40 亿美元买下的药物，终于等到了监管审评的关键节点。据武田 2026 年 9 月 14 日公告，FDA 已受理口服药 zasocitinib 的上市申请并给予优先审评。但目标决定时间在 2027 年第一季度，获批仍有悬念。
它申请用于成人中重度斑块型银屑病，也是 AI 制药报道中的熟面孔。但 Nimbus 研发负责人 Peter Tummino 对 PharmaVoice 明确表示，他不会把这个 2020 年确定的分子称为“首个 AI 获批药物”。这句降温的话，让故事更值得拆开。
40 亿美元，买的是哪一段未来？
这笔交易在 2022 年 12 月宣布，2023 年 2 月完成。武田收购了 Nimbus 持有 TYK2 项目的子公司 Nimbus Lakshmi，获得当时名为 NDI-034858、后来改称 TAK-279 的药物。但买下项目，只是把后续研发风险接到了自己手里。
据双方公告，交易首付款约为 40 亿美元，另有最高 20 亿美元的销售里程碑付款。但这笔钱附带条件：项目产品年净销售额分别达到 40 亿、50 亿美元，才各触发一笔 10 亿美元付款。首付款已经落地，商业兑现仍要过关。
武田买入时，这个项目已经走到二期临床。价格对应的是一项有临床基础、还可能拓展其他免疫疾病的资产。但交易金额无法告诉我们：其中多少价值来自算法，多少来自药物本身，又有多少来自买方对未来市场的判断。
如今，美欧审评程序均已启动，最先接受检验的是银屑病适应症。但监管进展与销售里程碑之间还隔着获批、定价和实际用药。40 亿美元把期待提前兑现给了卖方；买方能否兑现期待，还需要另一组结果。
一片药，拿什么撑住这个价格？
新证据来自同场比较，而非把不同试验的数据拼在一起。武田 9 月 30 日公布 LATITUDE Atlas 三期结果：zasocitinib 与 deucravacitinib 直接比较。但这场比赛回答的是指定患者、指定终点和观察时间里的表现。
第 16 周，zasocitinib 组 36.5% 的患者达到 PASI 100，对照组为 13.9%；公告列示两组分别为 301 人、303 人。PASI 可以理解为皮损评分，PASI 100 表示相对基线改善 100%。但它不等于银屑病被永久治愈。
另一项指标 PASI 90，即皮损评分改善至少 90%，应答率为 62.5% 对 34.0%；医生评估完全清除皮损的 sPGA 0 比例为 43.2% 对 18.5%。但这些终点的定义不同，不能混成一个“治愈率”。
据武田披露，主要和关键次要疗效终点均显示统计学优效。这笔交易开始拥有更硬的临床支撑。但这仍不能直接推导出价格优势、市场份额，或长期用药中的安全性优势；这些问题不在第 16 周的疗效数字里。
为什么要绕开一排相似的锁？
研发难点像是在一排外形相近的锁里，只打开目标那一把。TYK2 属于 JAK 家族，团队希望抑制与炎症相关的信号。但如果分子同时作用于其他 JAK 酶，就需要面对额外的脱靶风险，不能只追求结合得更紧。
Nimbus 与 Schrödinger 的合作从 2016 年开始，最初瞄准 TYK2 的 JH1 催化区域。但相近的结合位点增加了选择性设计的难度。后来，团队依据新的生物学研究转向 JH2 调控区域，通过这个位点抑制 TYK2 活性。
选择性需要落到实验里，不能只留在计算排名上。Schrödinger 公开了最终候选物的体外结合、细胞活性及脱靶测试结果。但这些不同实验体系里的数字，只能分别解释，不能直接换算成人体安全性。
这也决定了计算工具的任务：同时考虑活性、选择性、溶解度等性质。但其中一个指标做到极致，并不保证分子适合成药。团队还要决定哪些化合物值得合成，再把预测结果送回实验台验证。
三个月的故事，到底省略了什么？
有一组更能看见研发分工的数字：4000、46、9。据 Schrödinger 案例，在早期 JH1 路线上，团队计算评估约 4000 个设计分子，优先合成 46 个，最终 9 个满足项目要求。但这组数字属于早期路线，不能套到最终药物身上。
其中，自由能微扰计算（FEP）像是在虚拟环境中比较分子结合的能量账本。但它主要依靠物理建模，不能笼统归入机器学习。药物化学家提出设计，计算筛选候选，实验验证预测；协作发生在这些环节之间。
转向 JH2 后，团队还对 240 万个商业可得化合物开展结构导向虚拟筛选，并在三个月内找到多组高活性分子骨架。但 Schrödinger 随后写明：团队是在转向该路线后两年内，才确定开发候选物。
三个月找到骨架，两年内确定候选物，是不同的研发节点。但如果只把前一个数字放大，读者就容易误以为新药三个月诞生。中间的性质优化、合成验证，以及后续临床，都不能从时间线上删掉。
AI 的功劳，不能靠标签结算
机器学习的具体贡献，Tummino 给出了另一层解释。他告诉 PharmaVoice，团队利用历史化合物数据预测吸收、分布、代谢、排泄和毒性相关性质，帮助优化药代动力学。但报道并未给出各工具贡献的独立定量对照。
因此，这个案例能说明 AI 已参与真实研发协作，却难以单独证明它把临床成功率提高了多少。但对行业更有用的追问是：模型改善了哪个决策，预测又如何被实验验证？临床验证检验的是药物，算法价值还需要自己的证据。
武田称，三期研究未发现新的安全信号，常见不良事件包括上呼吸道感染、鼻咽炎和痤疮。但“未发现新信号”不等于“没有风险”。进入更广泛人群、延长用药时间后，安全性仍需要持续观察。
武田给出的下一个目标节点，是 2027 年第一季度的监管决定。但即使通过，药物还要回答长期用药、临床选择和商业回报的问题。当“AI 药物”终于可能走到处方桌前，留下来的会是怎样一份说明书？
