
Chemistry42明确覆盖H2L,因此与NextCycle存在阶段性功能交集。但其公开产品范围还包括分子生成和优化,而NextCycle拟将业务限定于客户已有分子的多参数排序。
这种范围差异并不直接构成竞争优势。Chemistry42能否针对已有数据独立输出客户认可的排序成果,以及其实际收费、最低合作门槛和国内客户适配性,均为信息不足。
H待验证假设如果Chemistry42的现有筛选与优先级判断功能能够完成同等任务,且客户不需要额外采购服务,则NextCycle的部分需求空间可能被替代。反之,若其无法满足独立专项交付要求,则这一替代假设不成立。
海外应用情况统一视为“海外参考,国内无实证”。
4.2.4 Certara:中小型Biotech市场定位的核心反证
Certara是本项目需要重点检验的竞争对象。其D360科学信息学平台提供研发数据访问、整合、分析和可视化功能。更重要的是,Certara明确将D360 Express定位于较小型药物研发组织,并介绍了标准化固定费用部署、预配置数据连接、共享查询以及用于候选分子优先级判断的分析视图。企业公开披露[17][18]
Certara的D360产品资料还明确列出Multi-Parameter Optimization(多参数优化)功能。企业公开披露[16]
这一证据对NextCycle的市场定位具有重要影响。D360 Express不仅公开覆盖与多参数分析相关的功能,而且已经明确考虑较小型研发组织的需求。因此,不能以“国际研发软件只面向大型药企”或“中小型Biotech缺少多参数分析工具”作为NextCycle的市场进入依据。
不过,企业披露的“固定费用”“较低总拥有成本”等表述并不等于已经证实的低价格。D360 Express在中国市场的实际报价、最低合同要求、部署工时及完整H2L排序交付效果仍为信息不足。
H待验证假设如果D360 Express能够在中国目标客户可接受的预算内完成相同的H2L多参数排序,那么NextCycle所设想的低门槛专项决策市场空间可能明显缩小,甚至不成立。
这一假设应通过相同数据、相同指标、相同验收标准和真实采购成本进行检验。若D360 Express无法完成客户要求的完整排序成果,或其实际总成本超出客户预算,则其对NextCycle的替代能力受到限制。
因此,NextCycle的竞争研究必须优先验证D360 Express,而不能预先将其排除在中小型Biotech适配方案之外。
4.3 多维度竞品对比
比较沿用目标客户、H2L介入环节、核心交付物、决策排序能力、收费方式、合作门槛、科学决策责任、数据回溯和国内市场适配性九项维度。为保证阅读清晰,将过宽的横向图表拆为“功能与交付”和“采购与治理”两部分。
| 方案 | 客户与H2L介入 | 核心交付及排序能力 |
|---|---|---|
| ① 晶泰科技 | 药物发现客户;覆盖命中优化、先导识别及DMTA。 | 综合研发服务;独立专项排序交付范围待核验。 |
| ② Schrödinger | 药物发现团队;覆盖计算、数据协作和优先级判断。 | LiveDesign、ML及专业建模服务;与拟议任务存在直接功能交集。 |
| ③ Insilico Medicine | 药物发现团队;覆盖命中发现、H2L及先导优化。 | Chemistry42生成、优化及性质分析;已有候选专项交付待核验。 |
| ④ Certara | D360面向研发组织,Express明确面向较小型组织。 | 数据整合、分析视图及MPO;完整项目排序成果须同任务测试。 |
| ⑤ CRO/计算化学咨询 | 需要外部专业能力或执行支持的项目。 | 按合同提供分析、H2L或综合发现服务;专项范围因合同而异。 |
| ⑥ 客户内部自建 | 已有科学家、计算人员及数据工具的团队。 | 内部分析和项目会议;质量与能力因团队而异。 |
| ⑦ 维持现状 | 当前流程已可接受或不愿新增采购的团队。 | 沿用已有工具与专家判断,不新增外部交付。 |
| ⑧ NextCycle AI | 拟聚焦中国中小型肿瘤小分子H2L团队。 | 拟交付项目级候选比较、理由链、缺口及下一轮建议;能力待试点验证。 |
| 维度 | 现有方案的核验重点 | NextCycle拟议安排 |
|---|---|---|
| 收费方式 | 区分软件、专业服务、FFS与综合研发合同;不以公开产品定位推定价格。 | 有限范围FFS工作包;增量任务另行确认。 |
| 合作门槛 | 核验最低合同、部署与实施工作量、专家投入及客户准备成本。 | 拟从单项目任务切入;低门槛和低成本尚未验证。 |
| 科学决策责任 | 核验系统建议、供应商审核与客户最终决定的实际合同边界。 | 保留客户最终科学判断,承担约定交付与纠错责任。 |
| 数据回溯 | 用同一任务检查来源、版本、规则与人工调整是否可复核。 | 拟保留来源、评价规则、模型版本和人工修改记录。 |
| 国内市场适配 | 核验中国采购条件、数据环境、报价、服务与支持,不外推海外案例。 | 以中国目标客户的真实任务、预算和有偿试点验证。 |
表中企业功能信息依据前述公开资料;价格、门槛、实际效果及治理细节未取得可比证据的,均不作确定性排名。[11][12][16][18][19][21][28]
比较结果显示,现有厂商在分子分析、数据整合和优先级判断方面已经披露了相关功能。因此,NextCycle不能将“具备多参数排序能力”本身视为独有竞争优势。
I推论NextCycle更值得验证的差异可能是以H2L专项成果为交付单位,而非要求客户自行采购、配置和操作更广泛的软件系统。但该推论以现有方案不能在同等条件下满足任务为前提;若竞品能够提供相同成果且总成本不高于NextCycle,则这一差异不构成商业优势。
4.4 市场定位与四象限分析
4.4.1 市场定位维度
本报告建立服务颗粒度与客户门槛两个维度的竞争定位矩阵。横轴为服务颗粒度,从多环节综合研发延伸至H2L专项决策;纵轴为客户门槛,从中小型Biotech可接受的低成本延伸至大企业高预算。原方案使用“全管线外包”描述横轴一端,但公开资料不必然证明各厂商覆盖完整开发管线,因此此处统一为“多环节综合研发”。由于缺少可比的真实报价和合同证据,不对现有厂商的预算水平作确定性排名。
Ⅰ 综合研发 × 高预算
晶泰科技等综合服务模式可作为研究对象;是否属于高预算门槛,须查验真实合同。
Ⅱ 专项决策 × 高预算
Schrödinger、Insilico等仅为待核验候选,不依据产品功能推定高价或专项交付。
Ⅲ 综合研发 × 较低门槛
CRO小型项目组合是待验证方向;暂无足够合同与价格证据确认具体厂商位置。
Ⅳ 专项决策 × 较低门槛
NextCycle拟进入的位置;D360 Express是重要反证候选。双方实际成本与完整交付均须验证。
4.4.2 四象限定位分析
象限Ⅰ:多环节综合研发与大企业高预算。晶泰科技公开提供跨多个药物发现环节的服务,因此可作为综合服务模式的研究对象。但其具体项目报价与最低合作门槛信息不足,位于高预算象限的判断仅为待验证假设。若实际合同证明其能够以中小型客户可接受的预算提供H2L专项排序,则该定位不成立。
象限Ⅱ:H2L专项决策与大企业高预算。Schrödinger和Insilico Medicine披露了与H2L相关的分析、预测或优化能力,但均不能据此确认其属于高预算专项服务。将其列为本象限候选仅为待验证假设。若真实产品与采购资料显示其服务范围或预算门槛不符合本象限,则须重新定位。
象限Ⅲ:多环节综合研发与中小Biotech较低成本。传统CRO可能存在针对较小研发项目的服务组合,但目前缺乏足够的具体合同、交付及价格证据,不能确认某一厂商位于该象限。若无法取得满足预算与交付条件的真实方案,则这一候选定位不成立。
象限Ⅳ:H2L专项决策与中小Biotech较低成本。这是NextCycle AI拟进入的目标位置,属于策略取舍,其低成本交付能力尚待验证。同时,Certara D360 Express已明确面向较小型研发组织,并披露相关数据分析能力;D360产品资料还披露MPO功能,因此构成重要反证候选。[16][18]若其能够以目标客户可接受的总成本完成同等任务,则NextCycle的差异化空间可能受到实质性限制。
4.4.3 市场空位判断
四象限分析说明,NextCycle拟采用的专项服务模式具有明确的产品范围,但产品范围明确不等于市场空位成立。
H待验证假设NextCycle可能服务于已有实验数据、需要独立H2L排序成果,但不愿或无法为更广泛研发系统承担额外采购与实施负担的客户。这一机会成立的前提是现有方案确实存在交付、预算或任务错配,并且客户愿意为解决错配付费。若D360 Express、其他研发软件或客户内部流程能够以同等条件完成任务,则该假设不成立。
因此,本项目的市场进入逻辑应由“寻找尚未覆盖的技术功能”转向“验证现有交付方案与特定客户任务之间是否存在可付费的错配”。
4.5 差异化竞争策略
基于竞争分析,NextCycle AI拟从服务范围、交付形式和科学决策责任三个方面建立差异化定位。
首先,在服务范围上,NextCycle聚焦H2L已有候选分子的多参数排序,不延伸至分子生成、合成和实验执行,属于策略取舍。这一范围有助于明确产品边界,但不能据此直接认定其成本更低。
其次,在交付形式上,NextCycle拟以项目级排序成果及其解释依据作为核心交付对象,而不是仅向客户提供需要自行操作的软件工具。其能否降低客户工作量、减少数据整合负担或改善审核效率,须通过真实项目工时和同任务比较检验。若现有软件或服务商已经能够以同等条件提供同等成果,则这一差异不成立。
最后,在科学责任方面,NextCycle拟保留数据来源、评价规则和人工调整记录,并由客户科学家保留最终Go/No-Go决策权。这一设计有助于明确辅助决策与科学决策的责任边界,但完整可追溯能力及科学有效性仍须经过测试。
据此,NextCycle的拟议价值主张为:
在取得实际项目验证前,公司不将降低研发成本、缩短研发周期或提高成功率的具体幅度作为已实现的竞争优势。
4.6 市场进入条件与竞争验证
NextCycle能否形成可持续的商业定位,取决于客户需求、现有替代方案、科学交付质量及项目经济性四方面的共同验证。
| 核心验证命题 | 必须取得的证据 | 可观测否证条件 |
|---|---|---|
| 存在独立H2L排序需求 | 真实项目任务、科学负责人确认。 | 客户现有流程已充分满足需求。 |
| 现有竞品存在交付错配 | D360 Express等同任务测试与交付对照。 | 竞品可在同等条件下交付同等成果。 |
| 客户具有可执行预算 | 真实预算归属、报价及采购流程。 | 客户无独立预算或拒绝采购。 |
| NextCycle能够提供科学可用的成果 | 排序稳定性、专家复核和结果追溯测试。 | 成果达不到预设科学标准。 |
| 专项服务具有经济可行性 | 完整工时、计算、审核成本与实际收入。 | 交付成本持续超过可实现收入。 |
在市场进入顺序上,NextCycle应首先核验Certara D360 Express等强替代方案的实际交付与中国采购条件,其次确认目标客户的具体任务和预算,再开展经授权、受控处理的真实项目对照测试,最后通过有偿试点检验客户支付意愿。去除客户名称不代表分子结构已不再敏感,真实项目数据仍须按授权和保密要求管理。
如果现有产品已经能够以可接受的成本满足目标客户需求,或客户没有独立采购预算,则应调整目标任务、交付形式或客户范围,而不应继续以“中小型Biotech市场空白”作为商业论证。
4.7 本章结论
H2L阶段已经存在多种与候选分子分析、性质预测和优先级判断相关的商业产品与服务。晶泰科技、Schrödinger、Insilico Medicine和Certara分别从综合研发服务、计算化学协作、AI分子设计及科学数据分析等不同路径覆盖部分相关任务。其中,Certara D360 Express明确面向较小型研发组织,构成对NextCycle拟议市场定位的重要反证。
NextCycle AI的潜在竞争机会不在于宣称现有市场缺少H2L技术,而在于验证是否存在一部分中国中小型Biotech,其具体排序任务尚未被现有方案以合适的交付范围和采购条件满足。
因此,NextCycle当前的竞争定位是一个边界清晰、但尚待商业验证的H2L专项决策服务方案。只有在真实客户任务、现有竞品交付、采购预算及自身经济性四方面形成完整证据链后,才能进一步将该定位确认为可持续的市场机会。
返回封面 ↑五商业模式
5.1 商业模式定位
NextCycle AI拟采用以有限范围的FFS(Fee-for-Service,按约定服务收费)分析项目为核心、专项增值服务为补充的商业模式,将客户的具体研发问题转化为可报价、可交付、可验收的分析工作包。
客户购买的是研发决策支持,而非完整研发成果。基础服务包括数据质量检查、候选分子优先级分析、多指标比较、下一轮实验建议及不确定性说明。每个工作包明确输入数据、分析范围、交付物、完成时间和修订边界,验收以约定任务完成、结果可追溯为依据,不以实验成功或获得合格先导化合物为必要条件。
该模式具有公开业务参考:Evotec在2025年报告中披露了FFS安排;Schrödinger将建模及代客户虚拟筛选列入专业服务。上述案例支持服务收费的模式设计,但不能直接证明NextCycle的成交价格、订单规模或盈利水平。[23][24]
5.2 收费方式与收入结构
| 收入项目 | 收费单位 | 收费边界 |
|---|---|---|
| 基础分析服务 | 一个范围明确的工作包 | 约定数据、分析任务、报告及基础解释。 |
| 专项专家咨询 | 独立任务或工时包 | 深度药化、药物代谢与药代动力学等专项判断。 |
| 超范围数据处理 | 经确认的新增任务 | 额外清洗、格式转换或新增分析维度。 |
| 后续分析服务 | 独立追加工作包 | 新实验批次、新分子系列或新研究问题。 |
基础审核、约定修订及原交付错误纠正包含在原价内,不重复收费。新增需求必须明确任务、价格和工期后再启动。“按轮次收费”以新数据驱动的独立分析闭环为单位,不代表自动续费。
年度框架协议只统一合作条款,未形成具体订单或最低采购承诺时,不纳入确定性订单预测。启动期基准收入不包含私有部署、年度订阅、实验转售、成果分成及版税。
涉及湿实验时,拟由客户与CRO直接签约。NextCycle仅提供合同明确约定的分析及必要的数据交接支持,不承接CRO项目管理;任何额外协调任务均须单独界定,且不计入本计划的基准收入。
为与财务模型统一,标准交付编号约定如下;这些编号是内部范围管理工具,不代表必须拆分收费:
| 编号 | 内容 | 收费与权限口径 |
|---|---|---|
| D1—D5 | D1数据整编与质量核对;D2候选排序与多指标比较;D3风险诊断和不确定性说明;D4下一轮实验建议;D5交付评审。 | 纳入约定基础工作包;“校准”限于经确认的数据处理,不擅自改变原始实验事实。 |
| D6—D7 | D6超出基础范围的深度专家咨询;D7经确认的增量数据处理或分析。 | 新增任务独立确认范围、价格及工期,不重复收取基础审核或纠错费用。 |
| D8 | 客户数据训练用途的单独授权事项。 | 不属于默认交付,不构成常规销售收入;未经另行明确授权不开展。 |
5.3 定价与交易安排
5.3.1 定价逻辑
拟采用“完整成本为基础、任务范围决定差异、客户可接受价格形成约束”的定价方法:
影响报价的主要因素包括数据质量、分析维度、任务复杂度、专家投入及交付时限。数据范围不明确时,先开展约定范围的数据诊断,再确定后续分析报价,避免以固定价格承担无限数据处理责任。
成本测算用于判断承接底线,不代表客户已经接受相应价格。若可接受价格不足以支持持续交付,应缩小范围、调整资源配置或不承接,不依赖未经确认的后续订单弥补亏损。
在取得实际成交记录前,不设置确定性“行业价格”,不以大型授权交易金额、湿实验服务价格或预计研发节省额直接替代本服务定价。第七章价格仅为内部情景假设,不改变本节的真实报价原则。
5.3.2 合同与付款
拟采用“框架协议+工作说明书/订单”的结构,明确服务范围、数据权限、交付节点、验收要求、付款条件和变更机制。付款拟分为启动款及与交付节点关联的阶段款,启动款覆盖部分前置投入。具体比例与账期按项目协商,不预设为已经验证的客户接受条件。
超范围任务须经变更单确认;NextCycle自身错误导致的纠正不追加收费。内部管理分别记录签约金额、履约进度、收入与实际回款,不将签约额或预付款直接视为当期全部收入。项目暂停或终止时,按合同约定结算已完成工作及已发生的不可撤销支出。
5.4 交付结构与成本构成
基础交付由数据处理、模型分析、结果审核和报告说明组成,专项专家按任务配置。NextCycle拟对任务完成、方法与结果可追溯、限制说明及错误纠正负责,不承诺实验、临床或监管结果。
| 成本类别 | 核算内容 |
|---|---|
| 项目直接成本 | 交付人员工时、外部专家、按量计算及项目专属许可。 |
| 共享交付成本 | 共用工具、基础设施及未直接归集的交付人员成本。 |
| 期间费用 | 共用研发、管理及其他非交付运营支出。 |
内部人员和创始人的交付工时按统一口径计入,不能视为免费。共享成本按一致规则分配,闲置交付资源成本在整体经营测算中保留,不能因项目未使用而遗漏。
成本预算分别记录计算、存储、请求和数据传输等资源消耗。AWS公开计费结构说明,仅计算实例费用不足以涵盖全部云资源支出。[25][26]工具和数据使用权限须在承接前核验。例如,RDKit核心采用BSD 3-Clause许可,但本方案不据此推定其他模型、数据集及依赖组件具有相同授权。[27]
5.5 盈利机制与规模约束
NextCycle的盈利来源是项目净收入持续覆盖完整交付成本,并形成足以承担期间费用的毛利。内部采用以下口径:
- 项目毛利=项目净收入-完整交付成本;
- 经营测算结果=全部项目毛利-未分摊交付成本-期间费用;
- 项目现金缺口=项目周期内累计支出超过累计回款的最大额,不低于零。
完整交付成本包含项目直接成本和按一致规则分摊的共享交付成本;公司层面仅另扣尚未分摊部分,避免重复计入。
潜在利润改善来自数据处理模板、分析流程和报告结构复用,以及范围管理带来的返工减少。改善幅度必须由实际工时、返工原因和交付质量记录验证,不能提前认定为高毛利优势。
新增数据和研发问题可能形成追加订单,但不预设复购。订单增长还受分析人员工时、专家审核能力和并行交付能力约束;规模扩大后新增人员及基础设施投入,也须纳入测算。
5.6 情景测算与模式成立条件
| 变量 | 悲观情景 | 基准情景 | 乐观情景 |
|---|---|---|---|
| 成交价格 | 存在折扣压力。 | 采用参考报价假设。 | 经营决策无证据不提高;财务敏感性测试可单列高假设边界。 |
| 交付工时 | 清洗及返工增加。 | 按任务预算执行。 | 流程复用减少重复工作。 |
| 产能利用 | 订单不足或排期不均。 | 按计划配置。 | 在质量约束下改善。 |
| 回款 | 延迟、垫资增加。 | 按约定节点。 | 前置收款条件改善。 |
| 追加订单 | 不计入。 | 单列条件性假设。 | 仍受需求和产能约束。 |
三种情景分别输出项目毛利、经营结果和现金缺口,不同时无依据地假设高价格、高追加率和低成本。第七章保留原方案的组合情景以展示上下边界,但不赋予概率,也不将乐观组合用作承接、招聘或融资承诺的依据。
模式成立需要满足五项条件:客户愿意独立付费;价格覆盖完整成本;交付范围与产能可控;垫资风险可承受;数据和工具权限明确。
综上,NextCycle AI拟通过有限范围FFS项目形成核心收入,通过独立增量任务获得附加收入,通过标准化交付与范围管理改善盈利。其可持续性仍须由实际成交、交付成本和回款记录验证。
返回封面 ↑六市场进入与推广策略(GTM)
6.1 市场进入定位
6.1.1 首发客户与任务筛选
建议按“项目—任务—现有缺口”定义ICP。团队资源有限只是背景,独立购买理由必须落实到当前必须完成的工作,例如跨来源数据核对、候选系列的属性取舍,或决定先补哪些关键数据。
| 项目状态 | 机会判断 | 进入条件与优先级 |
|---|---|---|
| H2L活跃、跨来源数据、有明确候选取舍 | 价值较易观察,但须确认真实痛点。 | 优先;审核者、权限、预算和执行窗口齐备。 |
| 已有软件,但缺解释或任务实施能力 | 可能购买成果,也可能只需现有供应商支持。 | 次优先;先确认现有服务无法适当解决。 |
| 内部计算和数据流程成熟 | 增量价值要求更高。 | 机会型;须有明确未覆盖任务。 |
| 数据无法比对、权属不清或无实验预算 | 潜在痛点不代表近期可交付需求。 | 暂缓;修复输入或相关预算条件后再评估。 |
| 未确认hit,或瓶颈为合成检测产能 | 核心问题超出当前服务范围。 | 不作为首发。 |
本表为定性策略矩阵,不是市场规模或客户发生率估计。肿瘤领域内继续按团队真实方法能力收窄;当前不能凭空指定某一靶点为优势领域。若客户仅购买已有数据的流程改进,是否需要当期实验预算应按任务判断;涉及候选效果验证时,须有下一轮实验安排。
6.1.2 必须同时通过的资格条件
一是活跃H2L项目与近期决策日期由客户确认;二是候选身份、结构、实验来源和关键测定条件可追溯;三是现有流程存在客户认可的具体不足;四是客户指定科学负责人;五是有分析预算审批路径;六是涉及实验价值验证时已有下一轮执行安排。
允许部分指标缺失,但须判断缺失是否妨碍当前问题。没有可靠输入时应输出数据缺口,不能用预测填补全部缺项后给出貌似精确的总排名。
6.1.3 账户证据表
每个账户记录项目状态及核实日期、待决问题、现有工具与供应商、缺口原话、数据准备度、科学负责人、预算负责人、采购下一步及主要否决因素。公开专利、临床管线和招聘只作接触线索,不能自动证明仍有活跃H2L任务。
地理上先覆盖团队最容易服务的区域,由真实账户密度和沟通成本决定;团队所在地与关系资源缺失时,不预设全国布局或特定城市优势。
6.1.4 购买理由与账户决策链
事实:公开年报支持药企和Biotech通过外包获取能力,也显示早期研发支出保持谨慎。[8]推断:NextCycle可能进入研发项目或外部技术服务预算,但具体预算类别、支付权限和账期必须由客户确认。
| 角色 | 典型责任 | 需要取得的证据 |
|---|---|---|
| 项目推动者 | 定义候选取舍及任务时间。 | 真实问题、决策日期、现有方案不足。 |
| 使用者 | 提供数据并使用输出。 | 准备负担、工作流接入及返工反馈。 |
| 科学审核者 | 解释机制与数据,审查建议。 | 药化、生物学、DMPK等责任分工。 |
| 预算决策者 | 批准独立采购。 | 预算来源、权限、可接受范围。 |
| 采购与财务 | 供应商准入、合同与付款。 | 审批环节、单据、付款与验收安排。 |
| 法务及信息安全 | 权限、保密、IP与数据处理。 | 对实际数据流转和合同条件的认可。 |
同一人可兼多职,但科学认可、预算批准和数据授权须分别核实。不能只与热心使用者交流而忽略付款者。
需求诊断的五个问题:最近一次候选选择如何完成?哪些核对或取舍造成反复?现有工具、内部人员或CRO为何没有解决?如果不采购会发生什么?客户愿意为何种明确交付进入报价审批?
不要求客户透露完整预算才允许初谈,但在投入实质分析前应识别采购路径。下一步须有负责人和具体事项;只有“之后再联系”的机会不占用持续科学售前资源。
6.2 市场进入策略
6.2.1 竞争位置与同任务比较
Schrödinger提供专家建模服务;Charles River提供独立FFS H2L服务;D360 Express明确服务较小研发组织。[28][12][18]因此,项目成果、FFS和面向小客户都不是独有竞争优势。
| 替代方案 | 客户可能选择它的理由 | NextCycle必须验证的增量 |
|---|---|---|
| 内部专家加现有表格 | 熟悉项目,无新增供应商。 | 减少必要整理、错误或解释负担。 |
| 既有软件与供应商支持 | 已有数据与使用习惯。 | 现有工具支持后仍有未满足任务。 |
| CRO附带分析或专项服务 | 实验与解释协同,关系已建立。 | 跨来源比较或独立分析确有必要。 |
| 独立计算或药化顾问 | 专家经验,可按任务购买。 | 可靠交付、可追溯及总投入更适配。 |
| 维持现状 | 避免迁移、评估与采购成本。 | 改善价值足以超过切换负担。 |
对比应包含客户准备、学习、复核及供应商评估工时。不假设竞品昂贵或不能承接小项目,也不强制客户为比较购买多套工具。可先核对已有合同与实际交付,再在合法条件下比较样例和报价。
6.2.2 最小可售任务
建议从“为一个既有候选集合形成下一轮决策评审材料”切入。输入为约定结构、实验数据、项目标准和资源约束;输出为质量问题、可比证据、候选分组或优先级、待补实验及科学审核记录。
多指标冲突不一定适合强制单一总分。应先明确硬约束、可权衡指标和证据缺口,必要时呈现多个可选方案,由科学家解释取舍。评分权重须经客户确认并检查敏感性。
6.3 客户获取渠道
6.3.1 一条主渠道与条件性辅助渠道
建议优先采用创始人主导、科学人员参与的定向BD。专业人员对具体项目的引荐作为辅助;是否可用取决于真实关系资源,不假定团队已经具备行业人脉。
| 渠道 | 买方触达与潜力 | 投入、难度与安排 |
|---|---|---|
| 定向BD | 可由项目负责人识别预算方。 | 研究、诊断、售前工时;中高难度;第一优先。 |
| 专业引荐 | 有助取得评估机会,不保证采购。 | 关系维护、冲突检查、联合沟通;有实际入口时辅助。 |
| CRO合作 | 接近项目,也可能自己提供分析。 | 需同时说服伙伴与客户,难度高;具体机会才推进。 |
| 行业会议 | 可能接触专家,未必有预算。 | 门票差旅、预约及跟进时间;有确认会面才参加。 |
| 科研合作 | 研究匹配不等于商业ICP匹配。 | 方法、权限、IP与发表协调;暂缓长期合作。 |
| 内容与白皮书 | 辅助科学评估,初期获客不确定。 | 专家撰写、审核和维护;仅制作必要售前材料。 |
| 广告与社交推广 | 泛投难筛当前H2L采购任务。 | 投放及低质量线索筛选;不投放广告,保留基本信息。 |
以上为定性判断,具体人天、费用和转化价值信息缺失,须实测。不采用消费互联网增长模型,不以曝光、下载或名片数衡量商业进展。Charles River与Valo的Logica公告可用于说明合作模式存在,但不能移植其效果或推定NextCycle的合作转介效率。[29]
6.3.2 BD实际开展方式
先研究少量可核验账户,围绕一个具体决策问题联系;诊断后只保留任务、责任人和下一步明确的机会。每次投入记录研究、沟通、技术评估与跟进工时;定期复盘无需求、预算不足、现有方案足够及数据不可开放等失单原因。
初期仅需交付样例、评估方法和安全/IP说明三项材料。没有客户授权,不公开身份、结构和结果;不为展示案例而索取额外数据权利。
6.4 客户转化路径
6.4.1 从资格识别到独立工作包
每个环节都有可检查的推进条件;以证据进入下一阶段,不按固定时间表自动转化。技术评估、供应商审查和合同谈判可在条件具备时并行,但未获数据权限不得先行分析。
| 环节与顾虑 | 具体行动及推进条件 | 暂停或流失原因 |
|---|---|---|
| 识别:是否与项目相关 | 核对H2L、候选和窗口;确认可能匹配。 | 阶段不符、停项。 |
| 接触:新供应商占用时间 | 展示任务样例;科学负责人愿诊断。 | 无负责人、无任务。 |
| 诊断:新增采购是否值得 | 核对现有缺口及预算;形成任务说明。 | 现状足够、无预算。 |
| 技术评估:数据可用与模型适配 | 权限和样本检查;方法、标准一致。 | 缺元数据、超适用域。 |
| 试点签约:成本、范围和信息风险 | 签工作说明书,约定款项与输入满足后启动。 | 免费诉求、采购阻滞。 |
| 效果复盘:结果是否完整可信 | 验收与价值分别评估;保留失败和否决原因。 | 无增量、实验未执行。 |
| 后续合作:后续任务及持续交付 | 新任务、新预算和新订单明确。 | 项目结束、预算冻结。 |
这是阶段门槛表,不使用虚构人数、转化率或按图形宽度暗示成功概率。
6.4.2 资格审查与付费分析的边界
售前仅核对问题、字段样例、来源权限、处理规模及环境要求。免费工作不扩展为整库清洗、定制模型或反复专家评审;内部须设置可用售前工时上限,其数值由资源盘点确定。
数据准备度不确定时,可以先采购有限诊断包,再由客户决定是否购买排序分析。诊断包不自动包含后续费用抵扣,若有抵扣须在报价中写清。诊断付款仅证明诊断任务可售,不能认定决策支持需求成立。
正式合作的两条判断:客户购买流程改进时,可按已验证的工作量和交付价值决定下一工作包,不必一律等待湿实验。客户购买更好的候选选择时,则需要相应科学证据,不能仅以报告完整作为续购理由。
方案以有偿试点为原则,不存在预设的免费转付费漏斗。例外研究验证须单列成本、权限和停止条件,不能计入付费客户或商业收入。
6.4.3 可信交付与数据治理
客户向新公司提供数据的前提是:任务值得做、责任人可信、风险可限制且结果可检查。NDA、公开演示和品牌材料都是辅助条件,不能替代实际科学能力和安全控制。
| 方面 | 承接前必须明确 | 应保留的证据 |
|---|---|---|
| 专业责任 | 谁分析、谁审核、谁解释客户背景。 | 真实履历、任务经验、审核分工。 |
| 数据访问 | 最小数据、授权人员和处理位置。 | 访问审批、项目隔离及权限记录。 |
| 第三方工具 | 是否传输、留存、训练或转委托。 | 供应商清单、许可与数据处理条款。 |
| 输出审查 | 实测、预测、缺失及适用域分开。 | 数据来源、模型版本、审核和修改记录。 |
| IP与用途 | 原始数据、结果、既有方法及新发现。 | 权属、使用范围和另行授权条款。 |
| 退出与事件 | 交接、删除、备份和事故处置。 | 可执行流程、责任人及合同安排。 |
若审核能力或安全条件不足,应暂缓承接,而不是在营销材料中写入尚未实现的功能。客户要求私有部署时单独评估能力和成本,不将其作为首发标准配置。
数据与知识产权边界:去掉项目名称并不能让分子结构失去商业敏感性。未经另行明确授权,客户数据不用于跨客户训练或营销;复用限于不含客户机密的通用方法、模板与流程。数据来源涉及合作方时核查客户是否有权委托处理。
项目产生新发现时另约权属,不以“AI输出”概括处理。客户保留最终科学判断权,也不能免除NextCycle对约定交付质量、数据处理和错误纠正的责任。
外部规范的正确用途:2026年FDA/EMA原则强调使用情境、多学科参与、数据治理和性能评估,可作为设计参考,不是中国市场准入认证。[7]
《网络数据安全管理条例》规定安全义务;具体数据类别与活动决定适用要求。不能一概认定分子数据均为重要数据,也不能因不含个人信息忽略安全。[31]推荐性数据委托合同可帮助梳理条款,仍需按实际项目细化。[32]
6.4.4 首批有偿试点的工作说明书
建议以一个项目、一个候选集合、一个具体决策任务开展首批试点。开始前确认科学审核能力和输入,避免把技术探索、数据修复与商业交付混在无限范围内。
| 项目要素 | 必须约定的内容 |
|---|---|
| 问题与边界 | 要支持的决策、不解决的问题及客户决策日期。 |
| 输入 | 候选身份、结构、数据批次、截止时间、测定条件、来源与权限。 |
| 数据门槛 | 关键缺失、异常及不可比数据如何处理;哪些问题触发暂停。 |
| 比较方法 | 硬约束、可权衡指标、模型适用域、人工判断及简单基线。 |
| 交付 | 质量清单、候选比较、理由与限制、实验建议、评审及修改记录。 |
| 执行条件 | 客户科学负责人、必要专家、数据交接与后续实验安排。 |
| 验收付款 | 任务与质量标准、款项节点、验收时限和争议处理方式。 |
| 范围变更 | 新增数据、维度和任务单独确认;原交付错误按约纠正。 |
| 终止 | 数据不适用、项目暂停时如何结算、交接与删除。 |
不预设分子数量、固定天数和价格。待样本及可用工时确认后填入,且须由客户同意。若诊断后无法可靠比较,应交付适用性结论,不为完成排序而制造精度。
两类优先级必须区分:候选优先级回答哪些分子更可能满足项目标准;实验优先级还需回答哪项测试能消除关键不确定性、成本和时间是否可接受。分子排名靠前,不等于它的每项实验都应优先执行。
试点先选定其中一个主要决策目标,再界定关联输出。涉及探索性补测时,不能只统计达标分子比例,否则可能惩罚有信息价值但结果为阴性的实验。
验收与价值双记录:合同验收检查约定任务、可追溯性、限制和纠错,不以获得合格先导物为必要条件。商业价值则按客户原始购买理由复盘,允许出现“交付合格但不值得复购”的结果。
实际合成、活性及ADMET等验证由客户或CRO执行;NextCycle不承担实验成功保证。科学家对建议的采纳或否决及原因都应留存,不能只挑选认可意见作为案例。
6.4.5 试点效果与科学验证
验证应与拟宣传的价值一致。公开数据演示证明流程可展示;历史对照提供有限方法证据;真实前瞻任务才能检验实际工作和科学表现。任何层级都不能自动替代付款或重复采购证据。
| 验证层级与方法 | 可以支持什么 | 不能推出什么 |
|---|---|---|
| 工作流:同范围记录准备、审核、返工与错误。 | 客户工作负担和追溯改善。 | 候选更优或实验成本已下降。 |
| 模型增量:历史时间切分,比较现状和简单规则。 | 限定数据和任务中的表现。 | 未做实验候选的真实结果。 |
| 前瞻任务:冻结输入、标准和建议后跟踪执行。 | 真实项目中的建议表现。 | 无对照时的因果效率提升。 |
| 商业验证:真实报价、合同、付款及成本。 | 特定范围的采购与交付经济性。 | 长期留存、规模化需求。 |
历史验证的边界:历史结果通常来自当时被选中的候选,未被选择的分子可能没有标签。时间切分可降低泄漏,但不能消除历史选择偏差。因此,不用回顾性排序推算“避免了多少低价值实验”。化学机器学习最佳实践支持适当基线、数据切分及与应用情境一致的验证。[30]
若仅验证现有数据整理,必须另行说明尚未验证预测性能。模型无法超过简单规则时,应如实披露;客户可能仍认可整合服务,但AI增量优势不能由此成立。
前瞻验证的可行安排:客户预算与科学判断允许时,在可比候选、测试标准和资源约束下设计对照。不能为了宣传要求客户承担不必要的平行实验,也不能省略其认为必要的确认测试。
只有自然产生的结果时报告描述性发现。记录推荐、实际执行、合成失败、未完成、缺失及达标结果,分母透明。探索性实验另记录其解决的不确定性,避免与达标筛选任务混算。
药化、生物学和DMPK人员判断数据可比性与科学合理性;客户或CRO提供真实实验;预算方确认付费价值;NextCycle记录方法、版本和成本。AI分析可辅助设计协议,不能替代以上证据。
6.5 商业模式与资源安排
继续采用有限范围FFS工作包。诊断、排序分析及经确认的后续任务可分别报价,但须避免把基础审核、纠错与原范围修订重复收费。框架协议无具体订单或最低承诺时不计为确定收入。
6.5.1 报价的三个约束
客户购买价值决定可接受范围;完整交付成本决定可持续承接条件;团队能力决定实际可交付内容。成本加成不是客户付费意愿的证明,报价过低也不能依赖未确认复购弥补。
售前先检查数据准备度,再估算清洗、分析、审核、沟通、计算、许可与返工成本。若价格无法覆盖可持续成本,应缩小或拒绝任务;有限研究补贴须单列,不能掩盖常规毛利。
6.5.2 成本与现金台账
| 成本或收入项 | 记录方法 | 管理含义 |
|---|---|---|
| 市场探索与共研 | 单列任务、工时和费用。 | 不混入成熟渠道CAC或普通交付效率。 |
| 获客与技术售前 | 账户研究、诊断、会议及专家工时。 | 同时报告现金与完整成本。 |
| 直接交付 | 人员、审核、计算、专属许可及返工。 | 创始人工时不能按零处理。 |
| 共享交付与期间费用 | 按一致规则归集或分摊。 | 保留闲置资源成本,避免双计。 |
| 合同与收入 | 签约、履约、验收分别记录。 | 合同额及预付款不等于已确认收入。 |
| 回款与现金占用 | 逐节点实收和支出。 | 核验垫资是否超过可用现金。 |
项目毛利=项目净收入-完整交付成本;未分摊交付成本与期间费用仍须在公司经营测算中保留。首年不使用未经验证的LTV/CAC倍数指导扩张。
6.5.3 产能与接单门槛
先盘点分析、科学审核、BD和运营职责;不假设创始人能无限兼任。并行项目数量由最紧缺的实际审核或交付工时决定,须预留返工与客户沟通。
没有数据权限、科学审核资源、约定输入或可承担的现金安排时不启动。具体启动款比例和账期按合同协商,不设为已被客户接受。私有部署、额外集成及复杂专家判断均先核算,不隐含包含在基础包内。
6.6 十二个月市场进入路线图
以正式启动月为M1。若2026年11月启动,对应至2027年10月。月份为复盘安排,不代表客户会在固定期限内完成采购。各阶段可延长;企业现金承受能力不足时须停止或收缩。
| 阶段 | 战略目标与行动 | 资源与交付 | KPI及阶段门槛 |
|---|---|---|---|
| M1—M3 | 盘点能力现金;核验真实任务、替代与预算;完成可复现样例。 | 创始人BD、明确科学审核者、按需法务;任务和成本估算。 | 至少形成一个任务、数据、审核者和采购路径均明确的可报价机会;否则收窄筛选。 |
| M4—M7 | 在条件满足后签首个有偿试点,测量完整交付和回款。 | 受控环境、已核实分析审核工时;合同、结果与成本台账。 | 争取完成一个付费试点闭环;未获付款或成本失控时复核采购理由,不扩大渠道。 |
| M8—M12 | 检验同类任务能否重复销售及交付;修订报价和模板。 | 按真实订单排期;复盘包、客户反馈和下一任务。 | 争取另一独立客户或真实追加任务;扩张还需跨客户证据、可接受毛利及现金。 |
数量为建议的最低学习里程碑,不是销量预测;未达到时不能将意向或免费研究替代。单一客户追加订单有参考价值,但不足以证明跨客户复制。
与财务预测的衔接:本节是验证型路线图,第七章2027年6包等数字是独立的经营模拟目标,并非本路线图已经支持的销售预测。若未能建立与项目量匹配的真实商机、成交节奏和交付产能,应同步下调财务假设,不以学习里程碑完成推定年度销量实现。
可衡量但不虚构的KPI:每月记录合格商机数、真实报价及反馈、各审批阶段停留时间、付费与回款、全部交付工时、重大错误、返工原因和价值评价。未知值标注待实测,不填零,不从访谈数倒推未经验证的转化率。
下一阶段资源预算必须先获实际可用资金和工时支持。团队与资金信息缺失时,只能安排核验工作,不能视为已有招聘或市场预算。
6.7 GTM风险与管理指标
以下为管理判断,不赋予未经统计验证的发生概率。风险控制的目的,是在继续投入前识别不可交付、不可采购或不经济的任务。
| 风险 | 预警信号 | 行动与停止条件 |
|---|---|---|
| 独立需求不成立 | 认可技术但不愿采购;现有服务足够。 | 回到具体任务和替代比较,无独立理由则降级。 |
| 技术价值不足 | 不如简单基线、超适用域、不可复现。 | 限制输出,修正方法;不继续宣传效果优势。 |
| 数据与IP | 授权不清、第三方留存不符。 | 暂停接入,核实权限、条款和真实环境。 |
| 采购与回款 | 无预算人、审批无下一步、逾期。 | 限制售前与垫资,按合同处理,不靠扩大销售掩盖。 |
| 试点失败 | 实验未执行、无改善或评价不一致。 | 区分输入、方法和执行原因,不无限免费返工。 |
| 成本与产能 | 清洗审核超预算、定制持续增加。 | 范围变更、重估报价;成本无法覆盖则停止承接。 |
本章沿用原稿2026年10月20日的研究基准。动态官网用于识别供给,不能据此推定历史业绩、国内价格或客户接受度。公开资料未解决的需求、成本和能力问题,均列入验证任务,不作确定事实使用。内部版本及讨论材料仅为方案演进依据,不是市场实证。[33]
返回封面 ↑七财务预测与融资需求
7.1 商业模式与财务假设
NextCycle AI面向中国中小型创新药Biotech,在肿瘤小分子Hit-to-Lead阶段提供项目级数据整合、候选分子多维排序及下一轮实验优先级建议。公司为科学家提供可追溯的决策支持,不代替客户作出最终研发判断,也不从事化合物合成、检测及其他湿实验。
商业模式以FFS标准工作包为主。一个工作包对应约定范围的客户分析任务,标准交付包括数据整编与质量核对、候选排序、风险诊断、下一轮实验建议及交付评审(D1—D5)。超出原范围的深度专家咨询和增量分析(D6—D7)经独立确认后收费;达到合同质量恢复条件的免费复算由交付成本承担。客户数据训练授权(D8)不构成常规销售收入。公司不预测订阅、实验转售、成果分成或版税收入。
沿用原方案内部设定,标准包悲观价格区间为8—15,基准20—35,乐观40—60。模型分别取12、25、40作为情景计算价格;具体成交价、项目数量和成本均属未经验证的模拟假设,不作为市场报价证据。基准标准包价格三年保持25,不通过提价驱动收入增长。[33][34]
| 核心假设 | 2027 | 2028 | 2029 |
|---|---|---|---|
| 基准单价(万元/包) | 25 | 25 | 25 |
| 已交付并确认项目(包) | 6 | 14 | 26 |
| 单包直接成本(万元) | 10 | 9 | 8 |
| 增值及其他收入 | 0 | 0 | 0 |
| 当年收入回款率 | 70% | 85% | 90% |
为保持模型可解释性,按已交付并符合收入确认条件的项目计入营业收入,不将签约额、预收款或未履约框架协议视为收入。成本按直接项目交付、共享交付资源、研发、基础算力、数据工具、销售和管理分层归集。
7.2 三年营业收入预测
基准情景假设2027—2029年分别完成6、14和26个标准项目包,每包收费25,营业收入分别为150、350和650,三年合计1,150。该增长主要来自项目交付数量提升,不预设客户复购、成功率提升、涨价或新增收入项目;年度项目量仍需销售漏斗与项目产能验证。
| 指标 | 2027 | 2028 | 2029 | 三年合计 |
|---|---|---|---|---|
| 标准包数量(包) | 6 | 14 | 26 | 46 |
| 单包净售价 | 25 | 25 | 25 | — |
| 标准包收入 | 150 | 350 | 650 | 1,150 |
| 其他收入 | 0 | 0 | 0 | 0 |
| 营业收入 | 150 | 350 | 650 | 1,150 |
7.3 成本结构与盈利能力
单包直接成本覆盖项目交付人员工时、外部专家审核、增量计算及存储、项目数据整编与专属工具、返工和质量复算预留。2027—2029年单包直接成本假设为10、9、8,下降来自标准化流程和模板复用,而非未经证明的药物研发效果提升。
共享交付人员、内部研发和基础云资源与直接交付项目分别核算,同一人员工时或计算资源不得重复计费。财务表中的基础算力、共用数据及工具列为期间费用,是本模拟模型的归集安排;正式核算须按实际用途区分交付与研发等活动。
| 项目 | 2027 | 2028 | 2029 | 合计 |
|---|---|---|---|---|
| 营业收入 | 150 | 350 | 650 | 1,150 |
| 直接交付人员 | 30 | 63 | 104 | 197 |
| 项目外部专家 | 9 | 21 | 33.8 | 63.8 |
| 增量计算与存储 | 7.2 | 14 | 23.4 | 44.6 |
| 项目数据整编及工具 | 7.8 | 15.4 | 26 | 49.2 |
| 返工、质量复算预留 | 6 | 12.6 | 20.8 | 39.4 |
| 直接交付成本 | 60 | 126 | 208 | 394 |
| 共享交付与质量管理 | 24 | 36 | 48 | 108 |
| 营业成本 | 84 | 162 | 256 | 502 |
| 毛利润 | 66 | 188 | 394 | 648 |
| 研发费用 | 100 | 115 | 135 | 350 |
| 基础算力 | 18 | 24 | 30 | 72 |
| 共用数据及工具 | 12 | 15 | 18 | 45 |
| 市场与销售 | 35 | 55 | 80 | 170 |
| 行政与合规 | 40 | 48 | 60 | 148 |
| 期间费用 | 205 | 257 | 323 | 785 |
| 经营总成本 | 289 | 419 | 579 | 1,287 |
| 经营利润 | -139 | -69 | 71 | -137 |
| 毛利率 | 44.0% | 53.7% | 60.6% | 56.3% |
| 经营利润率 | -92.7% | -19.7% | 10.9% | -11.9% |
基准情景显示,公司2027年和2028年分别预计发生经营亏损139和69,2029年实现年度经营利润71、经营利润率10.9%;但三年累计经营亏损137。经营利润为不含融资费用、所得税与非经营项目的简化税前结果,不等同于净利润。
7.4 现金流预测与融资需求
FFS项目履约确认收入与收取现金可能发生在不同时间。模型假定2027—2029年当年收入分别有70%、85%、90%在当年收回,上年剩余应收在次年全部收回;当年经营成本全额付现,资本及一次性投入分别为25、20、20。
收款、支出及坏账假设均待实证,模型暂未细化月度付款、折旧、税费和应付账款。资本及一次性支出作为独立现金预算列示,不能与已列经营成本重复;正式建模时须进一步区分资本化支出与应计入费用的一次性支出。[35]
| 基准现金流 | 2027 | 2028 | 2029 | 三年合计 |
|---|---|---|---|---|
| 当年确认收入 | 150 | 350 | 650 | 1,150 |
| 当年收入回款 | 105 | 297.5 | 585 | 987.5 |
| 收回上年应收 | 0 | 45 | 52.5 | 97.5 |
| 现金流入 | 105 | 342.5 | 637.5 | 1,085 |
| 经营现金支出 | 289 | 419 | 579 | 1,287 |
| 经营净现金流 | -184 | -76.5 | 58.5 | -202 |
| 资本及一次性支出 | 25 | 20 | 20 | 65 |
| 投资及一次性支出后净现金流 | -209 | -96.5 | 38.5 | -267 |
| 年末未收应收款 | 45 | 52.5 | 65 | — |
| 累计未融资现金流 | -209 | -305.5 | -267 | — |
基准年度最低累计未融资现金余额为2028年末的-305.5。在此基础上沿用模拟现金安全储备54.5,对应初步融资测算360。该金额仅覆盖所设基准年度现金路径,不等于全部风险情景下充分的融资额,也未证明年内最低余额受到覆盖。
按2028年度经营成本平均折算,54.5的储备约相当于1.6个月支出,仍需基于月度现金流重新确认资金安全底线。
| 融资用途(基准) | 金额 | 占比 |
|---|---|---|
| 2027—2028年经营现金净缺口 | 260.5 | 72.4% |
| 2027—2028年资本及一次性投入 | 45 | 12.5% |
| 现金安全储备 | 54.5 | 15.1% |
| 融资额合计 | 360 | 100.0% |
7.5 盈亏平衡及情景分析
以2029年经营预算为例,单包价格25、直接成本8,对应单包贡献额17;年度共享交付、研发、基础算力、数据工具、销售和管理费用合计371,静态盈亏平衡交付量为向上取整371÷17,即22包。基准项目量26包仅高于该阈值4包,体现盈利结果对销量与单位成本的敏感性。该阈值以固定费用和单位直接成本不变为条件,不代表扩张后的动态盈亏平衡点。
基于内部价格区间,设定悲观、基准、乐观情景,并按相同的收入口径、成本分类和资本支出标准计算。乐观情景另计较高的销售及共享交付资源开支。乐观价格40及其盈利水平仅用于展示高假设边界,尚不具备复购与成交证据。
| 情景/年度 | 2027 | 2028 | 2029 | 三年合计 |
|---|---|---|---|---|
| 悲观项目数(包) | 4 | 9 | 16 | 29 |
| 悲观营业收入 | 48 | 108 | 192 | 348 |
| 悲观经营总成本 | 277 | 392 | 531 | 1,200 |
| 悲观经营利润 | -229 | -284 | -339 | -852 |
| 悲观经营利润率 | -477.1% | -263.0% | -176.6% | -244.8% |
| 基准项目数(包) | 6 | 14 | 26 | 46 |
| 基准营业收入 | 150 | 350 | 650 | 1,150 |
| 基准经营总成本 | 289 | 419 | 579 | 1,287 |
| 基准经营利润 | -139 | -69 | 71 | -137 |
| 基准经营利润率 | -92.7% | -19.7% | 10.9% | -11.9% |
| 乐观项目数(包) | 8 | 20 | 35 | 63 |
| 乐观营业收入 | 320 | 800 | 1,400 | 2,520 |
| 乐观经营总成本 | 306 | 474 | 653 | 1,433 |
| 乐观经营利润 | 14 | 326 | 747 | 1,087 |
| 乐观经营利润率 | 4.4% | 40.8% | 53.4% | 43.1% |
以上保留原方案三种情景的成本总额。悲观、乐观情景尚需进一步补齐与单包工时、专家审核、人员编制及固定费用相对应的逐项明细;在明细完善前,相关盈利结果仅为条件性模拟,不能认定为已获产能支撑的预算。
在三种情景采用相同年度收款比例和资本支出的可比测试下,悲观、基准、乐观情景最大年度累计未融资现金缺口分别为936.2、305.5和107;统一加入54.5的模拟储备后,对应需求为990.7、360和161.5。
悲观情景2027—2029年持续亏损,无法仅靠基准融资额覆盖;追加融资也不能替代客户付费和单位经济性验证。
| 现金情景 | 2027累计 | 2028累计 | 2029累计 | 最大现金缺口 | 含储备需求 |
|---|---|---|---|---|---|
| 悲观 | -268.4 | -574.2 | -936.2 | 936.2 | 990.7 |
| 基准 | -209 | -305.5 | -267 | 305.5 | 360 |
| 乐观 | -107 | 175 | 882 | 107 | 161.5 |
八风险分析与应对策略
NextCycle AI的主要风险源于科学价值验证、真实付费能力、项目交付效率及敏感研发数据治理。公司拟采取以实际交付证据为基础的风险监测机制,不预设AI建议能够替代湿实验验证,也不将科学家建议采纳率直接等同于药物开发成功率。
8.1 技术与科学验证风险
多源实验数据存在批次、单位、测定条件及缺失项差异,模型输出可能受到适用域限制。候选排序和下一轮实验建议即使形式完整,也未必为客户带来相对于现有人工分析或计算工具的增量价值。
公司将通过授权历史项目的回顾性对照、由药化/生物学/DMPK人员参加的独立复核以及前瞻性工作流试点,验证输入数据质量、输出可追溯性、结果可复现性和决策准备效率。输出必须呈现依据、不确定性及科学家可否决的建议,不承诺实验效果或药物研发成功。历史验证仍须遵守第六章关于数据泄漏、选择偏差及未观测结果的限制。[30]
8.2 客户付费与市场风险
客户是否愿为不包含湿实验的决策支持工作包单独支付费用是核心商业风险。25万元的基准定价仅位于既有20—35万元价格假设区间,并无已验证的签约支持;6/14/26包的年度项目数同样属于模拟目标。[34]
公司应通过具备预算和审批权限的客户访谈、真实报价测试及采购反馈校准可实现价格、销售周期与成交数量,在缺少复购证据前不计入稳定追加收入。
竞争方面,公司应以项目级数据整合、可解释性与可交付的决策建议检验差异化,而不对现有软件、CRO或客户内部团队形成替代能力作未经验证的断言。
8.3 经营成本与现金流风险
项目数据准备度、专家审核和返工次数可能导致直接交付成本高于预算;同时人员与基础云资源投入产生固定费用压力。
公司拟通过明确分子集规模、输入数据质量门槛、交付维度、约定修订次数及超范围变更机制控制单位成本,并实施人员工时、云账单与共享费用的统一分摊。约定修订边界不用于免除NextCycle对自身交付错误的纠正责任。
财务管理方面按月跟踪合同、收入确认、实际回款、在制项目、资本开支及现金余额;在融资未落实或付费验证不足前,按照实际订单和产能审慎安排固定招聘。
8.4 数据安全、知识产权与合规风险
客户未公开分子结构、实验结果及合作方材料涉及商业秘密与合同授权边界。NextCycle AI原则上采用受控的数据访问、分项目隔离、最小权限管理、传输与存储安全措施及访问日志;未经另行授权,不将客户数据用于训练或其他项目。
对数据来源、第三方许可、交付成果权属、保密义务及删除机制应作逐项目合同约定。针对可能涉及个人信息、人类遗传资源或跨境数据处理的情形,依据实际数据类型与业务活动开展法务评估,不预设全部项目均触发或免于特定备案、审批义务。相关制度与合同安排应在实际承接前确认适用性。[31][32]
8.5 风险矩阵及风险缓解措施
采用发生可能性P(1—5)与影响程度I(1—5)的乘积作为管理排序指标。1—5为低、6—11为中、12—19为高、20—25为极高;评分系管理判断,不是基于样本估算的统计发生概率。
| 编号与主要风险 | P | I | 得分 | 等级 |
|---|---|---|---|---|
| R1 客户付费意愿和价格不足 | 4 | 5 | 20 | 极高 |
| R2 技术决策价值未验证 | 3 | 5 | 15 | 高 |
| R3 数据泄露与知识产权损失 | 2 | 5 | 10 | 中 |
| R4 项目交付成本超预算 | 4 | 4 | 16 | 高 |
| R5 销售转化缓慢 | 4 | 4 | 16 | 高 |
| R6 竞争与价格压力 | 3 | 4 | 12 | 高 |
| R7 融资、回款及流动性 | 3 | 4 | 12 | 高 |
| R8 数据权限与法规 | 2 | 4 | 8 | 中 |
| R9 模型适用域与可复现 | 3 | 3 | 9 | 中 |
| R10 关键人才依赖 | 2 | 3 | 6 | 中 |
| R11 项目交付产能不足 | 3 | 4 | 12 | 高 |
| R12 客户数据不可用 | 4 | 4 | 16 | 高 |
风险缓解重点包括:
- R1:以真实报价与付费转化校正售价。
- R2:以回顾性对照和科学家复核检验决策价值,并以相应前瞻证据验证科学效果。
- R3及R8:以数据授权、隔离与合同审查控制信息风险。
- R4与R12:通过接单前数据准备度评估和工作包上限降低超支。
- R5和R6:以真实商机、采购周期和失单原因复核市场假设。
- R7:建立滚动现金预测及收款节点控制。
- R9:保留模型版本、适用域与复算记录。
- R10、R11:通过人员工时计划、专家备份及并行项目排期应对交付容量限制。
风险评级随真实试点、合同及财务记录定期调整。数据安全、授权和保密属于承接前置条件,即使管理矩阵得分为“中”,也不意味着可以降低必要控制要求。
参考资料与核验说明
全篇采用统一编号,正文中的参考序号可点击跳转至对应条目。以下资料按原稿所提供的题名、年份、链接与核验记录整理,重复来源已合并。本HTML整理不等于重新完成外部事实核验;原稿中仅写“原文”“查看原文”而未附实际网址的条目,保留书目信息并明确标注,不虚构链接。企业资料仅证明公开披露的业务与功能,不作为独立效果、国内采购条件或NextCycle经营表现的证据。
- Cancer incidence and mortality in China, 2022. 国家癌症中心,2024年2月2日。
- 国家药监局药品审评中心:《中国新药注册临床试验进展年度报告(2024年)》。 2025年6月19日。
- Strovel J, Sittampalam S, Coussens NP, et al. Early Drug Discovery and Development Guidelines: For Academic Researchers, Collaborators, and Start-up Companies. NIH/NCATS, Assay Guidance Manual。2012年5月发布,2016年7月更新。 查看原文。
- Chung T. D. Y., Terry D. B., Smith L. H. In Vitro and In Vivo Assessment of ADME and PK Properties During Lead Selection and Lead Optimization – Guidelines, Benchmarks and Rules of Thumb. NIH/NCATS, Assay Guidance Manual,2015年。 查看原文。
- The Medicinal Chemistry in the Era of Machines and Automation. Journal of Medicinal Chemistry,2020年。
- Automation of Synthesis in Medicinal Chemistry: Progress and Challenges. ACS Medicinal Chemistry Letters,2020年。
- U.S. Food and Drug Administration / European Medicines Agency. Guiding Principles of Good AI Practice in Drug Development. 2026年1月。 查看官方页面。
- Charles River Laboratories. 2025 Form 10-K. Charles River/美国SEC,2026年披露。
- 药明康德:《2025年年度报告》。 药明康德/港交所,原稿标注日期为2026年3月23日。
- Yang K, et al. Analyzing Learned Molecular Representations for Property Prediction. Journal of Chemical Information and Modeling,59(8),2019年。 查看开放全文。
- Schrödinger. LiveDesign. 动态产品页面。 查看产品页面。
- Charles River Laboratories. Hit-to-Lead Services in Drug Discovery. 动态服务页面。 查看服务页面。
- Benchling. The Benchling Platform. 动态产品页面。 查看产品页面。
- Dotmatics. The Small Molecule Drug Discovery Solution. 动态解决方案页面。 查看解决方案。
- Dotmatics. Antabio Implement Web-based Informatics Solution to Facilitate Global Collaborations. 供应商客户案例。 查看案例。
- Certara. D360 Fact Sheet. 2025年。 查看PDF。
- Certara. D360 Scientific Informatics Platform. 动态产品页面,原稿未列发布日期。 查看产品页面。
- Certara. D360 Express. 动态产品页面,原稿未列发布日期。 查看产品页面。
- Insilico Medicine. Chemistry42. 动态产品页面,原稿未列发布日期。 查看产品页面。
- Schrödinger. LiveDesign ML. 动态产品页面,原稿未列发布日期。 查看产品页面。
- XtalPi. Drug Discovery. 动态服务页面,原稿未列发布日期。 查看服务页面。
- XtalPi. Hit or Lead Optimization. 动态服务页面,原稿未列发布日期。 查看服务页面。
- Evotec SE. Individual Financial Statements 2025. 2025年度单体财务报表。 查看PDF。
- Schrödinger, Inc. 2025 Form 10-K. 报告期截至2025年12月31日,美国SEC,2026年披露。 查看SEC原文。
- Amazon Web Services. Amazon EC2 On-Demand Pricing. 动态计费页面。 查看计费说明。
- Amazon Web Services. Amazon S3 Pricing. 动态计费页面。 查看计费说明。
- RDKit. license.txt. GitHub代码仓库许可文件。 查看许可文件。
- Schrödinger. Modeling Services. 动态官方服务页面。
- Charles River与Valo:Logica合作公告。 2022年4月27日。
- Artrith et al. Best practices in machine learning for chemistry. Nature Chemistry,2021,13:505–508。
- 国务院:《网络数据安全管理条例》。 2024年公布,2025年施行。
- 国家数据局、市场监管总局:《数据委托处理服务合同》。 原稿标注为2025年7月发布的推荐性合同范本。
- 内部方案与版本沿革材料。 包括原稿所述《计划书(1).docx》《计划书-2.docx》、商业模式小组设定、原GTM稿及相关批判性审查材料。
- NextCycle AI内部模拟假设。 2027—2029年价格、交付包数、单包成本、研发及营销费用、回款比例、资本及一次性投入和54.5万元现金储备。
- 财务模型边界与使用说明。 采用简化税前经营利润及年度现金收支法。