Enveda 以 3.11 億美元 E 輪融資，加速將自然來源的 AI 藥物候選轉入臨床試驗並擴大發現能力

目錄

• 您可能想知道
• 主要主題
• 關鍵見解表
• 事後⋯⋯

您可能想知道

1. Enveda 如何結合人工智慧與天然產物研究來發現新藥？

2. 最近的 3.11 億美元融資對公司臨床計畫與成長規劃意味著什麼？

主要主題

Enveda Biosciences 是一家專注於從自然中發現治療性分子的生物科技公司，宣佈完成 3.11 億美元的 E 輪融資，估值約為 20 億美元。由 Catalio Capital Management 領投、包括 Iconiq 在內的投資者參與，此輪融資較去年顯著提高了公司估值，並為公司提供資金以加速將由 AI 識別的天然化合物轉化為人體臨床試驗。這筆融資凸顯投資人對 Enveda 方法的信心，以及將計算方法與天然產物藥物發現結合的廣泛興趣。

該公司由 Viswa Colluru 於 2019 年創立，他帶來了在其他生物科技公司的早期經驗。Enveda 的核心主張是從植物、微生物和其他天然來源中挖掘具有治療潛力的化學多樣性，但以現代工具來執行：高通量分析、機器學習模型和先進的生物檢測。透過整合包含分子結構、生物活性與生態背景的資料集，公司旨在優先排序既生物學上相關又有可開發性的候選分子。這一策略不同於完全合成的藥物發現管線，因為它以已進化出與生物系統相互作用的化合物為起點，可能提供獨特的作用機制。

儘管對 AI 在藥物發現上的潛力普遍感到興奮，完全由 AI 發起且獲 FDA 批准的藥物尚未上市。然而，像 Enveda 這樣的公司正超越純粹的計算展示，將 AI 發現或 AI 優先排序的候選品推進臨床研究。Enveda 已有多個計畫進入臨床：一個候選藥物針對重度皮膚病變，另一個則專注於在停用 GLP-1 受體促效劑後支援持續性減重。這些臨床活動顯示從發現到人體測試的進展，說明如何將 AI 與天然產物研究結合以提出可行的治療假說。

這筆資金流入很可能用於幾項優先事項：擴展發現與篩選能力、透過增加試驗據點與病患招募來加速目前的臨床計畫，以及擴大為後期研究所需的製造與臨床前工作。投資者似乎不僅押注於 Enveda 目前的產品線，也押注於該平台能夠持續產生新穎線索的能力。透過建立一個以資料驅動的引擎，將天然化合物的化學性質與觀察到的生物效應連結，Enveda 希望能降低辨識首創或最佳療法相關分子所需的時間與成本。

在融資消息背後，還反映了生技投資趨勢的更廣泛轉變。過去數年，應用人工智慧於生命科學問題的公司受到高度關注——範圍從分子設計到病人分層皆包含其中。Enveda 的模式位於藥物發現兩條長期方向的交叉點：天然產物作為生物活性分子來源的復興，以及採用計算方法去理解龐大且異質的資料集。公司的承諾是結合這兩種傳統，利用自然界的模式同時以 AI 優先排序最有可能在臨床上成功的候選。

值得注意的是，臨床開發仍充滿風險：早期人體測試評估安全性、耐受性、劑量與初步療效，許多計畫無法達到終點或顯示出意外毒性。Enveda 進入病人研究反映了產業務實的認知，即演算法的預測最終必須在人類身上驗證。臨床上的成功將是最有說服力的證據，證明以自然為本並由 AI 增強的發現流程能持續提供新的治療選擇。

在營運面，公司成長將需要投入人力與基礎設施。聘雇跨領域團隊——機器學習科學家、天然產物化學家、藥理學家與臨床開發專業人士——對於將計算發現轉化為可製造、符合法規要求的藥物候選至關重要。公司也須在探索性發現工作與臨床開發的實際需求之間取得平衡，因為法規時程與品質標準將左右進展。

從科學角度看，天然產物發現既有機會也有挑戰。天然分子可能呈現複雜、多功能的結構，以新穎方式與生物靶點相互作用，可能帶來治療上的優勢。然而，這些結構也可能在合成、優化、配方與可擴大製造上造成挑戰。Enveda 的方法旨在透過 AI 選出不僅在生物學上有前景、且在合成上可行且適合開發工作流程的候選，來應對這些限制。

總而言之，Enveda 的 3.11 億美元 E 輪與 20 億美元估值反映了投資者對結合 AI 與天然來源藥物發現的信念。公司正從資料驅動的發現轉向人體測試，且在皮膚病學與體重管理相關適應症方面已有計畫進入臨床評估。雖然該領域尚未出現完全由 AI 發現並獲批的藥物，Enveda 的進展示範了當前一波新創公司將計算優先的候選推入臨床的做法，以檢驗這些方法是否能縮短時程並提高找到具影響力藥物的機率。未來數年將十分關鍵：臨床結果與公司擴展其平台的能力，將決定這項承諾是否能轉化為獲準的療法。

關鍵見解表

事後⋯⋯

展望未來，Enveda 新募集的資金讓公司能擴大其發現平台與臨床版圖。近期最關鍵的里程碑將是正在進行試驗的臨床數據結果，以及證明由 AI 優先排序的天然來源候選能否克服開發中的諸多障礙。成功將驗證一種混合模式：結合演化形成的化學多樣性與現代計算方法。如果臨床結果為正面，這種方法可能吸引更多投資，並激發將天然產物化學與機器學習整合的更多研究。相反地，挫折則會提供有關限制與需改進領域的教訓——無論是在標的選擇、候選優化或轉化策略上。任何結果都將為不斷發展的 AI 輔助天然產物藥物發現領域貢獻寶貴知識。