Anthropic收购一人药企Mithril:押注临床开发瓶颈
Anthropic刚买下「一人药企」,MSRA医学博士创业,让一个人...
这名创始人借 Claude 打理合同、物流,还协调 11 家外部实验室的实验安排;不到 18 个月,一种罕见肌营养不良的候选疗法便从构想走到小鼠身上的积极数据。他把这套打法叫作 "Pipeline-in-a-Person"。
故事到小鼠为止。Anthropic 的说法是,就算数据一直站得住,最快也得 2028 年底才可能进入人体试验。这样的例子并不孤立:这几年 AI 让靶点发现、分子生成一路提效,大批候选药物被推到临床试验门口,随后卡在同一道闸门前。真正最烧钱、最耗时间、也最难靠某个更聪明的模型提速的,是从 "小鼠有效" 走到 "人体给出答案" 这一段。
此前并不公开的 CataX AI 把赌注下在了这里。创始人兼 CEO 王子龙早年就显出跨学科底子:高一凭全国生物联赛一等奖拿到保送资格,高中期间把生物、物理、信息学三科四项竞赛一等奖收入囊中,之后保送复旦大学读临床医学八年制博士;毕业带队做过覆盖全国 155 家中心、超 4.7 万名受试者的前瞻性多中心研究,拿到国内最早一批国家药监局(NMPA)三类医疗 AI 器械注册证,后来担任微软亚洲研究院(MSRA)高级研究员。懂医学、懂模型,又亲身走过严苛的监管注册流程,这种复合背景在临床开发领域相当少见。
王子龙。图片来源:CataX AI 官网。
这家 Agent-Native Biotech 由创始团队与启明创投联合孵化,它的判断是:AI 制药在分子端已经挤满人,真正的瓶颈落在临床开发。应对办法分三层——用 Clinical-of-One 的新组织方式,让一名全栈临床负责人带着专业 Agent 牵头人体临床项目;靠递归组织改进,把每个项目攒下的经验转成下一个项目的能力;最终走向由 Agent 主导临床开发的 Virtual Pharma。
一、分子在排队,闸门没有变宽
过去几年,AI 制药的故事大多围绕分子生成速度展开,成绩也确实拿得出手:生成式 AI 发现的 TNIK 抑制剂已在 2025 年发表 2a 期随机对照结果,RFdiffusion 从头设计的抗体也完成了结构确认。
下游那道闸门却没跟着变宽。Citeline 统计显示,2025 年 1 月全球处于临床前阶段的在研药物存量达 12,704 个;丁香园与 BCG 的分析则显示,2025 全年全球新进入临床开发的新分子实体只有 1,868 个。启明创投合伙人陈侃博士说,过去几年中国临床前新药分子(PCC)的产出量已占全球 44%,眼下急需一条高性价比通道跨过人体概念验证(PoC)的生死线:"如果人类今天停下所有新药分子的发现,光是实验室里攒下的存量,可能就足够全球临床体系消化整整十年。"
AI 分子进入人体后的表现更能说明问题。BCG 研究者发在 Drug Discovery Today 的分析显示,AI 分子在早期安全性试验中成功率达 80%–90%,可一到 PoC 阶段,成功率就跌回约 40% 的历史均值。算法擅长优化分子的理化性质,而从新药临床试验申请准备到早期 PoC,关键在转化医学与临床策略:找对病人,用对剂量与终点,读出人体有效的信号。一款新药平均研发成本约 26 亿美元,临床阶段占直接研发支出约七成。分子越来越多地涌向临床,下一轮效率跃迁只能发生在这里。
临床推进慢,很多慢在组织本身。王子龙熟悉临床研发,他说过一句话:“医学决定我们为什么出发,而 AI 决定应该怎样去做。”在他看来,临床开发里除了观察期这类客观限制,还有一笔延迟是组织自己造出来的,他管它叫“交接税”。
医学、注册、生物统计、临床运营、数据管理,各自手里攥着项目事实的一部分。一项变更每跨过一道职能边界,就得重新解释一遍、重新排一次队。最要命的损耗出在“理由”的传递上:下游拿到了结论,却不清楚它建立在哪些假设之上。比如设计一款炎症药物的 PoC 研究,为了加快入组放宽入排标准,可能把机制信号稀释掉;为了减轻访视负担调整采样,可能干扰暴露量的解读。每个局部决定单看都合理,叠在一起,试验却可能回答不了最初那个科学问题。
执行阶段的决策延迟一样要命。CataX 联合创始人兼首席开发官蒋哲敏有 15 年以上临床开发与运营管理经验,参与并支持过 50 余项临床研究。他拿肿瘤 Ⅰ 期试验的剂量递增决策举例:一个剂量组完成方案规定的观察后,研究团队要依照方案和相应审查机制,结合安全性、药代动力学及其他已有证据,判断能不能进入下一剂量水平。蒋哲敏说:“真正影响效率的,有时不是数据还没出来,而是不同职能无法及时基于同一份信息完成判断。等到决策形成、传递到研究中心,可能已经产生了不必要的等待。”
经济史学家 Paul David 研究过工厂电气化:电动机刚取代蒸汽机那会儿,车间还是围着中央传动轴布置,生产率没什么起色;直到拆掉传动轴、重排产线,新动力才真正派上用场。陈侃也这么看,在传统药企里靠 AI 穿透层层部门壁垒,跟推翻旧体系没什么两样,不如从零建一家原生公司。王子龙带着一个问题离开微软亚研开始创业:“如果从第一天起,就让智能体深度在场,一家生物医药公司应该什么样?”
三、Clinical-of-One:一人挂帅,不是一人包办
CataX 给出的解法叫 Clinical-of-One。“One”说的是统一的研发领导权:一名临床功底扎实、能跨职能判断的全栈临床负责人,像乐团指挥那样,从机制到证据始终掌握项目全貌。
在 CataX 的设计里,医学、注册、临床运营、统计等专业 Agent 负责起草文件、整合意见、做一致性校验,所有工作共用同一份上下文,包括证据来源、版本历史和审计轨迹。平台还通过 API 和 MCP 逐步打通试验主档案(eTMF)、电子数据采集(EDC)等临床系统。负责人改动一条入排标准时,机制富集、入组速度与样本量假设会一起摆到桌面上,大家基于同一份证据做决策。
Clinical-of-One:一名全栈临床负责人带领专业 Agent,连接外部专家。
“一个人”指的不是一个人干完所有活,而是谁对结果负总责;统计审核、医学监查、盲态管理、伦理审查与质量保证这些专业环节仍由专人独立完成,这也是 ICH E6 (R3) 规范对申办方最终责任的要求。
Mithril 的技术报告里记过一笔:Claude 起草邮件时出过事实错误,可见独立复核这道关省不得。小鼠实验里邮件写错还有机会改,到了人体试验,一处偏差就牵动受试者安危。王子龙的说法是,“一人挂帅”反而对基础设施要求更严:证据得查得到源头,权限怎么划、盲态边界在哪要说清楚,有人提异议得有人接,出了错得抓得出来,同时还得有另一位合格的人能随时顶上。蒋哲敏惦记的是项目换手时经验如何交接。他的判断是一项肿瘤临床试验可能做好几年,中间团队人员难免变动。关键决策哪怕都留了记录,当时为什么这么定、讨论过什么,也未必传得全。他期望留下的不只是干了什么,还包括为什么这么干,好让后来接手的人和 Agent 看得懂、用得上。
四、不卖工具,押资产
组织形态定下了商业模式。CataX 不把软件卖给药企,而是自己下场做资产开发:通过引进或联合开发持有资产权益,借助中国丰富的患者资源和高效的临床入组,再加上 Clinical-of-One 的协同速度,高效推进至早期临床 PoC,再通过全球授权或合作实现价值跃升。说到底,自己做出的临床证据就是最值钱的产品。
之所以要自持资产,关键在于开发自主权和实战磨炼。蒋哲敏在 CRO 和创新药企业都工作过,他的体会是:“临床开发不是把一份方案按时执行完就够了,更重要的是始终知道为什么开展这项研究,希望获得什么证据,以及这些证据能否支持下一步开发决策。”在他看来,持有资产不只意味着承担研发风险,也意味着拿到重新设计开发流程的主动权。CataX 希望从真实的药物资产出发,围绕资产价值和关键临床证据持续作出跨职能判断,让人与 Agent 共同完成工作,并在项目中检验和改进整套工作体系。
拿到资产,第一道坎就是挑对标的。眼下上游 AI 分子设计公司和转化项目成批冒出来,对它们而言 CataX 是接力的一方,不是来抢地盘的。CataX 盯的是基本就绪、就差人体证据的临床前及早期管线:分子本身、手上数据和推进条件大致齐备,偏偏最要紧的那个问题只有人才能回答。这类资产交给 Clinical-of-One 最合适,一项设计得当的早期研究,价值就可能一下子抬上去。筛选环节照样是人跟 Agent 分工:研究 Agent 不停扫整个领域,给每个候选资产建一份来源可查的档案;Agent 集群拿同一份档案,从科学、临床、专利、商业这些角度互相挑毛病;中立审阅者负责核对来源、把分歧留着,最后拍板和谈判归人。眼下 CataX 已把覆盖核心职能的 Agent 协同工作台搭起来,数十个早期管线做完了系统性扫描,首个临床资产的引进也走到了实质推进这一步。
五、递归组织改进:让每个项目训练下一个项目
如果 Clinical-of-One 只能靠少数全栈天才,那它就没法规模化。CataX 押注的第二个核心机制是“递归组织改进”(Recursive Organization Improvement),也就是让组织本身成为被持续训练和迭代的模型。
临床研发有个天生的难题——“奖励极度稀疏”:疗效终点常常要等好几年,组织不可能干等到揭盲读出才动手学习。CataX 的做法是从一开始就围着“高频过程反馈”搭 Agent 原生基础设施和协同工作台:日常核查、返工、执行偏差,全都转成密集的演进信号,再由临床负责人牵头做“逻辑提炼”(Rationale Distillation),把验证管用的方法写成可复用的 Skill 和工具,决策依据、失败归因、版本演进一并沉进结构化的组织记忆,评测闭环则在实战任务里一直跑着。
可要是从复杂系统演化的角度看,经验堆得多,并不自动等于组织在进化。CataX 团队做过一项针对人机协作组织的建模研究 Recursive Organization Improvement,里面追问了一个更根子上的问题:人和智能体一起组成学习系统时,组织得满足什么条件才真会变聪明,又在哪些情形下反倒退化?研究点出人机协同演化里两重内生的阻力。一重是非稳态环境下的“记忆滞后”——组织记忆有很强的时效边界,外部临床标准或竞争格局一旦变了,缺了前提约束的老经验反而会变成路径依赖,闹出“负迁移”。另一重是串联审阅中的“共识幻觉”——多节点决策链路里,下游审核智能体要是爱顺着上游结论走,表面上“一致通过率”会明显往上蹿,可代价是集体纠错机制失灵、真实决策错误率猛涨。说到底,一个能持续自我改进的组织,光攒经验不够,还得对“经验什么时候会失效”有元认知,并且在验证环节保住认知上的独立和必要的分歧张力。
人与 Agent 一起改进方法,把项目经验沉淀为可复用的组织能力。
王子龙喜欢拿刘慈欣《乡村教师》里的设定,来琢磨这场变革到底意味着什么。把生命和文明的演进拉长了看,第一条增长曲线是生物进化——靠基因筛选去适应环境,尺度以万年计。第二条曲线是人类的知识传承。可《乡村教师》里叹的正是这一点:人的记忆没法直接遗传,每个新手都得花上十余年漫长学习,才能重新爬到前人已经达到的认知高度。而以Agent为载体的“外脑进化”,正开出第三条文明增长曲线——个体的实战教训和专业直觉,头一回能被直接编译进组织的系统架构与工具链,跨项目“遗传”,并且随着底层基座模型每升级一次,下一个项目的战斗力就被指数级放大。
六、北极星:通向 Agent 化的 Virtual Pharma
顺着这个飞轮,CataX 给通向 Agent 化的 Virtual Pharma 安排了三步走:起步阶段跟外部资深专家深度协同,在实战里共同打磨高标准的专业框架和质量基线;等到大量前置准备和常规校验沉淀成可靠的 Agent 能力,专家就能从繁琐的重复性审阅里脱身,把精力集中到最关键的复杂权衡上;最后,由“临床开发负责人 Agent”统筹各专业 Agent 的日常运转,人类专家则真正回到科学意图把关、注册申报、受试者安全这些不可替代的核心决策上。
这条路要走通,AI 和临床两种深度得同时在场,CataX 的创始团队恰好是这样一对组合。王子龙是复旦大学医学博士、前微软亚洲研究院资深研究员,当过医疗 AI 公司 CTO,带着两款 AI 软件医疗器械产品从算法设计、研发一路走到注册落地,拿到 NMPA III 类证;联合创始人兼首席开发官蒋哲敏临床开发经验丰富,参与推动过多款药物的临床开发及上市进程,从零搭建起 PPD 中国的去中心化临床试验团队,后来在百济神州推动临床运营数字化与技术赋能转型。这中间他慢慢意识到,效率要真正提上去,光升级工具不够,还得重新设计人和技术怎么分工、临床研发的组织方式怎么摆。一个把医学和 AI 做成过产品,一个从临床研发实践出发、经历过数字化转型,如今两人一起摸索 AI 原生的临床研发组织。
公司名字 CataX 本身就带着这层意思:“Cata”取自催化剂(Catalyst),“X”代表探索未知疾病,也代表十倍(10x)效能。一个人带着 AI 把药做到小鼠,说明 Agent 能大幅压缩临床前的组织成本;下一步,CataX 要在 AI 渗透尚浅、价值量最大的临床开发环节接过关键一棒,让有效的药物更快抵达患者——More Hope. Sooner.