Recursion Pharmaceuticals

-
开发公司 Recursion Pharmaceuticals, Inc.
地区 美国
官网 https://www.recursion.com/

Recursion 是纳斯达克上市（RXRX）的AI制药公司，其 Recursion OS 平台整合高通量细胞影像、自动化和机器学习，在大规模细胞表型数据中识别疾病机制和候选药物。已与 Bayer、Roche/Genentech、Sanofi 等顶级药企建立合作，拥有50+在研管线。

Recursion Pharmaceuticals 产品界面

Recursion Pharmaceuticals 的工具正文

核心参数与统计

参数项 公开信息
产品定位 AI驱动的高通量表型组学药物发现平台
核心平台 Recursion OS（操作系统）
上市信息 纳斯达克:RXRX（2021年上市）
关键收购 Valo Health（约$875M）、Cyclica
合作伙伴 Bayer、Roche/Genentech、Sanofi
数据规模 PB级细胞影像数据，数十亿条表型特征
自动化能力 自有自动化实验室，每日可实验数千种化合物-细胞组合
研发管线 50+ 项目（从发现到临床II期）
临床阶段项目 多个进入I/II期临床试验（如中枢神经系统、肿瘤、罕见病）
总部 美国犹他州盐湖城
成立时间 2013年

Recursion 的核心假设是：疾病状态可以在细胞层面通过"表型指纹"（phenotypic fingerprint）来描述。通过大规模干扰细胞（用化合物处理、敲除基因等），用 AI 分析细胞影像中的表型变化，可以逆向推断疾病机制、发现候选药物和预测药物毒性。这种"先看现象、再找机制"的路径与传统"靶点假设驱动"的药物发现形成鲜明对比。

用户与市场认可

  • 顶级药企合作网络：Recursion 与 Bayer、Roche/Genentech、Sanofi 等顶级制药公司建立了战略合作。与 Bayer 的合作聚焦于肿瘤和纤维化疾病，已产生多个进入临床的管线。与 Genentech 的合作专注于中枢神经系统疾病和肿瘤。这些合作提供了重要的非稀释性资金和商业验证。
  • 公开资本市场验证：2021年在纳斯达克上市（RXRX），上市后市值一度超过 50 亿美元。尽管 AI 制药行业整体估值在 2022-2024 年间经历了调整，Recursion 作为 AI 药物发现平台的标杆企业仍保持了一定的市场关注度。
  • 收购整合扩张：Recursion 先后收购了 Cyclica（2020年）和 Valo Health（2024年，约 $875M），整合了 Valo 的 AI 药物发现平台和 Opal 计算平台，以及 Cyclica 的蛋白质结构预测和化学信息学能力。这些收购扩展了 Recursion 从"表型驱动"到"多模态数据驱动"的技术版图。
  • 公开数据集贡献：Recursion 公开了部分细胞影像数据集（如 RxRx1、RxRx3），被学术界和工业界广泛用于表征学习、域适应等研究方向，提升了其在计算生物学社区的影响力。

成本优势

C端/个人：不适用。Recursion 不是面向个人的软件产品，而是药物研发平台。

开发者/API：Recursion 不对独立开发者提供公开 API。学术界可通过合作研究协议获取部分数据访问权限（如公开数据集），但不具有商业 API 接入方式。对于计算生物学的开发者，Recursion 公开的数据集（RxRx 系列）是进行表征学习和域适应研究的重要资源。

企业/私有化：制药企业通过战略合作框架接入 Recursion OS 平台。合作模式包括：疾病领域合作（共同开发特定适应症的管线），平台技术许可（支付费用访问 Recursion OS 的特定模块进行内部项目研究），以及联合发现（共享 IP 和未来销售分成）。合作费用通常包含首付款、研发里程碑和商业化销售分成。对于中型生物技术公司，与 Recursion 合作的起步费用在数百万至数千万美元级别。企业合作前需核验：Recursion 表型数据在目标疾病细胞模型上的相关性、以及合作 IP 和所有权条款。

主要功能

  • 高通量表型筛选（Phenomics）：Recursion 的自动化实验室每日在多种细胞类型（原代细胞iPSC、疾病模型细胞系）上进行数千种化合物或遗传扰动的实验。每次实验用高分辨率荧光显微镜拍摄多通道细胞影像，记录细胞形态、蛋白定位、亚细胞结构等数百个表型特征。每个化合物或基因扰动都获得一个独特的"表型指纹"。
  • AI 表型分析（PhenoMap）：利用卷积神经网络（CNN）和自监督学习，从细胞影像中提取高维度表型特征向量。通过降维和聚类分析，将具有相似表型指纹的化合物归入相同"表型簇"，揭示化合物之间意想不到的功能相似性（即使化学结构不同）。
  • 疾病模型构建与靶点发现：在特定疾病基因敲除或患者来源的细胞模型中执行表型筛选，AI 识别异常表型特征并预测可纠正该异常表型的化合物类别。从"异常表型"反向推断疾病机制和潜在靶点。
  • 临床前预测与毒性评估：利用化合物在不同细胞模型中的表型特征，AI 预测其可能的毒性谱、药代动力学性质和适应症扩展机会。在进入动物实验前筛选掉高风险候选物，降低后期失败率。
  • 临床试验优化：整合临床数据和患者样本的表型分析，AI 辅助选择最适合特定药物的患者群体（基于患者细胞模型的表型-药物反应关联）。

模型与版本演进

主线里程碑

  • 2013年 — Recursion 成立：Chris Gibson 等创始人在犹他州成立，专注于表型组学药物发现。
  • 2017年 — 内部管线启动：首批基于 Recursion 平台发现的候选化合物进入临床前阶段。
  • 2020年 — 收购 Cyclica：整合蛋白质结构预测和化学信息学能力，扩展计算化学维度。
  • 2021年 — 纳斯达克上市：以 RXRX 上市，成为 AI 制药领域的标志性 IPO。
  • 2024年 — 收购 Valo Health：以约 $875M 收购 Valo，整合其 Opal 计算平台和多项临床管线，实现从表型数据到多模态数据的跨越。
  • 2026年 — Recursion OS 2026：Valo 和 Cyclica 的资产深度整合至 Recursion OS，平台覆盖从靶点发现到临床试验优化的全链条。

技术优势

  • 机制 — 效果 — 场景：Recursion OS 的核心技术链是"自动化实验 -> 细胞影像采集 -> AI 表型分析 -> 机制推断"。自动化实验室在 384 孔板中进行标准化细胞实验，每孔拍摄 6-9 通道的荧光显微镜图像（覆盖细胞核、细胞膜、细胞骨架、线粒体、内质网等标记）。CNN 模型从图像中提取超过 1,000 个形态学特征，构成每个干扰条件的"表型指纹"。通过比较不同化合物的表型指纹相似性，AI 可发现化学结构完全不同但功能相似（诱导相似细胞状态）的化合物。效果上，这种方法可以发现传统靶点筛选方法无法预测的药物-疾病关联。适用场景：缺乏明确靶点的复杂疾病（如罕见病、神经退行性疾病）的药物发现。
  • 自动化实验规模优势：Recursion 的自有自动化实验室每天可进行数千个独立实验，全年运行。这种实验产出规模在 AI 制药领域处于领先水平。实验标准化的程度直接影响 AI 模型的训练数据质量——孔间差异、批次效应和操作变异需要通过严格 SOP 和质量监控来控制。
  • 多模态数据整合：通过收购 Valo 和 Cyclica，Recursion 将表型数据与基因组学、转录组学、蛋白质组学和化学结构数据整合至统一平台。多模态数据的融合比单一表型数据提供更丰富的信息维度，但也带来了数据对齐和标准化挑战。
  • 闭有学习系统：每一个新产生的实验数据都反馈至 AI 模型进行迭代训练，形成"预测->实验验证->模型更新"的每日循有。理论上，Recursion OS 的使用越久、数据越多，预测越准确。

如何使用

相关信息未公开，以官方实时页面为准。

产品定价

Recursion 不提供标准软件定价，其商业模式基于药物研发合作：

  • 合作首付款：制药企业为启动合作项目支付的首付款，通常在数千万美元级别（如与 Bayer 和 Genentech 的首付款）。
  • 研发里程碑：候选化合物达到特定研发节点的里程碑付款。
  • 销售分成：商业化产品净销售额的分成（通常为高个位数到低双位数百分比）。
  • 平台许可：特定合作模式中，合作伙伴为有限期访问 Recursion OS 的某些功能支付平台许可费。

应用场景

  • 罕见病药物发现：罕见病通常没有明确的药物靶点，传统"靶点假设驱动"方法难以奏效。Recursion 的表型筛选方法可以在患者来源的细胞模型中直接测试数千种化合物，观察哪些化合物可以"逆转"疾病的异常表型。核验重点：患者细胞模型的代表性（原代细胞 vs. iPSC 衍生细胞）直接影响筛选结果的临床可转化性。
  • 已知药物的新适应症发现（药物重定位）：通过比较不同疾病细胞模型的表型指纹与已知化合物库的表型指纹，AI 可发现已有安全性数据的化合物在意外疾病中的潜在活性。这种方法比从头开发新药更快、风险更低。
  • 组合疗法的 AI 预测：在多种基因扰动（模拟疾病状态）的细胞模型中，AI 预测哪两种化合物的组合可以产生协同治疗效果。表型指纹分析可以识别化合物之间的功能相互作用，超越传统体外组合筛选的低通量限制。

适用人群

  • Recursion 内部科学家团队：包括计算生物学家、数据科学家、自动化工程师和药物化学家。平台的使用需要深厚的跨学科能力。
  • 合作药企的研发团队：通过合作框架间接利用 Recursion 的平台能力。通常不直接操作 Recursion OS，但接收 AI 筛选、验证数据和候选化合物。不适用：缺乏细胞和分子生物学验证能力的小型生物技术公司。
  • 学术合作者：通过研究协议使用公开数据集或参与特定联合研究项目。

不适配边界：Recursion 的平台不适用于对已有明确靶点和成熟筛选体系的项目（传统方法可能更快）；不提供面向 CRO（合同研究组织）模式的标准化筛选服务；对于需要完整动物模型数据（而非细胞层面）的后期研发阶段，Recursion 的优势有限。

总结与展望

Recursion 通过"表型组学+AI+自动化"三位一体的策略，在 AI 制药领域建立了独特的竞争壁垒。PB 级的细胞影像数据、自有的自动化实验设施以及与多家顶级药企的合作管线，使其在技术路线和商业验证两个维度都具有领先性。收购 Valo 和 Cyclica 后，从单表型向多模态的扩展路径值得关注。

当前限制与不确定项：AI 预测的候选化合物从细胞筛选到临床试验的转化成功率仍是全行业面临的核心挑战；大规模自动化实验室的建设和运营成本高昂，Recursion 持续亏损且何时盈利未公开；表型筛选发现的化合物作用机制通常不明确，给后续的化学优化和监管审查带来不确定性。潜在合作方在签署协议前应明确知识产权归属、数据使用权和未来商业化分成条款，并对从表型发现到临床候选化合物（PCC）的预期成功率和时间线有现实的认知。

Recursion Pharmaceuticals 的使用方法

Recursion OS 面向内部和合作伙伴使用，不提供公共访问入口：

  1. 内部研发：Recursion 科学团队在 Recursion OS 中设定研究目标（疾病细胞模型 -> 已知化合物库或虚拟化合物库），系统自动设计实验方案、运行筛选、分析结果并推荐下一轮候选化合物。
  2. 合作伙伴接入：制药企业通过合作框架接入 Recursion OS。合作伙伴提交目标疾病的细胞模型和需求，Recursion 团队在平台上运行定向筛选并交付候选化合物和验证数据。
  3. 数据分析协作：合作方可通过安全门户访问项目相关的数据和 AI 分析结果，但不能直接操控 Recursion OS 或访问其全部数据集。

限制与不适配场景

该工具在以下场景中存在使用限制：

场景适配边界 需要高度行业专业知识的任务、对输出格式有严格规范的场景、需要零错误的自动化流程可能效果不达预期。AI 输出应作为初稿或辅助参考，最终结果需人工核验。

技术限制 上下文长度有限、复杂推理准确性可能不足、免费版有使用额度。建议在正式采用前通过试用验证核心场景的可用性。

版本信息

  • Recursion OS 2026 ：整合Valo Health和Cyclica的资产，扩展至多模态数据集成和临床预测。暂无官方精确日期。
  • Recursion OS v3.0 ：整合Valo Health的AI能力，新增表型-基因型关联分析和临床前预测模块。暂无官方精确日期。
  • Recursion OS v1.0 ：Recursion OS 初始版本，整合自动化实验室和AI分析平台。暂无官方精确日期。

用户评价

  • 加载评价中...