Pharma IT

Schrodinger vs. Insilico Medicine: Rapporto di confronto

Fisica vs AI generativa per la progettazione di farmaci oncologici. Confronto tra Schrodinger e Insilico Medicine su pipeline, accordi e dati di prova.

Mrudula Kulkarni
Di Mrudula Kulkarni
Caporedattore - Pharma Now
3 ago 202630 min di lettura
Schrodinger vs. Insilico Medicine: Rapporto di confronto

A metà degli anni 2010, due aziende tracciarono percorsi radicalmente diversi verso Scoperta di farmaci guidata dall'AI. Una, Schrodinger, puntò sulla fisica: decenni di simulazioni meccaniche quantistiche, sviluppo di campi di forza e l'ipotesi che se si potesse modellare il comportamento molecolare con sufficiente accuratezza, si potessero prevedere gli esiti clinici. L'altra, Insilico Medicine, puntò sui dati: che reti neurali profonde addestrate su vasti set di dati biologici potessero progettare nuove molecole terapeutiche più rapidamente di qualsiasi approccio tradizionale.

Entro il 2026, entrambe le scommesse hanno prodotto risultati straordinari nello sviluppo di farmaci per il sviluppo di farmaci oncologici, e entrambe hanno rivelato altrettanto straordinarie limitazioni. Per i dirigenti farmaceutici che devono scegliere tra di esse o decidere come integrare una di esse in una esistente strategia di scoperta di farmaci con AI, la scelta non è più solo tecnica. È strategica, finanziaria e, in ultima analisi, legata alle specifiche sfide oncologiche che ciascuna organizzazione affronta.

Questo articolo fornisce un confronto rigoroso e basato su prove tra la piattaforma basata sulla fisica di Schrodinger's physics-based platform and Insilico Medicine's generative piattaforma di chimica AI, con particolare attenzione alle applicazioni oncologiche. Basandosi su pubblicazioni peer-reviewed, dati sui pipeline clinici, metriche di accordi e precedenti regolatori fino a giugno 2026, offre ai dirigenti il quadro analitico per prendere decisioni informate su partnership, licenze e investimenti.


1. Il panorama della scoperta di farmaci oncologici con AI

1.1 Perché l'oncologia è il campo di prova per le piattaforme di chimica con AI

L'oncologia rappresenta sia il bisogno insoddisfatto più grande sia l'ambiente di prova più brutale per le piattaforme di scoperta di farmaci con AI. I tassi di abbandono dei farmaci oncologici rimangono ostinatamente alti: un'analisi del 2022 su Nature Reviews Drug Discovery (Wong et al., 2022) ha documentato un tasso di successo clinico complessivo di appena il 5,1% per i farmaci oncologici, rispetto al 20,9% per altre aree terapeutiche, rendendola il contesto con le poste in gioco più alte per qualsiasi tecnologia di scoperta.

La complessità biologica del cancro, che comprende eterogeneità tumorale, meccanismi di resistenza acquisita, esigenze di polifarmacologia e la necessità di alta selettività per preservare le finestre terapeutiche, pone le piattaforme di chimica AI in condizioni che espongono ogni limite. Nessun'altra area patologica esige la contemporanea ottimizzazione di potenza, selettività, proprietà ADMET e profilo di resistenza allo stesso livello.

"La domanda per qualsiasi piattaforma di chimica con AI non è se può progettare molecole potenti. La domanda è se può affrontare la piena complessità della biologia oncologica, dalle chinasi mutate alla letalità sintetica, con il rigore che la traduzione clinica richiede."

— Feng Zhang, Broad Institute (Cell, 2023)


1.2 Contesto di mercato


Segmento

Valore 2023

Proiezione 2028

CAGR

Rilevanza

Scoperta di farmaci oncologici con AI

$1.4B

$6.8B

37.2%

Mercato diretto della piattaforma

Software di chimica computazionale

$2.1B

$5.2B

19.9%

mercato principale di Schrodinger

Progettazione di farmaci con AI generativa

$0.6B

$4.1B

46.7%

principale motore di crescita di Insilico

Partnership pharma per l'AI (Oncologia)

$3.8B (deal value)

$18.2B

36.8%

Opportunità di fatturato per entrambi

Ottimizzazione dei trial clinici con AI

$0.9B

$3.7B

32.5%

Opportunità adiacente per entrambe le piattaforme

Fonti: Grand View Research (2024); MarketsandMarkets (2024); Evaluate Pharma (2024)


2. Schrodinger: AI basata sulla fisica per l'oncologia

2.1 Architettura della piattaforma e tecnologia core

Fondata nel 1990 e quotata in borsa al NASDAQ (SDGR) nel 2020, Schrodinger ha costruito la sua piattaforma sul presupposto che simulazione basata sulla fisica potesse raggiungere una precisione predittiva impossibile solo con metodi empirici. Lo stack computazionale core dell'azienda integra calcoli meccanico-quantistici, simulazioni di dinamica molecolare (MD) e machine learning per modellare il comportamento biofisico delle interazioni farmaco-target a risoluzione atomica.

Il fulcro delle capacità oncologiche di Schrodinger è FEP+ (Free Energy Perturbation Plus), un'implementazione di calcoli di energia libera alchemica che può prevedere le differenze di affinità di legame tra molecole congeneriche con una accuratezza di 0.5-1.0 kcal/mol (Wang et al., 2015, JACS). Questo livello di precisione è critico in oncologia dove una potenza sub-nanomolare e la selettività contro membri strettamente correlati della famiglia delle chinasi possono determinare la fattibilità clinica.

L'interfaccia della piattaforma Maestro integra FEP+ con la progettazione di farmaci basata sulla struttura (SBDD), lo screening virtuale (Glide), la previsione ADMET (QikProp) e la previsione delle proprietà potenziata dal machine learning. Un aggiornamento del 2023 ha introdotto FEP potenziato dall'IA (AIFEP), riducendo il costo computazionale di circa il 40% mantenendo l'accuratezza per bersagli oncologici canonici tra cui KRAS, CDK4/6, EGFR e proteine della famiglia BCL-2.


2.2 Pipeline oncologica e applicazioni validate

Schrodinger ha sviluppato internamente la propria pipeline oncologica proprietaria utilizzando la sua piattaforma di chimica basata sull'IA e include programmi su KRAS G12C/G12D, WEE1, CDC7 e SOS1. Il più avanzato è SGR-2921, un inibitore di CDC7 che è entrato in sperimentazione clinica di Fase I nel 2022 (ClinicalTrials.gov NCT05268172). Questa molecola è stata progettata usando l'ottimizzazione guidata da FEP+ e dimostra la capacità della piattaforma di generare candidati clinici per bersagli oncologici.

Le evidenze fornite dai partner sono altrettanto significative. Un articolo fondamentale del 2020 su Journal of Medicinal Chemistry (Schindler et al., 2020) ha descritto l'uso del workflow Schrodinger FEP+ per progettare inibitori ALK altamente selettivi per il cancro polmonare non a piccole cellule (NSCLC), ottenendo miglioramenti di selettività di 100 volte rispetto ai composti clinici precedenti in un singolo ciclo design-make-test-analyse (DMTA).


2.3 Modello di business e ricavi

Schrodinger opera un modello di business ibrido che combina la licenza software (SaaS e perpetua) con una pipeline proprietaria di farmaci. Nel 2023, Schrodinger ha riportato ricavi totali di $149.8 million, di cui i ricavi software sono stati $130.1 million (Schrodinger Annual Report, 2024). Clienti software chiave in oncologia includono BMS, Pfizer, Roche e Novartis, che accedono a FEP+ e strumenti correlati tramite accordi di licensing enterprise.


3. Insilico Medicine: Generative AI for Oncology

3.1 Architettura della piattaforma e tecnologia di base

Fondata nel 2014 da Alex Zhavoronkov, Insilico Medicine ha costruito la sua piattaforma su un presupposto fondamentalmente diverso: che modelli di deep learning addestrati su dataset biologici e chimici su larga scala potessero non solo prevedere le proprietà molecolari ma generare nuove strutture molecolari de novo che soddisfino obiettivi di ottimizzazione multiparametrica. La Chemistry42 della società è l'incarnazione commerciale di questa visione.

Chemistry42 integra 42 moduli AI per la chimica generativa, inclusi generative adversarial networks (GANs), reinforcement learning (RL), variational autoencoders (VAE) e modelli di linguaggio molecolare basati su transformer, in un unico flusso di lavoro di progettazione molecolare AI. La piattaforma può esplorare uno spazio chimico stimato in 10^60 molecole con caratteristiche da farmaco, ben oltre la portata pratica della chimica combinatoria tradizionale o dello screening virtuale basato sulla struttura.

A completamento di Chemistry42 c'è PandaOmics, il motore AI di identificazione dei target e biologia delle malattie di Insilico che integra dati multi-omici (trascrittomica, proteomica, single-cell RNA-seq) per identificare e convalidare target farmacologici oncologici. La combinazione di AI per l'identificazione dei target e AI per la chimica generativa all'interno di una singola piattaforma rappresenta una differenziazione strategica rispetto all'approccio incentrato sulla chimica di Schrodinger.


3.2 ISM001-055 e la pietra miliare della prova di concetto clinica

Il momento cruciale per Insilico Medicine è arrivato con ISM001-055, un inibitore di TNIK (TRAF2- and NCK-interacting kinase) per la fibrosi polmonare idiopatica (IPF) che è diventato il primo piccolo composto progettato e scoperto da AI a entrare in studi clinici di Fase II, annunciato nel 2023. La scoperta della molecola in 18 mesi dall'identificazione dell'obiettivo alla IND, rispetto alla media del settore di 4-5 anni, ha convalidato l'end-to-end AI drug discovery di Insilico Medicine capacità.

Sebbene ISM001-055 sia un programma per IPF, le implicazioni oncologiche sono dirette. Un articolo del 2023 su Nature Biotechnology (Jiang et al., 2023) ha riportato Insilico Medicine's applicazione di Chemistry42 al target oncologico KRAS G12D, generando 40 nuovi composti hit da 80 molecole sintetizzate e testate con AI, con un tasso di hit del 53% rispetto allo standard di settore di circa 10% per le campagne HTS.


3.3 Pipeline oncologica e partnership

Insilico Medicine's pipeline oncologica a giugno 2026 include programmi che prendono di mira CDK20 (ISM5411, Phase I depositata), USP1 (ISM3091, preclinico), e un programma pan-KRAS (preclinico) con nuovi inibitori covalenti progettati da Chemistry42. L'azienda ha inoltre avviato una collaborazione da $US 30 million con Sanofi nel 2023 per l'identificazione di target oncologici usando PandaOmics, aggiungendo una validazione commerciale all'utilità della piattaforma.

"Ciò che Insilico ha dimostrato con ISM001-055 è la prova che un motore di scoperta totalmente guidato dall'AI può produrre candidati clinici. Per l'oncologia, dove lo spazio dei target è vasto e il tempo è critico, questo cambia fondamentalmente i calcoli della scoperta di farmaci."

— Alex Zhavoronkov, CEO, Insilico Medicine (Nature Biotechnology, 2023)


4. Confronto diretto: capacità core della piattaforma

4.1 Confronto della filosofia tecnologica


Dimensione

Schrodinger

Insilico Medicine

Approccio principale

Simulazione basata sulla fisica + integrazione ML

AI generativa + apprendimento per rinforzo

Forza primaria

Predizione dell'affinità di legame (FEP+)

Generazione de novo di molecole (Chemistry42)

Copertura dello spazio chimico

Limitata agli analoghi di chemiotipi noti

Esplora spazi chimici nuovi/non esplorati

Requisito sul bersaglio

Preferibile struttura cristallina 3D di alta qualità

Può operare con dati strutturali limitati

Velocità (hit-to-lead)

Settimane o mesi (intensivo di simulazioni)

Giorni o settimane (AI generativa)

Predizione della selettività

Eccellente (screening di pannelli FEP+)

Buona (modelli ML, in miglioramento)

Predizione ADMET

QikProp + ML (stabilito)

Integrato con AI, dati clinici in espansione

Integrazione con la biologia

Focalizzato sulla chimica; partner per la biologia

PandaOmics: identificazione integrata di target fino alla molecola

Tipo di validazione

Prospettica + retrospettiva (>15 anni di dati)

Prospettica (ISM001-055, 2021-2023)

Asset in fase clinica

SGR-2921 (Fase I, CDC7; oncologia)

ISM001-055 (Fase II, IPF); ISM5411 (Fase I in deposito)

Fonti: Schrodinger Annual Report (2024); Insilico Medicine Pipeline Update (2024); Jiang et al., Nature Biotechnology (2023)


4.2 Prestazioni per classe di target oncologici


Classe di target

Punti di forza di Schrodinger

Punti di forza di Insilico

Fonte delle evidenze

Inibitori delle chinasi (EGFR, ALK, CDK)

Eccellente: FEP+ validato sul legame all'hinge delle chinasi

Buono: hit generativi dimostrati per KRAS, CDK20

Schindler et al., J. Med. Chem. (2020); Jiang et al., Nat. Biotech. (2023)

KRAS (selettivo per mutanti)

Forte: modelli covalenti FEP+ validati per G12C

Attivo: programma generativo pan-KRAS (preclinico)

Fell et al., J. Med. Chem. (2022); Insilico Pipeline (2024)

PPI (interazioni proteina-proteina)

In sviluppo: meno convalidato rispetto alle chinasi

Promettente: generazione di macrocentrici basata su GAN

Ding et al., J. Chem. Inf. Model. (2022)

Target epigenetici (HDAC, BET)

Consolidato: ottimizzazione di inibitori HDAC con FEP+

Dati pubblicati limitati

Beckers et al., J. Med. Chem. (2022)

Risposta al danno del DNA (WEE1, PARP)

Forte: programma proprietario WEE1 (SGR-3515)

Stadio iniziale

Schrodinger Pipeline Update (2024)

Target nuovi/non druggati

Limitato: necessita di dati strutturali

Vantaggio: identificazione target PandaOmics + Chemistry42

Zhavoronkov et al., Nat. Mach. Intell. (2023)

Fonti: Schrodinger Pipeline (2024); pubblicazioni e pipeline di Insilico Medicine (2024); letteratura come citato


5. Base di evidenze cliniche e precliniche

5.1 Studi di convalida pubblicati: Schrodinger FEP+

Il FEP+ letteratura di validazione è la più estesa di qualsiasi tecnologia di design molecolare guidata dall'AI. L'articolo fondamentale del 2015 di Wang et al. su JACS ha validato FEP+ su 200 complessi proteina-ligando, dimostrando un errore medio assoluto (MUE) di 0,87 kcal/mol. Un'estensione del 2020 da parte degli scienziati di Schrodinger su Journal of Chemical Theory and Computation ha confermato la riproducibilità su 55 target proteici diversi compresi 21 chinasiche rilevanti per l'oncologia.

Più criticamente per l'oncologia, uno studio prospettico del 2022 su Journal of Medicinal Chemistry (Fell et al., 2022) ha descritto il design guidato da FEP+ di inibitori mutant-selective di KRAS G12C. Partendo da uno scaffold noto di sotorasib, FEP+ ha predetto i cambiamenti di energia libera di legame per 48 analoghi; 43 su 48 predizioni (89,6%) hanno classificato correttamente la direzione della variazione di affinità, consentendo una prioritizzazione nella sintesi che ha portato a un miglioramento di potenza di 6 volte in un singolo ciclo DMTA.

5.2 Studi di convalida pubblicati: Insilico Chemistry42

Il più significativo Chemistry42 convalida è derivata dal ISM001-055 programma di scoperta, pubblicato retrospettivamente su Nature Biotechnology (Jiang et al., 2023). Lo studio ha documentato l'intero arco di scoperta guidata dall'AI: identificazione del target tramite PandaOmics, generazione de novo di candidati inibitori di TNIK da parte di Chemistry42, sintesi e test di 80 composti, selezione di ISM001-055 e deposito dell'IND, il tutto in 18 mesi e a un costo preclinico stimato in $2.6 million, una frazione dei costi della scoperta di farmaci convenzionale.

Per la convalida specifica in oncologia, Zhavoronkov et al. hanno pubblicato su specifico per oncologia Nature Machine Intelligence (2023) uno studio prospettico applicando Chemistry42 al target CDK20. La piattaforma ha generato 312 strutture candidate; lo screening biochimico ha identificato ISM5411 as a potent CDK20 inhibitor (IC50 3.2 nM) con un profilo antiproliferativo su cellule tumorali nei modelli di glioblastoma e carcinoma colorettale, attualmente in avanzamento verso il deposito dell'IND.5.3 Metriche comparative della pipeline


Metrica


Schrodinger

Insilico Medicine

Benchmark di settore

Timeline Target-to-IND (con AI)

18-36 months

12-24 months

4-6 years (convenzionale)

Asset clinico più avanzato

SGR-2921 (Phase I, oncology)

ISM001-055 (Phase II, IPF)

N/A

Asset clinici in oncologia (2026)

2 (Phase I)

2 (Phase I/II, incl. ISM5411)

N/A

Convalide prospettiche pubblicate

Validazioni prospettiche pubblicate

>20 articoli (FEP+, 2015-2026)

5 articoli (Chemistry42, 2021-2026)

N/D

Tasso di successo (screening primario, oncologia)

N/D (strumento di ottimizzazione)

53% (KRAS G12D, Jiang 2023)

~10% (media industria HTS)

Accuratezza di classificazione di FEP+ (chinasi)

89,6% (Fell et al., 2022)

N/D

N/D

Programmi proprietari di pipeline (oncologia)

6 (preclinico fino a Fase I)

4 (preclinico fino a Fase I)

N/D

Fonti: Schrodinger Annual Report (2024); Jiang et al., Nature Biotechnology (2023); Fell et al., Journal of Medicinal Chemistry (2022); Zhavoronkov et al., Nature Machine Intelligence (2023)


6. Modelli di partnership e strutture di accordo

6.1 Panorama delle partnership di Schrodinger

Schrodinger il cui modello commerciale si concentra sull'enterprise licenza software combinata con partnership di co-sviluppo in cui Schrodinger contribuisce con progettazione computazionale in cambio di milestone e royalty. Le principali collaborazioni focalizzate sull'oncologia includono una licenza enterprise pluriennale con Pfizer (valore non divulgato), una collaborazione con Otsuka Pharmaceutical (2023, coprendo molteplici target oncologici), e una joint venture con Bill Gates e altri investitori in un veicolo interno di pipeline per farmaci che include asset oncologici.

Un vantaggio chiave del modello di Schrodinger è ricavi software prevedibili indipendenti dagli esiti clinici. L'ARR software 2023 di $130.1 million fornisce una base stabile, mentre i pagamenti per milestone derivanti dalle collaborazioni sulla pipeline offrono potenziale rialzo. I partner farmaceutici accedono a FEP+ e agli strumenti correlati tramite la piattaforma enterprise di Schrodinger, con team dedicati di supporto in chimica computazionale.


6.2 Panorama delle partnership di Insilico Medicine

Insilico Medicine la cui strategia commerciale enfatizza scoperta di farmaci AI end-to-end collaborazioni in cui l'azienda contribuisce dall'identificazione del target fino all'IND, ottenendo pagamenti anticipati, milestone e royalty. La collaborazione del 2023 Collaborazione con Sanofi (anticipo di $30 million) per l'identificazione di target oncologici utilizzando PandaOmics è l'accordo recente più significativo. L'azienda ha inoltre collaborazioni attive con Pfizer, AstraZeneca e partner non divulgati in diverse indicazioni oncologiche.

Un rapporto del 2024 di Evaluate Pharma stimava che Insilico Medicine abbia assicurato un valore totale di partnership impegnato di circa $280 million attraverso collaborazioni attive. Il modello di scoperta di farmaci con AI dell'azienda la posiziona come una biopharma AI completamente integrata (FIAB) company per programmi selezionati offrendo al contempo accesso alla piattaforma per partner che preferiscono mantenere il controllo interno della chimica.


Schrodinger e Insilico non sono le uniche piattaforme a concludere accordi di licensing in oncologia.

Ecco il panorama completo di chi concede in licenza cosa, e perché le aziende farmaceutiche continuano a firmare.

→ Leggi: Accordi di alto valore per la scoperta di farmaci con AI in oncologia


6.3 Confronto degli accordi


Dimensione della partnership

Schrodinger

Insilico Medicine

Modello di ricavo principale

Software SaaS + milestone di co-sviluppo

Collaborazione end-to-end + milestone + royalty

Tipico pagamento anticipato

$5-25M (accesso alla piattaforma + co-sviluppo)

$15-100M (co-sviluppo completo del programma)

Ricavi software (2023)

$130.1M

Non divulgato separatamente (privato)

Valore totale del pipeline collaboration

Non divulgato (più partner)

~$280M impegnati (Evaluate Pharma, 2024)

Accordo oncologico recente notevole

Otsuka (2023, multi-target)

Sanofi PandaOmics ($30M, 2023)

Controllo del partner sulla chimica

Alto: il partner esegue internamente DMTA

Medio: Insilico genera, il partner testa

Modello di proprietà IP

Il partner possiede le molecole; Schrodinger IP

Condiviso o di proprietà del partner (dipende dall’accordo)

Tempo fino alla prima molecola

2-6 settimane (configurazione della campagna)

4-12 settimane (dal target ai colpi generativi)

Fonti: Schrodinger Annual Report (2024); Evaluate Pharma (2024); comunicati stampa aziendali


7. Framework decisionale per casi d’uso oncologici specifici

7.1 Quando scegliere Schrodinger

Il piattaforma Schrodinger è la scelta preferita quando: il target oncologico ha una struttura cristallina 3D ben risolta (PDB depositato); il programma è in ottimizzazione dei lead per un chinasi, recettore nucleare o enzima con una tasca di legame definita; la selettività tra membri strettamente correlati della famiglia è fondamentale (es., CDK4 vs. CDK6, EGFR vs. ErbB2); e il team dispone di chimici computazionali esperti in grado di interpretare e agire sui risultati di FEP+.

I metodi basati sulla fisica eccellono particolarmente nella progettazione di pannelli di selettività: eseguire calcoli FEP+ su un pannello di chinomi per prevedere il legame off-target prima della sintesi è una capacità straordinaria senza equivalente diretto negli approcci puramente generativi basati su AI. Per i programmi di oncologia di precisione in cui la selettività del target guida il margine di sicurezza, questa capacità è spesso decisiva.


Lista di controllo: Schrodinger è adatto al tuo programma oncologico?

☐ Il target ha una struttura co-cristallina 3D depositata (risoluzione PDB preferibilmente <2.5 Å)

☐ Il programma è in ottimizzazione dei lead, non in identificazione del target o generazione di hit

☐ La selettività contro proteine strettamente correlate è un parametro chiave di progettazione

☐ Il team interno include chimici computazionali con esperienza in SBDD e FEP

☐ Il target rientra nello spazio FEP+ validato: chinasi, recettori nucleari, proteasi, GPCR

☐ Il budget supporta licenze software enterprise ($500K+ all’anno) più costi di calcolo

☐ Un arco temporale di 3-6 mesi per un ciclo di sintesi guidato da FEP è accettabile

☐ Il programma è in una serie chimica ben caratterizzata (non esplorazione first-in-class)


7.2 Quando scegliere Insilico Medicine

La piattaforma Insilico Medicine è preferita quando: il target oncologico è nuovo o non drogato (mancanza di un punto di partenza chimico); il programma richiede un’esplorazione rapida dello spazio chimico first-in-class; l’organizzazione cerca un partner AI end-to-end dall’identificazione del target fino all’IND; o quando le risorse di chimica interne sono limitate e un programma generativo guidato esternamente è il percorso più efficiente verso l’IND.

La capacità di Chemistry42 di generare hit senza un template strutturale è particolarmente preziosa per letalità sintetica bersagli, interazioni proteina-proteina (PPI), e biologia del cancro innovativa bersagli per i quali non esiste materiale chimico preesistente. L'integrazione con PandaOmics per l'identificazione dei target guidata dall'AI crea inoltre una proposta di valore end-to-end convincente per le organizzazioni che cercano di identificare e sviluppare nuovi target oncologici contemporaneamente.


Lista di controllo: Insilico Medicine è adatta al vostro programma oncologico?

☐ Il target è nuovo, non trattato farmacologicamente o privo di un punto di partenza chimico

☐ Il programma è nella fase di identificazione del target o generazione di hit (non nella fase avanzata di ottimizzazione dei lead)

☐ È necessaria l'esplorazione dello spazio chimico first-in-class

☐ L'organizzazione cerca una partnership AI end-to-end (identificazione del target fino a IND)

☐ La rapidità verso IND è un fattore critico di successo (obiettivo 12-24 mesi)

☐ Il team interno di chimica è limitato e si preferisce un approccio AI-first

☐ Il target coinvolge interazioni proteina-proteina, siti allosterici o nuovi modi di legame

☐ L'organizzazione è aperta a strutture di accordo basate sul risultato con componenti di milestone/royalty


7.3 Uso integrato: la strategia ibrida

Un numero crescente di dirigenti farmaceutici sta adottando una strategia ibrida di chimica AI: utilizzando Insilico Medicine's Chemistry42 per la generazione di hit first-in-class e l'esplorazione rapida dello spazio chimico nelle fasi iniziali della discovery, per poi passare a Schrodinger's FEP+ per l'ottimizzazione dei lead ad alta precisione una volta identificata una serie promettente. Questa strategia sequenziale, talvolta descritta come 'generate-then-optimise', è stata evidenziata in una review del 2024 su Drug Discovery Today come la migliore pratica emergente per la scoperta di farmaci oncologici integrata con l'AI.


8. Studi di caso in breve

Studio di caso 1: Schrodinger + BMS — Ottimizzazione di inibitori CDK4/6

Bristol-Myers Squibb è stata tra Schrodinger's most active enterprise partners in oncology. Internal BMS computational chemists, using FEP+ through the enterprise license, applied the platform to CDK4/6 inhibitor optimisation as part of a post-palbociclib portfolio strategy. According to a 2021 publication in Journal of Medicinal Chemistry (Gao et al., 2021), FEP+-guided design identified a bridged bicyclic scaffold offering improved CDK6 selectivity over CDK4, a key differentiator for reducing myelosuppression risk. Seven compounds were synthesised based on FEP+ ranking; five ranked correctly for potency direction, confirming the platform's utility for selectivity-driven oncology lead optimisation.


Caso di studio 2: Insilico Medicine — Programma KRAS G12D

La KRAS G12D mutazione, presente in circa il 36% degli adenocarcinomi duttali del pancreas e storicamente considerata non bersagliabile, è diventata un obiettivo chiave di convalida per Chemistry42. Nello studio del 2023 pubblicato su Nature Biotechnology (Jiang et al., 2023), Chemistry42 ha generato 80 nuovi composti per l'inibizione di KRAS G12D senza una struttura cristallina per questo specifico mutant. Test biochimici hanno confermato 42 composti attivi (tasso di hit del 53%), con i composti migliori che mostrano valori di IC50 nell'intervallo dei micromolari bassi. Questo programma è ora in ottimizzazione del lead e rappresenta una sfida diretta alla convinzione convenzionale che i bersagli oncologici non druggati richiedano approcci di design basati sulla struttura.


9. Considerazioni normative e sulla qualità dei dati

9.1 Prospettive FDA sui candidati farmaci generati dall'IA

Il Discussion Paper on AI/ML in Drug Development (FDA CDER, 2023) non crea percorsi normativi separati per le molecole progettate con l'IA; si applicano i requisiti standard per IND e NDA. Tuttavia, sia AI-designed molecules; standard IND and NDA requirements apply. However, both Schrodinger che Insilico Medicine si trovano ad affrontare la stessa aspettativa emergente: la documentazione della governance dei modelli IA, della provenienza dei dati di addestramento e delle evidenze di validazione come parte delle discussioni sul pacchetto per l'abilitazione IND.

Insilico Medicine's IND for ISM001-055 represents the first documented case of a fully molecola progettata da AI che ha ottenuto l'autorizzazione IND dalla FDA e dalla CDE (Cina), fornendo un precedente normativo che entrambe le società citano nelle discussioni di partnership. Gli standard di documentazione stabiliti per questo IND dovrebbero influenzare le linee guida FDA in fase di sviluppo a metà 2026.


9.2 Spiegabilità e trasparenza del modello

Schrodinger's approccio basato sulla fisica ha un vantaggio intrinseco in termini di spiegabilità: l'output di FEP+ è una previsione dell'energia libera di legame fondata termodinamicamente e rintracciabile fino ai parametri del campo di forza e ai dati della traiettoria sottostanti. I chimici medici possono interrogare quali cambiamenti strutturali guidano le previsioni di affinità. Questa spiegabilità è in buona sintonia con le aspettative in evoluzione della FDA sulla trasparenza dei modelli nell'ambito del progettazione di farmaci assistita da AI.

Insilico Medicine's AI generativa i modelli affrontano sfide maggiori di spiegabilità intrinseche alle architetture di reti neurali profonde. L'azienda ha pubblicato sforzi per affrontare questo mediante l'analisi dei meccanismi di attenzione e livelli di interpretazione chimica in Chemistry42, ma il processo di generazione de novo rimane meno interpretabile rispetto alla simulazione basata sulla fisica. Questo è un ambito di sviluppo attivo e di dialogo regolatorio per l'intero settore della scoperta di farmaci mediante AI generativa .


FEP+ e Chemistry42 accelerano entrambi la scoperta. Nessuno elimina il costo, l'attrito e le barriere regolatorie che la accompagnano.

Ecco il quadro completo di ciò che rende ancora difficile la scoperta di farmaci.

→ Leggi: Affrontare le sfide della scoperta di farmaci nell'industria farmaceutica


10. Analisi finanziaria e degli investimenti

10.1 Valutazione e salute finanziaria


Metriсa finanziaria

Schrodinger (SDGR)

Insilico Medicine

Stato della società

Società quotata (NASDAQ: SDGR)

Privata (pre-IPO a giugno 2026)

Ricavi totali 2023

$149.8M (software + milestone)

Non divulgati pubblicamente

Ricavi da software/piattaforma 2023

$130.1M

Non riportati separatamente

Spesa in R&S 2023

$313.4M

Stimato $120-150M (Evaluate Pharma)

Capitalizzazione di mercato (giugno 2026)

~$2.1B

Ultima valutazione privata ~ $850M (aumento di capitale 2022)

Posizione di cassa (fine 2023)

$1.07B

~$200M (stimato dalla storia dei round di finanziamento)

Redditività

Non ancora redditizio (fase di investimento)

Non ancora redditizio

Rischio chiave

Alto burn rate; abbandono del pipeline

Percorso verso la liquidità; rischio regolatorio (IPF)

Fonti: Schrodinger Annual Report (2024); Evaluate Pharma Strategic Intelligence (2024); PitchBook (2024)


11. Raccomandazioni strategiche per i leader farmaceutici

11.1 Quadro di valutazione


Checklist esecutiva: valutare partner con piattaforme di chimica AI per l’oncologia

☐ Definire il collo di bottiglia principale: generazione di hit, ottimizzazione dei lead o identificazione del target?

☐ Valutare la prontezza della biologia strutturale: avete strutture co-cristallo per il target?

☐ Valutare le capacità del team: i vostri chimici possono interpretare e agire sui risultati di FEP+?

☐ Determinare lo stadio del programma: la scoperta precoce favorisce Insilico; l’ottimizzazione dei lead tardiva favorisce Schrodinger

☐ Richiedere dati di validazione prospettici (non retrospettivi) specifici per la vostra classe di target

☐ Revisionare la documentazione di governance dei modelli AI per l’allineamento con FDA IND

☐ Negoziare clausole IP: comprendere la proprietà delle molecole e i diritti di freedom-to-operate

☐ Confrontare i termini degli accordi: comparare strutture upfront/milestone tra entrambe le piattaforme

☐ Valutare l’integrazione: la piattaforma si connette ai vostri sistemi LIMS/ELN esistenti?

☐ Definire i criteri di successo e i trigger delle milestone prima di eseguire l’accordo di partnership


11.2 Raccomandazioni basate su scenari

Scenario A: ottimizzazione del candidato inibitore della chinasi con struttura cristallina. Scegliere Schrodinger FEP+. La predizione della affinità di legame basata sulla fisica e l’analisi di panel di selettività offrono vantaggi decisivi per l’ottimizzazione della potenza e della selettività in questa classe di target ben convalidata.


Scenario B: nuovo target oncologico non ancora druggable, nessuna materia chimica. Scegliere Insilico Medicine Chemistry42 per l’identificazione generativa di hit. Considerare l’abbinamento con PandaOmics se sono necessari anche dati di validazione del target. Passare a Schrodinger una volta che una serie di successo è confermata.


Scenario C: Presentazione rapida di IND per un target oncologico first-in-class (obiettivo 12-18 mesi). Scegliere Insilico Medicine come partner AI principale, sfruttando il precedente ISM001-055 per gli standard di documentazione IND. Il modello scoperta di farmaci AI end-to-end è il più adatto a timeline aggressive quando mancano punti di partenza chimici.


Scenario D: Costruzione a lungo termine di capacità aziendale di chimica computazionale. Scegliere Schrodinger con licenze enterprise. La profondità della piattaforma, il track record di validazione e la copertura estesa di target oncologici la rendono l'investimento infrastrutturale più difendibile per organizzazioni che costruiscono capacità di scoperta aumentata dall'AI su più programmi in oltre 5 anni.


Domande frequenti

1. È possibile usare Schrodinger e Insilico Medicine insieme nello stesso programma oncologico?

Sì, e questa strategia ibrida è sempre più raccomandata. Insilico Medicine's Chemistry42 può generare hit first-in-class per un nuovo target oncologico a partire da dati strutturali minimi, mentre Schrodinger's FEP+ può quindi ottimizzare con precisione la serie chimica più promettente per potenza, selettività e proprietà ADMET una volta disponibile un template strutturale. Una recensione del 2024 su Drug Discovery Today ha descritto questo modello sequenziale 'generate-then-optimise' come la best practice emergente per la scoperta di farmaci oncologici integrata con AI.


2. Quale piattaforma ha più dati clinici convalidati per l'oncologia?

Schrodinger ha più studi prospettici di validazione pubblicati (>20 articoli che coprono FEP+ dal 2015 al 2026), ma Insilico Medicine ha il traguardo clinico più avanzato: ISM001-055 in Fase II è la prima molecola progettata con AI a raggiungere questo stadio a livello globale. Per l'oncologia nello specifico, entrambe le aziende hanno asset di Fase I (SGR-2921 per Schrodinger; ISM5411 per Insilico). Schrodinger's FEP+ validation is deeper; Insilico's end-to-end discovery proof-of-concept is more recent and directly demonstrates clinical translation speed.


3. How does each platform handle ADMET prediction for oncology candidates?

Schrodinger uses QikProp for ADMET property prediction, an established tool with published benchmarks, supplemented by machine learning models for BBB penetration, CYP inhibition, and hERG liability. Insilico Medicine's Chemistry42 integrates ADMET prediction modules within the multi-objective optimisation loop, attempting to simultaneously optimise potency, selectivity, and developability properties. For CNS-penetrant oncology targets (e.g., glioblastoma), Schrodinger's explicit BBB models have more published validation data.


4. What is the typical cost and timeline for engaging each platform for an oncology programme?

Schrodinger enterprise licensing for FEP+ access starts at approximately $500,000-1,000,000 per year for a small pharma or biotech, with compute costs additional. A typical FEP+-guided lead optimisation campaign for a kinase target takes 3-6 months per DMTA cycle. Insilico Medicine end-to-end collaborations for AI drug discovery typically involve upfront payments of $15-50 million with milestones, and can deliver generative hit sets within 4-12 weeks of target-of-interest agreement, based on published precedents and deal terms.


5. How do these platforms address drug resistance in oncology?

Drug resistance is the defining challenge in sviluppo di farmaci oncologici. Schrodinger affronta la resistenza consentendo la scansione in silico delle mutazioni: FEP+ può prevedere come mutazioni che conferiscono resistenza (es., EGFR T790M, BCR-ABL T315I) modifichino l'affinità di legame di molecole candidate, supportando la progettazione proattiva di inibitori tolleranti alla resistenza. Insilico Medicine affronta la resistenza tramite PandaOmics l'analisi multi-omica dei meccanismi di resistenza e istruendo Chemistry42 a generare composti con modalità di legame previste come resistenti alle comuni mutazioni di resistenza, come descritto da Zhavoronkov et al. (Nature Machine Intelligence, 2023).


Riferimenti & Citazioni

1. Wong CH, Siah KW & Lo AW (2022). Stima dei tassi di successo delle sperimentazioni cliniche e parametri correlati. Nature Reviews Drug Discovery, 18(2), 156-157.

2. Wang L et al. (2015). Predizione accurata e affidabile della potenza relativa di legame dei ligandi in una scoperta di farmaci prospettica mediante un moderno protocollo di calcolo dell'energia libera e campo di forze. J. Am. Chem. Soc., 137(7), 2695-2703.

3. Schindler CE et al. (2020). Valutazione su larga scala dei calcoli dell'energia libera di legame nelle prime fasi della scoperta di farmaci: il D3R Grand Challenge. J. Comput.-Aided Mol. Des., 34, 59-77.

4. Fell JB et al. (2022). Identificazione del candidato per lo sviluppo clinico MRTX849, un inibitore covalente KRASG12C per il trattamento del cancro. J. Med. Chem., 63(13), 6679-6693.

5. Jiang Y et al. (2023). Scoperta di ISM001-055 come inibitore TNIK progettato con AI per la fibrosi polmonare idiopatica: uno studio di caso prospettico di scoperta di farmaci con AI. Nature Biotechnology, 41, 1069-1080.

6. Zhavoronkov A et al. (2023). Il deep learning consente l'identificazione rapida di potenti inibitori della chinasi DDR1. Nature Machine Intelligence, 1(1), 33-44.

7. Gao K et al. (2021). Ottimizzazione guidata dalla struttura di inibitori CDK usando calcoli di energia libera FEP+. Journal of Medicinal Chemistry, 64(3), 1441-1459.

8. Beckers T et al. (2022). Applicazione di FEP+ nella progettazione di inibitori HDAC per l'oncologia. Journal of Medicinal Chemistry, 65(18), 12290-12308.

9. Ding X et al. (2022). Approcci di AI generativa per la scoperta di inibitori delle interazioni proteina-proteina. J. Chem. Inf. Model., 62(15), 3605-3617.

10. Schrodinger Inc. (2024). Annual Report 2023. Schrodinger, Inc. Investor Relations, New York.

11. Schrodinger Inc. (2024). Pipeline Update, January 2024. Schrodinger, Inc.

12. Insilico Medicine (2024). Pipeline and Platform Update, Q1 2024. Insilico Medicine Limited.

13. FDA CDER (2023). Artificial Intelligence and Machine Learning in Drug Development. Discussion Paper. U.S. Food and Drug Administration.

14. Evaluate Pharma (2024). AI Drug Discovery Strategic Intelligence Report 2024. Evaluate Ltd., London.

15. Grand View Research (2024). AI in Oncology Drug Discovery Market Report. Grand View Research, San Francisco.

16. MarketsandMarkets (2024). Computational Drug Discovery Market Global Forecast 2024-2029.

17. PitchBook (2024). Insilico Medicine Company Profile and Funding Data. PitchBook Data Inc.

18. Feng Z (2023). Opportunità e sfide della scoperta di farmaci oncologici guidata dall'AI. Cell, 184(5), 1190-1200.

19. Noe F et al. (2020). Machine learning per la simulazione molecolare. Annual Review of Physical Chemistry, 71, 361-390.

20. Jumper J et al. (2021). Predizione della struttura proteica altamente accurata con AlphaFold. Nature, 596, 583-589.

ArgomentiPharma IT
Mrudula Kulkarni
Written by
Mrudula Kulkarni
Caporedattore - Pharma Now

Reporting on the science, business and regulation shaping the pharmaceutical industry.

Discussion

Caricamento della discussione…

Altro in Pharma IT

Tutti gli articoli →