SCHRODINGER INC(SDGR.US)美股百科,SCHRODINGER美股财报,美国创新药研发工具平台

SCHRODINGER INC(SDGR.US)美股百科,SCHRODINGER美股财报,美国创新药研发工具平台


港美股开户请点击网站右下角港美股开户

一、SCHRODINGER介绍
公司网址: https://www.schrodinger.com/
我们正在改变治疗方法和材料的发现方式。
我们基于物理的差异化软件平台能够更快,更低成本地发现用于药物开发和材料应用的高质量,新颖分子,并且与传统方法相比,我们相信成功的可能性更高。我们的软件被世界各地的生物制药和工业公司,学术机构和政府实验室所使用,并且我们是用于药物发现的计算软件解决方案的领先提供商。我们还将与生物制药公司合作将计算平台应用于广泛的药物发现计划管道,其中一些是我们共同创立的。此外,我们正在使用我们的平台来推进一系列内部的,全资的药物发现计划。
传统的药物发现和开发工作已经变得越来越复杂,冗长,资金密集,并且容易出现高失败率。传统药物的发现依赖于许多轮昂贵且费时的手动分子设计,化学合成和实验测试。药物开发中时间长,成本高和失败率高的主要原因之一是,在化学合成之前预测分子的特性极其复杂,并且不适合传统方法。
在过去的30年中,在数百名科学家和软件工程师的共同努力下,我们开发了基于物理的计算平台,该平台能够高度准确地预测分子的关键特性。这一关键功能使药物发现团队能够设计和选择性合成具有更佳特性的分子,从而减少了确定开发候选者所需的平均时间和成本,并增加了药物发现计划进入临床开发的可能性。此外,我们相信具有更优化特性的开发候选产品将在临床开发中具有更高的成功成功率。此外,由于构成药物分子和材料特性的物理原理是相同的,
我们为客户提供各种软件解决方案,可加速分子发现,设计和优化的所有阶段。2018年,按收入衡量的所有前20家制药公司均向我们的解决方案授予许可,占我们2018年收入的2200万美元或33%。在我们全球销售,技术和科学人员团队的支持下,我们软件的广泛采用推动了我们软件收入的稳定增长。生物制药公司越来越多地采用我们的软件,我们预计这种扩大规模将推动未来的收入增长。不断增长的年合同价值(ACV)超过100,000美元的客户数量不断增加,这充分证明了我们在客户群中的扩展能力。
我们还利用跨越一系列疾病目标和适应症的协作和独资药物开发计划的组合中的平台和功能。我们的药物发现小组由大约70名蛋白质科学,生物化学,生物物理学,药物和计算化学领域的专家组成的跨学科团队以及在临床前和早期临床开发方面具有专长的发现科学家组成。目前,我们与十多个不同的生物制药公司(包括我们共同创立的许多公司)合作开展了25多个药物发现计划。这些合作产生药物发现收入,包括研究经费支付,发现和开发里程碑,并有可能产生额外的里程碑付款,期权费和未来特许权使用费。此外,自2018年中以来,我们启动了五个内部全资计划。我们正在利用我们的计算平台,以快速推进发现最佳和一流产品的目标疗法。我们目前的计划专注于发现和开发针对DNA损伤反应途径和遗传定义的癌症中靶标的抑制剂。将来,我们希望扩展到其他治疗领域。我们计划在2021年上半年开始对我们的计划进行研究性新药或IND的研究,尽管我们的创收合作是我们业务的重要组成部分,但我们的战略是追求越来越多的拥有的程序,并在逐个程序的基础上进行策略性评估,以自行开发临床或进行许可计划以最大化商业机会。
二、创新药行业分析
传统的药物发现和开发工作已经变得越来越复杂,冗长,资金密集,并且容易出现高失败率。传统的药物发现涉及对现有分子库的实验筛选,以发现具有可检测活性的分子或“命中分子”,然后进行多轮化学合成,以尝试将这些命中分子优化为可用于临床开发的候选候选物。为药物发现项目优化初始命中分子的工作涉及昂贵且反复的合成和测试,试图鉴定具有所需特性的分子。最佳配置文件具有诸如性能,选择性,溶解度,生物利用度,半衰期,渗透性,药物与药物相互作用的潜力等可接受的特性平衡,可合成性和毒性。这些属性通常是反相关的,这意味着优化一个属性通常会优化另一个属性。有限数量的分子可以用传统方法对这些特性进行可行的测试,从而扩大了优化命中分子的挑战。结果,这种优化过程常常不能产生具有令人满意的特性曲线的分子作为开发候选者,这就是为什么许多药物发现程序无法推进临床开发的原因。

传统的药物发现方法花费的时间太长,太容易失败,而且成本太高。成功达到IND申请文件平均需要五到六年,平均成功率表明三个项目中有两个将失败。考虑到此类故障,成功完成IND申请的平均成本为3500万美元。

一个典型的药物开发项目仅具有预算和时间来合成和分析少于10,000个分子,因为与询问更多分子相关的成本和时间表是不切实际的。这种少量的分子采样代表了可能潜在合成的分子总数的微小部分。探索如此有限数量的分子会降低鉴定具有所需特性曲线的分子的可能性,我们认为这会导致失败率更高的开发候选对象。

在启动昂贵且费时的实验合成之前能够预测分子特性将加快药物开发,降低成本并增加成功的可能性。如果有可能准确地预测分子的关键特性,那么必须通过实验合成和测试的分子就更少了。结果,可以分析更大的分子库,从而可以更选择性地合成分子,从而获得更高质量的分子。此外,采用预测性计算方法,可以通过探索更大的化学空间部分来合成更好的分子选择,从而获得更高质量的分子,从而有更高的可能性通过临床开发并获得监管部门批准进行商业销售。

已经进行了许多尝试,通过使用计算方法来预测分子的性质来提高药物发现过程的效率。许多公司尝试部署的主要计算方法之一是机器学习,通常称为人工智能。机器学习的主要好处之一是其能够快速大规模处理数据的能力。但是,机器学习本身具有明显的局限性,因此对提高药物发现过程的效率影响有限。机器学习需要输入数据(称为训练集)来构建预测模型。期望该模型能够准确预测与训练集相似的分子的属性,但不能外推到与训练集不相似的分子。因此,
已尝试的另一种主要计算方法涉及使用基于物理的基本“第一原理”方法,这需要对要计算的特定属性有深刻而透彻的理解。但是,与机器学习相比,基于物理学的方法难以开发,并且速度较慢。此外,为了将此类方法用于设计与特定蛋白质靶标具有高亲和力的分子,必须以足够的原子细节生成该蛋白质的三维结构,以使这些基于物理的方法得以应用。被“结构性地启用”,并且历史上很难获得这种结构。阻止计算化学实现其承诺的另一个因素是有限的计算速度。然而,尽管面临所有这些挑战,基于物理的方法相对于机器学习具有显着优势,因为它们不需要训练集,并且原则上可以计算任何分子的属性。
三、SCHRODINGER财务状况
合并利润表
 
综上所述
虽然还没有赢利,但是该企业还是有一定竞争优势,可以多关注看是否可以长期投资。
需要了解什么企业请在公众号:繁木网,留言!

郑重声明:本文版权归原作者所有,转载文章仅为传播更多信息之目的,如作者信息标记有误,请第一时间联系我们修改或删除,多谢。

留言与评论