耐维思生物医药（上海）有限公司完成A轮融资，本轮由君联资本领投、康君资本联合领投，元生创投及其他机构和战略投资方参与，此前天使轮投资方三一创新、元禾原点、丰雷资本继续跟投。公司没有披露本轮单独融资金额，只公布天使轮与A轮累计融资达到数亿元人民币。资金将主要推动两条ADC核心管线完成临床前开发和IND准备，同时升级NaviMIG®多抗、ReviLOAD®载荷以及AI-in-the-loop研发体系。
ADC表面上只是抗体、连接子和载荷三部分，但真正决定一款药物能否成功的参数远比三项复杂：靶点在肿瘤和正常组织中的表达差异、抗体亲和力和内吞速度、DAR、linker的血浆稳定性、payload膜通透性和旁观者效应、ADC整体疏水性以及PK，都可能共同改变治疗窗。实体瘤异质性、抗原下调、药物外排以及肿瘤微环境又进一步制造耐药。换句话说，ADC开发越来越像一个多变量联合优化问题，而不是给一个热门抗体“挂上一颗毒素”。
耐维思提出的解决办法是一个实验数据不断回流的AI闭环：算法参与抗体、多抗以及linker-payload设计，实验室完成体内外验证，再把真实数据重新用于模型迭代。理论上，这种模式比单纯用公开数据训练一个“ADC预测模型”更有价值，因为真正稀缺的并不是算法，而是高质量、结构化且持续产生的实验数据。2025年发表于npj Precision Oncology的综述已经系统梳理AI在ADC靶点筛选、抗体工程、linker/payload设计和ADMET预测中的潜在作用，同时也明确指出，实验闭环、数据质量和模型可解释性仍是实现价值的关键条件。也因此，目前不能把耐维思融资材料中的“大幅提升研发效率与候选分子成功率”直接视为已经验证的事实——公司尚未公开足够的数据来回答，AI到底缩短了多少周期、减少了多少失败分子。
公司目前有两个核心技术底座：NaviMIG®多抗平台和ReviLOAD®载荷平台。前者对应实体瘤异质性问题——如果单一靶点在不同肿瘤细胞上的表达不均，双靶点甚至多靶点识别理论上可以提高肿瘤覆盖；后者则试图从payload和偶联化学层面解决耐药与治疗窗问题。但截至目前，公司尚未公开两条核心管线的具体靶点、适应症、候选分子编号以及系统性的动物药效和毒理数据，两款产品仍处于临床前阶段，计划2027年上半年递交IND。
这也是“AI-in-the-loop”对耐维思真正可能产生价值的地方。AI最适合解决的并不是替研究人员宣布“哪个ADC一定成功”，而是在一个巨大的组合空间中减少无效实验：什么抗体组合既扩大肿瘤覆盖又不提高正常组织结合，哪种linker在循环中足够稳定但进入肿瘤后能够有效释放，怎样改变payload结构可以减弱外排泵介导的耐药，又如何在旁观者效应和系统毒性之间寻找平衡。ADC正在从靶点驱动进入分子工程驱动阶段，算法的价值也要从“发现候选物”转向“优化治疗窗”。这一点如果能够被耐维思自己的实验数据反复验证，才会形成真正难复制的平台壁垒。
来源：生物天使
评论 (0)