摘要：在制药行业的发展进程中，研发成功率始终是衡量企业创新能力与发展潜力的核心指标。过往对于制药行业临床开发成功率的研究，虽然在一定程度上揭示了药物研发的复杂性，但由于研究方法和数据来源的局限性，导致研究结果差异极大，难以形成统一且可靠的行业共识。

PREFACE

前言

近日，《DrugDiscoveryToday》2025年2月刊在线发表了一项重磅研究，首次系统分析了全球领先制药公司的研发(R&D)成功率。

该研究追踪了2006-2022年间18家顶级制药公司的临床试验数据，为业界提供了迄今为止最全面的研发效率分析。

01

研发成功率远超预期：数据揭示真相

在制药行业的发展进程中，研发成功率始终是衡量企业创新能力与发展潜力的核心指标。过往对于制药行业临床开发成功率的研究，虽然在一定程度上揭示了药物研发的复杂性，但由于研究方法和数据来源的局限性，导致研究结果差异极大，难以形成统一且可靠的行业共识。

而本次研究在时间范围、研究重点、阶段转换方法等方面进行了综合考量，有别于传统临床开发成功率的研究。

具体来看，本研究选取了2006-2022年这一较长的时间段，对18家在行业内具有领先地位的制药公司展开深入剖析。研究人员从clinicaltrials.gov获取了大量的数据，其中涵盖了2092种活性成分、19927项临床试验以及274种新药获批情况。通过精心设计的无偏投入产出比计算方式，全面且细致地分析了药物从I期临床试验到首次获批的可能性。

研究结果显示，这些公司的平均首次获批率达到了14.3%，中位数为13.8%，这一数据远超以往多数研究中的数值。

进一步探究发现，造成这种差异的关键在于研究范围的界定。此次研究仅计算了从I期到首次药物批准的线性比率，并未将多种和/或并行适应症批准路径、产品线扩展批准、新配方批准（如皮下制剂）以及儿科批准等情况纳入考量。

然而，这些未涵盖的路径在实际的药物开发过程中，对一些公司的整体获批率有着重要影响。以Abbvie公司的Humira为例，它被批准用于多种成人和儿科适应症，如果将这些并行和扩展的获批情况纳入计算，会显著降低公司的整体获批率。

这也就从侧面解释了为何过往研究中的数据普遍较低，而此次研究能够揭示出更可靠、更接近真实情况的研发成功率数据。这一成果为制药企业、投资者以及行业监管部门提供了更为准确的决策参考依据，让各方对制药研发的成功率有了全新的认识。

02

研发效率的“两极分化”：战略选择的深层思考

在制药行业，各公司的研发策略存在显著差异，这种差异直接导致了研发效率呈现出“两极分化”的态势。通过对各公司的I期和III期临床试验数量比例进行深入分析，研究人员发现了两种截然不同的研发范式。

一种是以低Phase I：Phase III比率为特征的公司，像Sanofi、Gilead、Novartis等。这类公司倾向于聚焦少数具有广泛作用机制的高优先级PhaseI资产。

Companies with Phase I：Phase III ratio

以Humira（Abbvie公司）和Cosentyx（Novartis公司）为典型代表，它们凭借独特且广泛的作用机制，在PhaseI阶段就展现出巨大的潜力。公司会围绕这些核心资产，精心规划后续的研发路径，逐步将其扩展到多个PhaseIII适应症。

这种研发策略的优势在于能够集中资源，深入挖掘少数优质资产的潜力，降低研发风险。通过对单一资产的多适应症开发，可以充分利用已有的研究成果，减少重复研究，提高研发效率。然而，这种策略也存在一定的局限性。如果前期选定的资产在后续研究中出现问题，比如疗效不佳或安全性隐患，那么整个研发项目可能会遭受重大挫折，前期投入的大量资源也将付诸东流。

另一种则是高Phase I：Phase III比率为特征的公司，例如BoehringerIngelheim、Eisai、BMS等。

Companies with Phase I：Phase III ratio >1.5

这些公司在Phase I阶段会积极测试多种化合物，通过广泛的筛选和评估，从中挑选出最具潜力的候选药物，然后仅推进这些优先选择的药物进入后期的Phase III试验。

Pfizer的“临床活性迹象”（SOCA）研发范式就是这种策略的典型体现。在PhaseI阶段，Pfizer会对大量的化合物进行初步评估，快速识别出那些显示出临床活性迹象的化合物，然后果断放弃那些潜力不足的项目，集中资源加速有前景的候选药物的研发进程。

这种研发策略的优点在于能够在早期阶段进行广泛的探索，增加发现创新药物的机会。通过快速筛选和决策，可以避免在没有潜力的项目上浪费过多资源，提高研发的整体效率。但它也面临着挑战，Phase I阶段需要投入大量的资源进行大规模的化合物测试，对公司的资金和技术实力要求较高。而且，由于筛选过程较为复杂，可能会遗漏一些潜在的优质药物。

这两种研发范式的差异，本质上反映了公司在风险偏好、适应症选择和投资组合规划上的不同战略考量。低Phase I：Phase III比率的公司更倾向于稳健的研发策略，注重对核心资产的深度挖掘；而高Phase I：Phase III比率的公司则更具冒险精神，通过广泛的探索来寻找突破性的药物。

这种“两极分化”的研发策略选择，不仅影响着各公司的研发效率，也在一定程度上塑造了整个制药行业的竞争格局。

03

未来趋势：数字化转型引领新机遇

尽管当前研究揭示的14.3%的研发成功率相较于以往有了一定提升，但对于大型制药公司的可持续研发商业模式而言，这一数据仍然偏低，研发生产力面临的挑战依旧严峻。

在这样的背景下，数字化转型成为了制药行业寻求突破的关键方向，为解决研发效率低下等问题带来了新的机遇。

近年来，AI技术在药物开发领域的应用逐渐深入，展现出巨大的潜力。

AI可以通过对海量生物医学数据的快速分析和挖掘，帮助研究人员更精准地筛选药物靶点。传统的药物靶点筛选过程往往耗时费力，需要研究人员进行大量的实验和数据分析。

而AI技术能够利用机器学习算法，对基因数据、蛋白质结构数据等进行深度分析，快速识别出与疾病相关的潜在靶点，大大缩短了靶点筛选的时间。同时，在药物设计阶段，AI可以模拟药物分子与靶点的相互作用，预测药物的活性和安全性，为设计更有效的药物分子提供指导。

这使得药物研发能够更加有针对性，减少了不必要的实验尝试，提高了研发的成功率。

除了AI技术，各类数字工具也在制药研发中发挥着重要作用。

患者招募平台利用大数据和互联网技术，能够快速、精准地找到符合临床试验要求的患者，解决了以往患者招募困难、周期长的问题。虚拟试验则借助虚拟现实和远程监测技术，让患者可以在更便捷的环境下参与试验，同时也降低了试验成本，提高了试验的可及性。

数字生物标志物作为一种新兴的工具，可以实时、动态地监测患者的生理状态，为药物疗效评估提供更准确、更及时的数据支持。真实世界证据通过收集和分析患者在实际医疗环境中的数据，能够补充临床试验数据的不足，为药物的审批和上市后监管提供更全面的依据。计算机模拟临床试验则可以在虚拟环境中模拟药物的研发过程，提前预测药物的疗效和安全性，减少了对昂贵的体内研究的依赖。

这些数字工具的协同应用，将大幅优化制药研发的流程。从药物发现、临床前研究到临床试验，每个环节都能借助数字化技术提高效率、降低成本。它们还有助于制药行业实现经济可持续的价值创造。通过减少不必要的研发投入和提高研发成功率，制药公司能够在有限的资源下开发出更多有效的药物，满足患者的需求，同时提升自身的经济效益。

数字化转型已成为未来制药研发的重要发展方向，将深刻改变整个行业的面貌，为解决长期困扰制药行业的研发生产力问题带来新的希望。

参考文献：

[1] Schuhmacher A, Hinder M, Brief E, Gassmann O, Hartl D. Benchmarking R&D success rates of leading pharmaceutical companies: an empirical analysis of FDA approvals (2006-2022). Drug Discov Today. Published online January 11, 2025. doi:10.1016/j.drudis.2025.104291

来源：营养和医学