逆转“埃鲁姆定律”：计算机能否极大地提升药物研发的效率？

摘要

Schrödinger, Inc 是一家基于“计算机能够大幅加速发现更优质（更有效、毒性更低）药物”这一理念而创立的公司，通过在科学算法领域取得突破并借助摩尔定律，该公司已将这一愿景变为现实。 该技术正处于一个转折点：生物分子模拟的准确性现已稳定达到足够高的水平，足以真正推动临床前药物研发项目。这有望彻底改变药物研发行业，正如计算机曾彻底改变从电影制作到飞机制造等几乎所有其他行业一样。纳米级模拟 所处的战略转折点，为投资者提供了乘上快速创新浪潮、获取非凡价值创造机会的良机。

 

FDA 批准药物研发成本不断攀升——“埃鲁姆定律”：成因及可能的对策

在过去的30年里，计算机技术曾多次被视为大幅提高新药研发效率的手段。50多年来，计算成本一直遵循摩尔定律，大约每18至24个月就会下降一个数量级。 与此形成鲜明对比且令人有些担忧的是，过去15年来，研发一种经FDA 批准的新药的平均成本一直在稳步上升，目前已达到约10亿美元。 这一现象被称为“Eroom定律”（即“摩尔定律”的倒写），它不仅威胁着大型制药和生物技术公司的生存能力，也威胁着我们社会能否以可负担的成本延续20世纪在医疗保健领域取得的巨大进步。成本的大幅上涨限制了挽救生命的新药研发速度。

最近对辉瑞、阿斯利康、礼来和葛兰素史克这四家大型公司过去10年间的小分子药物研发项目进行的一项分析显示，失败的一个关键原因在于：候选药物的吸收、分布、代谢、排泄和/或毒性（统称为ADMET特性）等特性不佳。 即使在临床前阶段（即人体试验之前），在400种被列为“开发候选物”的化合物中，也只有14%成功通过了进入人体试验前所需的毒性动物试验。 在Phase 1临床试验中，ADMET问题占无法进入Phase 2阶段的失败原因的50%以上。这些淘汰率可能有许多具体原因，但有一点很清楚：尽管化学合成取得了重大进展，合成一个候选药物仍然成本高昂（平均5,000美元）——因此，在整个项目过程中通常只合成几千种化合物。 此外，尽管许多重要药物靶点的原子分辨率结构已知，但要设计出完全符合要求的分子仍然极其困难——因此，仅凭几千种化合物可能还不足以取得成功。

业界早已认识到，要实质性地提高小分子药物研发项目的成功概率，就必须实现技术突破。 过去30年来，业界曾宣称实现了许多此类突破：基于结构的药物设计、高通量筛选 、组合化学、系统生物学和基因组学等，都是其中最突出的例子。尽管这些技术目前已被应用于制药和生物技术行业，但在应对新药对安全性和有效性双重要求日益提高的挑战时，尚未有任何一项被证明是万能良方。

如上所述，计算机技术作为一种显著提高新药研发效率的手段，已取得长足进步。事实上，药物研发团队已将计算机常规用于存储和检索化学及生物信息、监控项目进展，并实现候选药物及其结合蛋白结构的图形可视化靶点 。然而，这些应用并未充分利用摩尔定律所体现的计算能力的大幅提升。 问题在于，是否存在某种计算方法，能够以低成本且高效的方式利用大规模计算能力来筛选出更优的候选药物。正如下文将阐明的，答案是肯定的。

 

利用计算机寻找完美的“十亿美元分子”

本文将重点探讨小分子药物（通常由少于100个原子组成的分子），这类药物目前约占美国食品药品监督管理局（FDA ）批准药物的75%，但关于生物制剂（例如抗体 疗法）也可以提出类似的问题。 小分子药物研发旨在寻找人类已知的最具价值的物质——那些能够缓解或治愈致残性疾病的物质。在制药时代的黎明时期，保罗·埃尔利希（Paul Ehrlich）——他发现了首批通过化学合成制备的有效药物之一——曾设想过一种“神奇子弹”的存在，即一种完全适合其规定医疗功能的分子。这一理念至今仍推动着每年500亿美元的制药研发投入。

如何识别这样的分子？在典型的的小分子药物研发项目中，生物学研究首先会确定一个“靶点”；即人体内或病原体中的一种蛋白质，研发人员希望通过药物分子来阻断（或在某些情况下激活）该蛋白质。 例如，当前艾滋病的标准治疗药物——正是这些药物将艾滋病从“死亡判决”转变为一种慢性疾病——由三种不同分子的“鸡尾酒疗法”组成，其中每种分子都能阻断或抑制艾滋病病毒产生的某种蛋白质，而这种蛋白质是该病毒自我复制所必需的。 艾滋病的靶点大约在30年前就被确定；随后又花了10到15年的时间，才设计、开发并测试出我们今天在标准治疗中使用的药物。

一旦确定了靶点（靶点 ），该项目的下一步就是设计并合成一种分子，期望它能具备优质药物所需的所有特性；这种分子被称为候选药物。药物研发极其困难，因为候选药物必须通过许多测试，才能获准开展临床试验（在临床试验中，药物通常先在健康志愿者身上进行测试，然后在患者身上进行测试）——而且还必须在临床试验中取得成功。 首先，它必须以足够强的效力抑制（或激活）靶蛋白（靶点 ），从而产生预期的生物学效应。但它绝不能以同样强烈的程度干扰其他任何蛋白质的功能，因为这正是导致不良副作用的主要原因之一。口服药物（经口服用的药物）必须从胃部扩散到需要发挥抑制作用的体内器官，且在此过程中不能被消化。 一旦到达细胞，药物必须穿过细胞膜（由脂质组成），这通常是一项艰巨的任务。最后，药物必须在恰到好处的时限内被代谢并排出体外；既不能太快（否则生物效应会消失），也不能太慢（否则其作用可能会持续到远超预期治疗期之后）。

目前许多药物远非理想，因为它们会产生各种类型的副作用，其中一些相当令人不适，有时甚至会致命。 如今，人们不难推断出计算机模型在药物发现领域可能产生深远的影响；倘若能够计算出候选药物分子的关键性质，且每种化合物的计算成本远低于实验合成和测试所需的5000美元，那会怎样？据估计，共有10⁶⁰种可能的候选药物可以被合成。 （为了直观感受这个数字的庞大程度：宇宙中有10²¹颗恒星，地球海洋中有10⁴⁶个水分子。）在这庞大的分子列表中，几乎肯定存在一种分子，其性质优于（甚至可能远优于）通过纯实验方法合成的药物。挑战在于利用计算机和精确的科学算法，预测候选药物必须具备的关键性质。

在将计算方法应用于药物发现时，最初的目标是预测药效，即拟议的候选药物与特定蛋白质靶点 的结合亲和力；为了在足够低的药物剂量下抑制（或激活）靶点 ，同时确保不影响体内其他蛋白质的功能，必须实现非常紧密的结合。 一种令人兴奋的可能性是，构建一个在原子级细节上描述药物分子与蛋白质相互作用的物理模型靶点 ，然后利用物理定律计算结合强度。基于物理理论 纳米尺度的模拟——即包含物理系统原子级细节的模拟——在制药研究中已有30多年的应用历史，但作为一种进行定量预测的方法，其结果在许多年里都令人失望。 直到最近，这些计算才具备了阐明此类差异并据此设计出更优分子所需的精度和稳健性。

十年前，Schrödinger 公司基于此前在学术实验室中多年的研究成果，着手开发一种准确可靠的基于物理理论 解决方案，以解决药物结合模拟 问题。在过去的几年里，我们见证了该技术的一个转折点；如今，其准确性已始终保持在足够高的水平，足以有效指导实际的药物发现项目。 如今，利用“计算测定法”预测候选药物的结合能力亲和力 每分子成本低至 5 美元，而通过实验合成并测试该化合物则需 5000 美元。此外，根据摩尔定律，预计这一成本将随着时间的推移而进一步降低。

基于物理理论 模拟 这些方法已在重要的工程应用中得到广泛应用。如果没有对拟建结构的应力和应变进行适当的计算，没有人会去建造桥梁或隧道。在飞机设计中，例如波音787“梦想客机”，气流的计算机模拟已经取代了风洞实验。微处理器中的电子流动通过先进的模拟 软件包进行建模，这些软件包为晶体半导体的Schrödinger 方程提供了近似解。

模拟药物分子与蛋白质结合的挑战靶点 比上述任何一个问题都要困难得多。在上述三个问题中，只有微处理器模拟涉及纳米尺度建模，而硅晶格的规则结构和刚性使该问题得以简化。 在药物结合过程中模拟 ，数十万个原子必须进行一场复杂而无规律的“舞蹈”，且必须忠实地再现相关物理定律（例如Schrödinger 方程）所规定的微观相互作用。

基于物理学的模拟 是连接“比特世界”（摩尔定律在此占据主导地位）与“原子和分子世界”的桥梁——后者在很大程度上顽强地抵制了那种曾为我们带来互联网和iPhone的指数级进步。它是数字化药物研发的关键，并最终将推动各类新材料和新工艺的诞生。

 

Schrödinger, Inc.

Schrödinger 公司成立于1990年，最初的目标相当朴素：将哥伦比亚大学Rich Friesner教授的学术实验室中开发的一款新型量子化学软件推向市场。 该项目主要由美国国立卫生研究院（NIH）的小型企业创新研究拨款资助，最终取得了成功；到1998年，该公司通过向制药和生物技术公司销售量子化学工具，实现了约100万美元的年销售额，这些工具的运行速度比当时的尖端技术快3至5倍。

1998年，该公司从哥伦比亚大学的另一个研究小组收购了经典（相对于量子）力学技术（通常称为分子力学(MM) ），而计算机科学家大卫·肖（David Shaw）——D. E. Shaw集团的创始人，现任D. E. Shaw Research首席科学家——对该公司进行了重大投资。公司决定专注于开发新一代药物发现工具，并打造能够实现定量精度的集成式 解决方案。 即便在当时，也很清楚后者是一项长期项目，需要耐心的资本支持——因为这需要更完善的功能来描述原子间能量势，更快且更稳健的模拟 算法，以及大幅提升的计算能力。幸运的是，Schrödinger 拥有一位战略投资者，他坚信数字模拟 最终有潜力像变革其他许多行业那样，彻底改变药物发现领域。 数年后的2010年，比尔·盖茨（Bill Gates）成为Schrödinger 的主要投资者；他同样拥有长远的愿景，并坚信科学技术所带来的机遇具有变革性。若没有肖（Shaw）和盖茨所给予的这份信心以及资金支持，Schrödinger 就不可能成功开启或完成本文所述的这段历程。

到2008年，Schrödinger 已成为分子建模 领域的重要参与者，其多款业界领先的软件解决方案被制药行业的建模团队广泛应用于药物发现项目中。然而，很明显，若要取得进一步进展，Schrödinger 必须亲自参与药物发现项目。

 

围绕计算优化药物发现流程

2010年，Schrödinger 与领先的生命科学风险投资公司Atlas Ventures成立了一家合资企业，旨在推动计算驱动的药物发现领域不断突破。由此成立的Nimbus Therapeutics公司，初步展示了最先进的计算技术所能达到的水平。 在Nimbus已运行超过一年的三个项目中，其中一个与基因泰克（Genentech）建立了合作关系；第二个以12亿美元的价格出售给吉利德科学（Gilead Sciences），并由此产生了一种化合物，该化合物近期已进入Phase 2期临床试验；第三个项目则有效解决了化合物设计中一个看似难以攻克的问题，目前正朝着临床应用迈进。

2010年Nimbus成立之初，大型制药公司每个药物发现项目平均投入的计算化学工作量约为0.25个全职员工（FTE）。这一相对较小的投入反映了计算在项目团队中扮演的辅助角色。 在Nimbus平台上运行的项目不仅投入了显著更高的计算资源，还能够使用更多关键工具的软件许可证，并拥有更强大的处理能力。同样重要的是，药物发现项目的操作规程也经过了优化，以充分利用建模方法日益增强的能力。由此形成了一个迭代反馈循环：项目中的经验推动软件改进，而软件改进又进一步促进了操作规程的优化 。

在推进项目过程中，计算技术的应用可分为以下四种类型：

(1) 靶点 分析：Schrödinger 开发了专门的协议来评估蛋白质的成药性靶点 ；这些协议对于提高成功概率至关重要。

(2)虚拟筛选 ：Schrödinger的虚拟筛选 工具被公认为业界最佳。虚拟筛选 是指利用快速近似方法对大量可购买的化合物（目前约1000万种）进行筛选，以识别初始先导化合物，随后在后续阶段将其优化为药物分子。

(3)候选化合物设计：一旦获得初步的筛选结果，就需要对其进行化学修饰，以使之具备药物所需的所有特性，包括与蛋白质靶点 之间更强的结合力亲和力 。 在Nimbus项目中，这一过程需要利用一系列计算工具对数十万个“设计构想”进行研究，并涉及Nimbus合成化学家、生物学家与Schrödinger 计算建模师之间的紧密合作。Schrödinger 开发的一款新型企业级软件应用程序促进了这种协作互动，该应用程序使整个团队能够交换、标注、存储和查看设计构想。只有在设计过程中通过计算筛选的候选化合物才能进入下一阶段。

(4) 计算检测法：当某项重要物理量的计算精度——例如候选药物与蛋白质靶点 的结合亲和力 ——达到可与实验测量中估计误差相媲美的水平时，该计算便从“工具”的地位（此时误差幅度较大且难以预测）转变为“检测法”——一种从统计学角度来看值得信赖的筛选手段，能够可靠地评估相关性质。Schrödinger 在过去几年中，越来越多的计算协议已晋升为“检测法”。精准计算检测法的出现是一项崭新进展，也是推动计算驱动型药物发现项目价值大幅提升的关键催化剂。

在过去的6年里，Nimbus和Schrödinger 将集成式 这些组件整合成一个高效的平台，该平台在推动项目进展方面的能力仍在不断提升。

 

Nimbus与Schrödinger 合作推出的首个十亿美元级分子

乙酰辅酶A羧化酶（ACC）是参与脂质代谢的关键酶。在动物模型中，阻断ACC会迫使细胞代谢脂肪，从而导致体重减轻和肝脏脂肪减少。阻断ACC还能选择性地杀死那些依赖ACC代谢通路生存的特定类型癌细胞。 因此，原则上许多疾病适应症都可能从使用ACC抑制剂的治疗中获益。Nimbus公司最初选择将重点放在非酒精性脂肪性肝炎（NASH）上，该病目前尚无有效治疗方法，若不加以治疗，最终可能先导化合物 发展为更严重的肝病（肝硬化、肝癌）。目前，美国约有2%至5%的人口患有NASH。

尽管其他公司在攻克这一极其棘手的靶点 方面均未取得进展，但Nimbus与Schrödinger 的合作仍成功开发出一种极具前景的ACC抑制剂。 第一个关键决策是，将该抑制剂靶点 作用于该蛋白质的一个非典型别构位点结合位点 （即酶底物不会结合的位置），而不是通常的酶活性位点。Schrödinger 靶点 分析表明，常规位点无法作为药物靶点，而别构位点则适合特定类型的分子。 随后，通过虚拟筛选发现了一种可行的化合物先导化合物 ，该化合物仅经过数百种化合物的合成（通常一个项目需要合成数千种化合物才能获得一个开发候选物，且耗时3-5年甚至更久），并通过设计/优化 流程，在短短18个月内就转化为开发候选物。 该化合物于2014年成功通过GLP毒性测试，2015年进入Phase 1期临床试验，并于2016年底进入Phase 2期临床试验。

该化合物的安全性特征、初步疗效证据、针对新型靶点 的同类首创抑制作用，以及满足重大未满足医疗需求的潜力，引起了多家大型制药和生物技术公司对其的浓厚兴趣。最终，与吉利德科学公司（Gilead Sciences）达成了交易，该公司凭借其治疗丙型肝炎的药物Harvoni，目前在肝病治疗领域处于领先地位。收购价格包括4亿美元的预付款，以及8亿美元的未来临床试验成功后支付的条件性款项。 近期，随着该临床化合物进入Phase 2阶段，已支付了2亿美元的里程碑款项。关于ACC项目的进一步讨论，包括对投资者的经济效益分析，可参阅Atlas合伙人布鲁斯·布斯（Bruce Booth）撰写的这篇博客文章。布鲁斯·布斯曾与Schrödinger 共同创立了Nimbus公司：

Schrödinger 目前，该公司不仅与Nimbus开展了后续项目，还与众多制药、生物技术及风险投资领域的合作伙伴展开了合作。ACC项目的成功，加之过去几年中经过验证的一系列准确且可靠的计算检测方法（见下文），在业内引发了极大的反响。

 

基于自由能微扰 理论的计算检测方法

20世纪80年代初，为提高严格结合亲和力 计算的效率，开发了一种名为“功能扩展泛函”（自由能微扰 ，简称FEP）的特殊类型泛函模拟 。 FEP计算以参考分子为起点——即一种其结合亲和力 已通过实验确定的候选药物。由于药物发现项目始终致力于优化现有的候选分子，因此总能找到合适的参考分子。在模拟 过程中，参考分子通过“化学转化”被修饰为目标的新分子。除了结合亲和力 外，FEP还可用于评估其他重要性质，例如分子在水中的溶解度。

到2010年，已经具备了开发一种准确且稳健的FEP方法的条件，该方法可广泛应用于许多药物发现项目。 计算能力已达到足以利用经典力学进行高效基于物理理论 模拟的水平，且在公开的蛋白质结构库——蛋白质数据银行（PDB）中，已有超过50,000个蛋白质结构可供使用，其中包括大量有价值的药物靶点。Schrödinger 确定了将FEP提升至计算检测水平所需的以下关键系统性改进，并启动了一项大规模工程项目以逐一解决这些问题：

(1) 开发了首个真正全面且精确的、涵盖药物化学空间的分子力学(MM) 模型——此类模型对于在经典计算机中表示蛋白质和药物分子至关重要模拟 ；

(2) 采用专门的技术，以确保在模拟 过程中，该系统能够在不耗费过多计算时间的情况下，遍历所有重要的药物候选分子/蛋白质受体结构；

(3) 开发了一个易于使用的图形用户界面（GUI）；在开发该GUI之前，仅准备一次计算就需要数周至数月的时间；而Schrödinger FEP用户界面则能够在数小时内启动数百次计算；

(4) 用于系统精确初始设置的工具，包括关键水分子和氢原子的放置，以及新候选药物分子的初始定位；以及

(5) 利用图形处理单元（GPU）高效运行模拟 代码；对于基于物理理论 的经典模拟，与传统的基于CPU的架构相比，GPU在成本/性能比方面提高了约10倍。

通过对100多个蛋白质靶点和约5,000种分子进行的大规模回顾性及前瞻性测试已证实，我们实施的FEP提供了一种计算检测方法，其效果几乎等同于进行相应的实验检测。在约50%的情况下，预测结果在实验测量的典型误差范围内；在90%的情况下，预测结果与实验测量值的偏差不超过10倍。 这一精度水平足以对推动药物发现项目产生非常显著的影响。目前，我们的合作者提供了大量实例，表明FEP已被成功用于推进相关项目——如果没有FEP，这些项目可能需要更长的时间才能达到相同阶段，甚至可能无法产生可行的药物候选物。

 

用于解决棘手设计问题的大规模FEP

通过增加计算量，可以显著提升FEP的效果。当靶点 （目标化合物）的研发进展极为困难时，这便成为一项至关重要的策略。近期此类项目中，有一项正在与全球前五的制药公司开展的合作。尽管合作方已合成了73种化合物，但从源自实验性筛选 的有趣先导化合物 化合物出发，在提高药效方面始终未能取得任何进展。

亲和力 共有3500种化合物经过了FEP计算筛选。如果通过实验方法，合成并实验筛选相同数量的化合物，至少需要数年时间，且费用约为1000万美元。而FEP计算的成本约为2万美元。  在这3500种化合物中，仅有23种被预测能提高先导化合物 对 化合物的结合能力。这与采用传统实验方法解决该问题时遇到的困难相一致。迄今为止，FEP筛选出的排名前三的化合物已合成并经过实验测试。其中两种化合物的效力提高了超过一个数量级，而第三种化合物的结果仍在分析中。

 

未来：摩尔定律推动的药物研发

上述结果表明，对于已知蛋白质靶点 结构的药物发现项目，如今已能够遵循摩尔定律的发展轨迹。这意味着，预计在10年内，FEP计算的成本将下降约30倍（假设每两年成本/性能比降低2倍）。随着硬件的改进，我们还可以期待软件和算法的改进带来速度和精度的双重提升。 将有更多性质适合采用计算分析法，而现有分析法的不确定性将趋近于实验分析法固有的不确定性水平。快速近似方法也将得到改进，使数十亿（甚至数万亿）化合物的初步筛选 变得更加可靠。所有这些都意味着，研发候选化合物的质量（以及新药候选分子在临床试验中的成功率）将提高，而项目成本则会同时降低。 极具挑战性的生物学问题以及新药更高的安全性和有效性门槛仍将构成制约因素；但借助准确、稳健的纳米级模拟来逆转“埃鲁姆定律”，似乎是可行的。

由于目前尚缺乏可用的蛋白质结构，并非所有项目都适合采用这项技术，但随着越来越多的蛋白质结构被测定以及实验技术的不断改进，适合该项目的技术正日益增多。基于低温电子显微镜（cryo-EM）的令人振奋的新方法，正使测定更大、更复杂的结构变得越来越常规。这意味着能够从原子级模拟 中受益的项目数量将逐年增加。

上文的讨论主要集中在小分子药物研发方面，但相同的技术也可应用于更复杂药物的优化 ，包括大环化合物 、抗体及其他蛋白质治疗药物。目前，这方面的初步数据已初显成效。

更广泛地说，个性化（或精准）医学需要设计出根据患者基因特征量身定制的分子；这反过来又意味着需要开发数量庞大的分子，而每种分子所服务的患者数量则相应减少。 要使这一愿景成为现实，需要将高精度药物与大幅降低的研发成本相结合，作为“大数据”基因组学分析的补充。纳米级生物分子模拟 技术能够同时满足这两项要求，从而开辟巨大的新市场机遇。

Schrödinger该项目的目标是建立一种全面、系统的方法，充分利用数字化驱动的药物发现所带来的革命性影响。这种方法涉及将实验方法与计算检测、各种辅助建模技术以及用于管理实验和计算数据的协作企业平台深度整合，同时还能在进行昂贵的实验合成和测试之前，对新设计进行快速的数字化原型设计和测试。 Nimbus ACC项目的成功，以及随后开发出一种广泛有效的FEP计算检测方法，标志着战略转折点的最前沿，Schrödinger 已做好充分准备，将在未来充分利用这一机遇。

 

未来：由摩尔定律驱动的原子世界

除了药物研发之外，纳米级模拟 技术还可应用于许多材料和工艺设计问题。目前，这些应用在一定程度上落后于药物研发；然而，药物研发领域的成功将加速该技术在电子材料、聚合物、催化化学和能量转换等众多领域的应用。

经济学家罗伯特·戈登在最近出版的一本书中指出，与前100年相比，过去50年的国内生产总值（GDP）增长大幅放缓，原因在于经济主要领域的生产率增长停滞。  尽管我们都被信息技术的变革所震撼，但与原子世界相比，比特世界的规模在数量上仍是有限的。归根结底，电动汽车能否彻底改变交通运输的决定性因素在于电池性能，而非自动驾驶软件。多年来，尽管投入了巨额资本，但电池技术的进步却十分缓慢。

是否存在某种材料组合，能够制造出性能和成本效益分别是当前使用的锂离子电池2倍、3倍甚至10倍的电池？虽然尚无定论，但与理论上可能实现的范围相比，目前通过实验筛选出的材料仅占极小一部分。 目前，对电池性能进行计算分析尚不可行；但在指数级增长的背景下，形势可能会发生急剧变化。当整个原子世界都遵循摩尔定律时，一场新的工业革命或许将再次重塑人类改造自然、使其变得更美好的能力。

 

Schrödinger 作为一项投资机会

纳米级药物发现（模拟 ）领域的战略转折点为投资者提供了乘势而上的良机，使其能够把握快速创新和非凡价值创造的浪潮。基于计算驱动的项目能够以远低于同等实验研究成本的代价，将优质分子推向临床应用。正因如此，Schrödinger 正以指数级速度吸引着越来越多对合资企业感兴趣的投资者，且交易条款日益优厚。新增资本将使Schrödinger 能够扩大其风险分担项目组合的规模，无论是在项目数量还是股权比例方面。  风险分担虽需前期资本投入，但若在临床试验中取得成功，将带来高杠杆回报。对当前机遇的预测表明，通过药物发现合作，4年内有望实现超过2亿美元/年的收入流；若能获得额外投资资本，这一数额还将显著增加。

软件销售得益于风险分担项目的成功，这既彰显了战略转折点的变革性，也改变了与大客户关系中的市场力量格局。  我们预计软件销售额将以每年至少10%-15%的速度增长，而且随着FEP+ 部署规模的扩大以及我们企业平台的普及，增长率很可能远高于此。新的投资资本将支持软件业务增长所需的销售额、技术支持和基础设施的适度扩张。该业务带来的稳步增长的可续期收入流，与增长更快但可预测性较低的风险分担收入流相辅相成。

最后，为了使Schrödinger 在纳米尺度模拟 和建模领域保持领先地位，必须持续投资于尖端科学技术研发、科学软件工程以及企业平台功能。在战略转折点期间，市场领导者通常能获得绝大部分回报。  我们的研究计划表明，在未来5年内，在包括蛋白质结构预测 、抗体及其他生物制剂的计算检测方法开发、深度学习在药物发现中的应用以及新材料设计等众多极具吸引力的应用领域，有望实现类似于FEP的突破。Schrödinger已证明其具备将创新的基础研究成果转化为强大、高性能软件的能力，这将确保药物发现合作伙伴关系的持续成功、软件客户的忠诚度及订阅量的增长，并推动公司进军新市场。

理查德·弗里斯纳，博士