Enveda 获得 3.11 亿美元 E 轮融资，加速将天然来源的 AI 药物候选推进临床试验并扩大发现规模

目录

• 您可能想知道
• 主要主题
• 关键见解表
• 随后⋯⋯

您可能想知道

1. Enveda 如何将人工智能与天然产物研究结合以发现新药？

2. 最近的 3.11 亿美元融资对公司临床项目和增长计划意味着什么？

主要主题

Enveda Biosciences 是一家专注于从自然中发现治疗分子的生物技术公司，宣布完成 3.11 亿美元的 E 轮融资，估值约为 20 亿美元。本轮由 Catalio Capital Management 领投，包含 Iconiq 在内的投资者参与，此轮融资较此前一年显著提升了公司估值，并为公司提供资金以加速将 AI 识别的天然化合物转化为人体临床试验。此轮融资凸显了投资者对 Enveda 方法的信心以及将计算方法与天然产物药物发现相结合的更广泛兴趣。

该公司由 Viswa Colluru 于 2019 年创立，他带来了在其他生物技术公司早期职位的经验。Enveda 的核心主张是挖掘植物、微生物和其他天然来源的化学多样性以寻找具有治疗潜力的分子，但使用现代工具来实现：高通量分析、机器学习模型和先进的生物检测。通过整合包括分子结构、生物活性和生态背景的数据集，公司旨在优先筛选在生物学上相关且适合开发的候选分子。这一策略不同于完全合成的药物发现流程，因为它以已进化出与生物系统相互作用的化合物为起点，可能提供独特的作用机制。

尽管对 AI 在药物发现中的潜力广泛看好，完全由 AI 起源并获 FDA 批准的药物尚未问世。不过，像 Enveda 这样的公司正超越纯粹的计算展示，将 AI 发现或 AI 优先的候选推进临床研究。Enveda 已有多个项目进入临床：一个候选药物针对严重皮肤病状，另一个专注于在停用 GLP-1 受体激动剂后支持持续减重。这些临床活动展示了从发现走向人体测试的进展，说明如何将 AI 与天然产物研究结合以产生可行的治疗假设。

这笔资金很可能用于若干优先事项：扩展发现与筛选能力、通过增加试验地点与病人招募来加速当前临床项目，以及扩大为后期研究所需的制造与临床前工作。投资者似乎不仅押注于 Enveda 当前的管线，也押注于平台持续产生新线索的能力。通过构建一个将天然化合物化学与观察到的生物效应连接起来的数据驱动引擎，Enveda 希望降低识别首创或最佳药物所需的时间与成本。

在融资新闻背后，还反映了生物技术投资趋势的更广泛变化。过去几年，对将人工智能应用于生命科学问题的公司兴趣大增——范围从分子设计到病人分层。Enveda 的模式位于药物发现两条长期方向的交汇处：天然产物作为生物活性分子来源的复兴，以及采用计算方法去理解庞大且异质的数据集。公司承诺结合这两种传统，利用自然模式并用 AI 优先筛选具有最高临床成功可能性的候选。

需要注意的是，临床开发仍充满风险：早期人体测试评估安全性、耐受性、剂量和初步疗效，许多项目未能达到终点或出现意外毒性。Enveda 进入病人研究反映了行业务实的承认，即算法预测最终必须在人类中得到验证。临床上的成功将是最有说服力的证据，表明以自然为基础并由 AI 增强的发现方法可以持续提供新的治疗选择。

在运营方面，公司成长将需要在人力和基础设施上投资。招聘跨学科团队——机器学习科学家、天然产物化学家、药理学家和临床开发专业人士——对将计算发现转化为可制造、符合法规的药物候选至关重要。公司还需在探索性发现工作与临床开发的实际需求之间取得平衡，因法规时间表与质量标准将左右进度。

从科学角度看，天然产物发现既带来机遇也带来挑战。天然分子可能具有复杂、多功能的结构，以新颖方式与生物靶点相互作用，可能提供治疗优势。然而，这些结构也可能在合成、优化、制剂与可扩大量产上造成挑战。Enveda 的方法旨在通过 AI 选择不仅在生物学上有前景、且在合成上可行且适合开发流程的候选来应对这些限制。

总之，Enveda 的 3.11 亿美元 E 轮和 20 亿美元估值反映了投资者对结合 AI 与天然来源药物发现的信心。公司正从数据驱动的发现转向人体测试，在皮肤病学和体重管理相关适应症方面已有项目进入临床评估。尽管该领域尚未出现完全由 AI 起源并获批的药物，Enveda 的进展体现了当下这波初创企业将计算优先的候选推进临床的趋势，以检验这些方法是否能缩短时程并提高发现有影响力药物的概率。未来数年将很关键：临床读数和公司扩展其平台的能力将决定这一承诺能否转化为获批疗法。

关键见解表

随后⋯⋯

展望未来，Enveda 新募集的资本使公司能够扩展其发现平台与临床布局。近期最关键的里程碑将是正在进行试验的临床读数，以及证明 AI 优先的天然来源候选能否通过开发过程中的诸多障碍。成功将验证一种混合模式：利用进化产生的化学多样性并辅以现代计算。如果临床结果为正面，这一方法可能吸引更多投资并激励将天然产物化学与机器学习整合的更多研究。相反，挫折会为目标选择、候选优化或转化策略等方面的限制与改进空间提供教训。无论结果如何，都将为不断演进的 AI 辅助天然产物药物发现领域贡献宝贵知识。