9000亿种组合，实验室筛不完
肿瘤药物开发长期困在一个不对称里：癌症不是单一靶点驱动的疾病，但行业仍然按照“一个靶点、一种药”的逻辑推进。当单药响应率见顶、耐药几乎必然出现，组合疗法被普遍视为出路。问题在于，组合空间大得惊人。据Big Picture Bio披露，肿瘤学中潜在药物组合超过9000亿种。没有任何实验室能靠穷举实验找到正确答案。这个数字本身并不新鲜，但它揭示了一个结构性瓶颈：传统筛选依赖可及性和经验直觉，而非从疾病机制出发的系统推理。
这正是Big Picture Bio切入的位置。这家总部位于伦敦的生物科技公司于2026年9月从隐身状态浮出水面，宣布完成150万英镑种子前轮融资，由Kadmos Capital和Exceptional Ventures联合领投，Gloucester Ventures和天使投资人John White参与。同时，公司获得Innovate UK通过其Investor Partnerships Programme提供的70万英镑非稀释性资金。两者合计220万英镑。公司称，这笔钱将用于把首批AI设计的药物组合从计算设计推进到湿实验室验证。
从已披露信息看，Big Picture Bio的起点不是发现新分子，而是重新定义“该把哪些已有药物放在一起”。如果组合设计的前端推理能够被验证，它可能改变肿瘤药物开发中一个长期被低估的环节：不是化合物从哪里来，而是化合物如何被选择。
| 字段 | 内容 |
|---|---|
| 公司 | Big Picture Bio Ltd. |
| 轮次 | 种子前轮 |
| 金额 | 150万英镑（另有70万英镑Innovate UK非稀释性资金；累计220万英镑） |
| 投资方 | Kadmos Capital、Exceptional Ventures、Gloucester Ventures、John White、Innovate UK |
| 总部 | 英国伦敦 |
| 创始人 | Kerstin Papenfuss、Mark Hammond |
| 官网 | https://bigpicturebio.com/ |
用“世界模型”替代穷举，但解释性仍是未兑现的承诺
Big Picture Bio的平台核心是一个生成式世界模型。据公司披露，该模型用于分析肿瘤、免疫细胞和周围组织在不同疾病部位和患者亚组中的相互作用，目标是识别药物组合和治疗序列，以减少残留疾病。公司称，模型“从底层生物学推理”，因此预测“可追溯至生物机制”。
“可解释”是AI药物发现领域最容易被滥用的词之一。多数深度学习模型给出的是相关性输出，而非因果链条。Big Picture Bio声称其预测可追溯至底层生物学，这在技术上有明确含义：模型不应是一个黑箱打分器，而应能指出哪些细胞类型、信号通路或微环境因素驱动了某个组合的预测优势。但公司尚未公开任何经过同行评审的方法学论文或独立验证数据来支撑这一说法。目前可获得的证据只有一个回溯性案例：公司称其平台正确预测了Regeneron的fianlimab试验失败。据公司披露，该验证基于ASCO展示的真实世界临床结果。
这里需要区分两种能力。一种是“预测已知试验结果”，本质上是回溯拟合；另一种是“在试验开始前预判未知结果”，这才是前瞻验证。Big Picture Bio披露的信息属于前者。公司自己也承认，临床预测不是最终产品，而是用来检验模型是否在识别具有临床潜力的组合。这个定位是诚实的，但它同时意味着：平台的核心能力尚未在前瞻性场景中被证明。从已披露的fianlimab案例看，模型至少完成了一次与真实世界临床结果一致的回溯判断；但单一案例无法构成统计意义上的验证，也无法排除选择性披露的可能。
从Deep Science Ventures走出的团队，带着12家公司的创业履历
Big Picture Bio的两位创始人来自Deep Science Ventures（DSV），这是一家以“从零创建科学公司”著称的英国风险创建机构。CEO Kerstin Papenfuss此前担任DSV的制药总监，据公司披露，她在任内创立了12家治疗和使能技术公司。CTO Mark Hammond是DSV的联合创始人，并领导了该机构在智能体科学发现方面的工程工作。
这个背景对理解Big Picture Bio的定位很重要。DSV的模式不是孵化单一技术，而是从科学问题出发，反向设计公司结构。Papenfuss和Hammond的组合覆盖了转化科学、治疗开发和AI工程三个维度，这恰好是组合疗法设计平台需要的交叉能力。但另一个事实同样值得注意：DSV背景的创始人通常擅长从零到一的公司构建，而药物组合验证是一个需要长期湿实验室投入和临床合作网络的过程。220万英镑的种子前资金能否支撑从计算设计到湿实验室验证的跨越，取决于验证范围被定义得多窄。
顾问团队的存在提供了某种产业信号。名单包括AstraZeneca靶点验证总监Laura Rosenberg、AstraZeneca肿瘤业务开发与许可搜索评估负责人Duncan Young、DaltonTx CEO兼Exscientia前CTO Garry Pairaudeau，以及PhoreMost首席科学官Christian Dillon。两家大型药企的在职人员出现在一家种子前公司的顾问名单上，通常意味着两种可能：要么是个人关系驱动的松散背书，要么是药企对某个技术方向有早期侦察兴趣。从公开信息无法判断属于哪一种，但顾问构成至少说明Big Picture Bio的技术叙事在肿瘤药物开发圈层内获得了初步注意力。
资本结构里的非稀释性资金，以及它暗示的验证路径
这轮融资的资本结构值得拆解。150万英镑股权融资之外，70万英镑来自Innovate UK的Investor Partnerships Programme。这个项目的运作方式是：Innovate UK跟随已确认的私人投资，向符合条件的企业提供非稀释性资助。这意味着Big Picture Bio在获得风险投资之前或同时，已经通过了Innovate UK的尽职调查。
非稀释性资金在种子前阶段的意义不只是“多了一笔钱”。它改变了公司的资金成本和验证节奏。70万英镑不需要出让股权，但通常附带明确的里程碑要求。从已披露信息看，这笔资金与股权融资一起被指定用于“将首批设计的药物组合从计算设计推进到湿实验室验证”。这实际上为公司的第一个关键验证节点设定了时间边界：资金耗尽之前，必须有湿实验室数据出来。
从投资方构成看，Kadmos Capital的Remy Kesrouani在声明中强调了他与两位创始人在DSV早期的合作经历，称看到了他们“建立雄心勃勃、可扩展企业的决心、信念和韧性”。Exceptional Ventures的Paolo Pio则使用了更商业化的表述，称Big Picture Bio瞄准的是“现代肿瘤学的核心问题——如何更快、更有信心地识别正确的组合疗法”，并认为该平台“今天就能为合作伙伴提供价值，同时为下一代癌症疗法奠定基础”。
这两段声明的差异本身有信息量。Kesrouani的投资逻辑更接近“投人”——基于对创始团队的长期观察；Pio的逻辑更接近“投平台”——强调即期合作价值和长期管线潜力。但两者都没有回答一个关键问题：Big Picture Bio的商业化路径是什么？公司未披露商业模式、客户或收入来源。Pio提到的“为合作伙伴提供价值”暗示可能存在平台合作或许可模式，但公司层面尚未确认任何具体合作。
没有竞争对手名单，但竞争格局并不模糊
Big Picture Bio未披露任何竞争对手信息。但这不代表竞争不存在。AI药物组合设计是一个正在快速拥挤的领域，参与者至少包括三类：以Exscientia为代表的AI驱动药物设计公司、以Recursion为代表的大规模实验与计算结合平台，以及大型药企内部的组合策略团队。
Exscientia是一个特别值得参照的对象。Big Picture Bio的顾问Garrai Pairaudeau曾任Exscientia CTO，这意味着团队对Exscientia的技术路线和商业逻辑有直接认知。Exscientia的核心路径是AI设计新分子并推进到临床，而Big Picture Bio的路径是AI设计已有药物的组合。两者的技术挑战不同：前者需要解决分子生成和合成可行性问题，后者需要解决多靶点、多细胞类型相互作用的系统建模问题。从已披露信息看，Big Picture Bio没有声称自己设计新分子，而是聚焦于组合选择和序列优化。这一定位使其更接近“临床策略引擎”而非“分子发现引擎”。
但“更接近临床策略”也意味着更接近一个尴尬地带：大型药企的组合策略通常由内部临床开发团队和生物标志物团队主导，外包意愿取决于外部平台能否提供内部无法获得的信息优势。Big Picture Bio的fianlimab回溯验证如果能在前瞻场景中复制，才可能构成这种信息优势。在此之前，它只是一个有趣的科学演示。
资金用途明确，但验证范围仍然模糊
公司披露的资金用途是“将首批设计的药物组合从计算设计推进到湿实验室验证”。这句话里藏着几个未回答的问题：首批组合有多少个？针对哪些适应症？湿实验室验证是细胞系层面、类器官层面还是动物模型层面？验证终点是什么——协同效应、耐药逆转，还是免疫微环境重塑？
这些细节的缺失在种子前阶段并不罕见，但它限制了外部对资金充足性的判断。220万英镑在伦敦的生物科技生态中是一个相对紧凑的数字。如果湿实验室验证涉及原代细胞、人源化小鼠或类器官平台，成本会迅速攀升。公司可能采取的策略是外包实验而非自建实验室，但外包本身也需要明确的设计和读数标准。从已披露信息看，Big Picture Bio尚未公开任何实验设计细节或合作CRO信息。
一个合理的推断是：公司会优先验证那些在计算模型中得分最高、且生物学机制最清晰的组合，而非追求数量。这与Papenfuss在声明中强调的“组合被选择是因为它们最可能在患者中有效，而不是因为它们是我们可以触及的”一致。但这句话同时也暴露了一个方法论张力：如果模型本身尚未被前瞻验证，那么“最可能在患者中有效”的依据是什么？答案是模型预测。这就形成了一个循环：模型预测指导实验选择，实验验证模型预测，但模型的临床预测能力本身尚待证明。打破这个循环的唯一方式是前瞻性临床数据，而那显然超出了种子前资金的范围。
fianlimab案例的启示与边界
Regeneron的fianlimab试验失败是Big Picture Bio目前唯一公开的验证案例。fianlimab是一种LAG-3抑制剂，曾被视为继PD-1/PD-L1之后免疫检查点组合的重要候选。据公司披露，Big Picture Bio的模型正确预测了该试验失败。但没有披露的是：模型在何时做出预测？是在试验结果公布之前还是之后？预测的具体形式是什么——失败概率、风险比区间，还是简单的二元判断？
这些问题的答案决定了这个案例的验证强度。如果模型在试验结果公布前做出了可记录的预测，且预测内容足够具体，那么它至少构成一个前瞻性数据点。如果预测是回溯性的，那么它只能说明模型能够拟合已知结果。公司披露的措辞是“平台已根据ASCO展示的真实世界临床结果进行评估，并正确预测了Regeneron的fianlimab试验失败”。从这句话的时态看，“已根据ASCO展示的结果进行评估”和“正确预测了试验失败”是两个并列的陈述，但无法确定预测的时间点。Morningstar的新闻稿使用了类似表述：“平台已根据ASCO展示的真实世界临床结果进行验证，并正确预测了Regeneron近期fianlimab试验的失败。”
在没有独立验证的情况下，这个案例只能被视为公司自述的验证证据。它不足以支撑“平台具有临床预测能力”的结论，但它确实提供了一个可检验的起点：如果Big Picture Bio愿意公开其预测记录和时间戳，外部观察者就能判断其预测能力是否真实存在。
风险不在AI，而在从预测到实验的翻译
Big Picture Bio面临的核心风险不是“AI能否设计出好的组合”，而是“计算预测能否在湿实验室中被证实”。这两个问题经常被混为一谈，但它们的失败模式完全不同。前者失败意味着模型需要改进；后者失败意味着整个平台假设需要重新审视。
从已披露信息看，公司尚未公开任何湿实验室数据。这意味着其平台的全部验证目前都停留在计算层面。计算验证可以展示模型的一致性、可解释性和回溯拟合能力，但无法证明模型在真实生物系统中的预测力。生物系统的复杂性——肿瘤异质性、免疫微环境的动态变化、药物代谢和分布——远超任何当前世界模型的建模能力。Big Picture Bio声称其模型“从底层生物学推理”，但“底层生物学”本身就是一个模糊的边界：模型到底建模到分子通路层面、细胞状态层面，还是组织空间层面？不同层面的建模选择决定了模型能回答什么类型的问题。
另一个结构性风险来自肿瘤市场的竞争格局。大型药企在组合疗法领域拥有深厚的临床开发经验和患者数据资产。Big Picture Bio的差异化在于其生成式世界模型的方法论，但方法论优势需要转化为可衡量的决策优势——比如更高的组合成功率、更短的决策周期或更低的验证成本——才能说服合作伙伴付费。在缺乏前瞻性验证数据的情况下，这种转化尚未发生。
从已披露的220万英镑资金和“进入湿实验室验证”的资金用途看，Big Picture Bio正处于一个关键的过渡期。它已经完成了从科学假设到公司构建的跨越，但尚未完成从计算平台到实验验证的跨越。接下来的湿实验室数据将决定这个平台是一个可重复的决策工具，还是一个在特定案例中表现良好的计算实验。
验证边界与可复核指标
本文涉及的“首个、唯一、最大、领先”、订单、出货、性能等表述，如无另行说明，均是公司、创始人或投资方在现有公开材料中的披露口径；RecodeX未在本次采集材料中找到独立审计或第三方测试结论，因而不将其视为已经独立确认的事实。文中的产业协同、竞争位置和商业路径属于基于已披露产品与融资用途的编辑分析，不代表相关结果已经实现。
- 技术侧应核验第三方测试条件、样本规模、良率、稳定性及与可比方案一致口径的结果；
- 商业侧应核验去重后的付费客户、可执行合同、收入确认、复购率以及订单转化；
- 资本与产业协同应以工商股权、关联交易、联合开发、采购或量产文件为准。
RecodeX 极客视：Big Picture Bio把赌注押在一个被行业长期忽视的环节上——不是发现新分子，而是决定哪些已有分子应该组合在一起。9000亿种组合的筛选难题确实存在，生成式世界模型也确实提供了一种不同于传统穷举的思路。但“正确预测了一个失败试验”和“能系统性地设计出成功组合”之间的距离，比融资新闻稿暗示的要远得多。220万英镑能买到的验证空间有限，真正的考验不是模型能否在回溯中自洽，而是它能否在湿实验室里产生一个无法用运气解释的结果。