制药行业有一个令人沮丧的”12-10-1法则”：从一个有希望的化合物开始，平均需要12年时间，花费超过10亿美元，才有可能得到1款获批上市的新药。而即便如此，药物在临床试验阶段的失败率仍高达92%——也就是说，大多数投入的时间和金钱，都以失败告终。
这92%的失败率不是因为科学家不够聪明，而是因为生物系统极度复杂，人体对药物的反应充满了个体差异和不可预测性。在小鼠身上成功的药物，进入人体临床试验后可能毫无效果，甚至产生毒性——而我们只有在真正把药物给到患者之后，才能知道这个结果。
2026年6月，华沙初创公司Ingenix 宣布完成1300万欧元种子扩展轮融资，由Sofinnova Partners（欧洲最具影响力的生命科学VC之一）领投，Inovo VC 和OTB VC 跟投。这家AI与生物学交叉的公司，正在尝试用数字孪生技术，在真实临床试验开始之前，先在计算机中模拟药物对人体的影响。
问题的根源：为什么新药研发失败率如此之高
关键数据：全球制药行业每年在研发上的投入超过2500亿美元，但进入I期临床试验的候选药物中，最终上市的比例仅约10%。Ⅱ期临床失败是最常见的”钱坑”——平均每个Ⅱ期失败项目消耗1-3亿美元。
临床试验失败的核心原因通常有三个：
一、靶点错误（wrong target）：科学假设本身有问题，候选药物针对的生物靶点并非真正驱动疾病的关键机制。
二、毒性问题（toxicity）：药物在体外或动物模型中安全，但在人体复杂生理环境中产生意外毒性反应。
三、患者异质性（patient heterogeneity）：不同患者的遗传背景、微生物组、疾病进程各不相同，导致相同药物在人群中效果差异巨大。
传统的解法是更多、更早期的实验——体外细胞实验、动物模型实验——但动物模型对人体的预测性历来有限：超过90%在动物实验中表现良好的候选药物，在人体临床中告败。
Ingenix的思路是：不是更多实验，而是更好的模拟。
技术核心：多模态融合 + 数字人体孪生
Ingenix 由CEO Piotr Surma 领导，核心技术是一套被称为“生物推理引擎”（Biological Reasoning Engine）的多模态AI系统。
其架构的关键创新点是“Modality Fusion”（模态融合）——一种专为药物研发设计的新AI架构，能够同时处理并融合多种生物学数据类型：
- 基因组学数据：患者的遗传变异和基因表达谱
- 蛋白质组学数据：蛋白质的表达和相互作用网络
- 代谢组学数据：细胞和器官的代谢状态
- 临床数据：疾病表型、症状、生物标志物
- 文献知识：从数百万篇论文中提取的生物学规律
这套模型的核心产品是“人体数字孪生”（Digital Twins of Human Biology）——一个多尺度的生成式AI模型，能够模拟不同患者个体对特定药物候选分子的生理反应。
实际工作流程：制药公司提供候选分子和目标适应症，Ingenix的引擎生成一个虚拟患者群体，在计算机中”运行”药物试验，预测：
- 哪些患者亚群最可能响应治疗
- 哪些患者存在毒性风险
- 最优的剂量方案是什么
- 哪些生物标志物可以用于患者分层
商业路径：波兰基地 + 全球制药客户
Ingenix的商业模式是to-B SaaS + 项目收费的混合型，客户主要是中大型制药公司和Biotech，为其提供临床开发阶段的计算模拟服务。
波兰的创业生态正在崛起：华沙拥有大量高质量的数学、计算机科学和生命科学人才，薪资水平远低于硅谷或伦敦，使得Ingenix能够以更低成本构建世界级的AI研究团队。Sofinnova Partners在欧洲生命科学领域深耕数十年，其领投信号是对Ingenix科学价值主张的重要背书。
本轮1300万欧元将主要用于：
- 扩展核心生物推理引擎的功能
- 与更多制药和Biotech合作伙伴开展联合验证项目
- 加速从研发工具到”临床决策支持平台”的产品化进程
竞争格局：计算药物研发赛道的多路军团
| 竞争对手 | 核心定位 | 对Ingenix的威胁 |
|---|---|---|
| Recursion Pharmaceuticals | 高通量细胞图像AI + 自动化实验 | 规模更大（已上市），但聚焦上游发现而非临床模拟 |
| Schrödinger | 物理化学建模 + 分子动力学模拟 | 专注分子层面设计，非患者反应预测 |
| Insilico Medicine | 生成式AI设计新分子，已推进I期临床 | 聚焦分子发现，临床模拟能力相对弱 |
| Aria（前Deep Genomics） | 神经网络预测RNA剪接机制 | 专注基因组机制，适应症范围更窄 |
| Certara | PK/PD模型和监管科学平台 | 已上市，传统计算工具，AI整合程度低 |
Ingenix的差异化在于多模态融合的系统性方法——大多数竞争者专注某一类型数据（基因组、结构、图像），而Ingenix试图构建覆盖多个生物学层次的统一模型。这更难，但如果成功，潜力也更大。
Sofinnova的逻辑：为何是现在、为何是波兰
Sofinnova Partners 是欧洲历史最悠久的生命科学VC之一（成立于1972年），管理资产超过25亿欧元，投资组合包括多家成功上市的Biotech公司。
Sofinnova押注Ingenix，背后有几个关键判断：
一、大模型技术的成熟为生物多模态融合打开了窗口。 2022-2024年大语言模型的技术飞跃，以及AlphaFold2对蛋白质折叠预测的革命，证明了大规模神经网络可以在生物数据上实现范式级突破。Ingenix的Modality Fusion架构恰好处于这个技术窗口的前沿。
二、制药公司的迫切需求创造了确定性市场。 当每个临床失败案例的成本高达数亿美元，任何能将失败概率降低哪怕10-20%的工具，都有明确的经济价值，愿付费意愿极强。
三、欧洲AI+生命科学赛道的估值洼地。 相比硅谷，欧洲（尤其是波兰/中东欧）的类似公司估值更低，技术人才密集，是当前全球资本寻找价格合理的AI+生物科技机会的重要来源。
风险与挑战
⚠️ 风险一：验证周期极长，科学可信度建立耗时 数字孪生模拟的预测结果，必须与真实临床数据对照验证才能获得制药公司信任。建立这种”回溯验证”数据库需要数年时间，在此之前Ingenix的商业说服力有限。
⚠️ 风险二：数据获取是核心瓶颈 Modality Fusion的效果高度依赖多模态生物数据的质量和规模。制药公司的临床数据极为敏感，涉及患者隐私和商业机密，数据共享协议谈判复杂，可能严重限制模型训练数据的获取速度。
⚠️ 风险三：监管层面的”AI辅助临床决策”尚无清晰框架 FDA和EMA（欧洲药品管理局）对AI在临床试验中的使用尚无明确监管框架。若监管机构对AI模拟结果采取保守态度，Ingenix的应用场景可能受到限制。
⚠️ 风险四：规模化面临竞争巨头的压制 Schrödinger、Certara等已上市公司拥有大型制药公司的深度关系和数据协议，可能在Ingenix的目标客户处形成采购”先占先得”效应，使新进入者难以突破。
结语：在失败率92%的赛道上押注”模拟先行”
新药研发的悲剧不在于失败本身，而在于失败发生得太晚、代价太高昂。
如果Ingenix的技术路径被证明有效——如果一个AI模型真的可以在2年、而非12年的时间跨度内，更精准地预测药物在人体的命运——那这将是制药产业自组合化学时代以来最重要的生产力革命。
1300万欧元的种子扩展轮是这段旅程的早期里程碑，不是终点。但Sofinnova的背书意味着这个想法在欧洲最顶级的生命科学投资人眼中，已经通过了”有没有可能”的基本筛选。
接下来的问题只有一个：数字孪生能让那92%的失败率，降低多少？
发布日期：2026年6月 | 数据来源：FinSMEs、Ingenix官网、Sofinnova Partners