一句话判断与事件卡片
| 项目 | 内容 |
|---|---|
| 事件 | Roche Pharma Day 2026（2026-09-28，伦敦 Pan Pacific，09:30–14:30 BST）；官方 205 页演讲 PDF + 流行病学附录 |
| AI 相关议程 | Revolutionizing drug R&D with Lab in a Loop（Aviv Regev，gRED 负责人）；Financial Excellence and Digitalization（CFO Alan Hippe）；R&D Excellence（CMO Levi Garraway） |
| 核心框架 | Lab-in-the-Loop（LitL）：AI 嵌入 TA→LI→LO→临床候选全链条，人数据/实验/模态与 AI/ML 在闭环中迭代 |
| 算力底座 | NVIDIA 合作：>3,500 Blackwell GPU 混合云 AI factory + 两座新数据中心（美/欧）；SAIL 创始成员 |
| 伙伴栈 | Medra（physical AI）、MHS（Anthropic）、AWS Research Agent、OpenAI pilot、Caris、Herophilus、Recursion、A-alpha Bio、PrescientDesign；Boston Innovation Center（9/18 开业，CVRM + AI，与 Harvard 合作） |
| 资料位置 | 官方 PDF 已存档仓库 source/roche_pharma_day_2026.pdf（205 页）+ source/roche_pharma_day_2026.txt |
战略底盘：R&D Excellence 的成绩单
在谈 AI 之前先看底盘——管理层用一组数据把"R&D Excellence"改革与管线价值挂钩（公司自报口径）：
- 管线价值：自 2022 年底引入组合门槛线"the Bar"后，管线 aNPV +93%，同期项目数 −27%——更少项目、更高质量。
- 成功率：Ph III 成功率 2025 年 65% → 2026 YTD >80%；团队评估的 Ph III PTS 自 R&D Excellence 推行以来持续上升。
- 速度：R&D 周期较 2023 年底缩短约 19 个月（LI 至 Ph III 结束，按 2026 年底目标计）。
- 投入：2022–2025 核心研发支出 CHF 51.8bn（约 12.9bn/年）；CHF ~1.6bn 节约已再投入管线；2026 至今新增 18 个早期资产，晚期组合平均峰值销售 +CHF 0.19bn。
- 产出目标：至 2030 年最多 20 个 NME 具备上市潜力，多数峰值销售潜力 CHF 3bn+（覆盖肿瘤/血液、神经、免疫、眼科、CVRM 五大 TA）。
这组数字的意义在于定调：AI 叙事被嵌在一个"少而精、更快更准"的研发效率故事里，而不是孤立的技术展示——它要回答"AI 到底给管线带来了什么"。
Lab-in-the-Loop：框架与治理口径
Aviv Regev 的报告把药物研发难的原因拆成四点：搜索空间巨大（big numbers）、尺度跨越原子到患者（multi-scale）、每个实体有多种测量视图（multi-modal）、没有两条相同的研发路径（varied）——AI 恰好对四点都有结构性解法。LitL 的形式化表述是"AI 嵌入每个组件的端到端迭代"：
TA 靶点发现与评估
PathoMap 病理图谱 FM + TargetNexus 智能体 + TAP 评审流程（~2 周出建议）
LI 苗头发现
虚拟高内涵表型筛（PhenoCompass）、VoxBind/SAGE 结构生成、功能筛选
LO 先导优化
周度 active learning 闭环、scaffold hopping、SM AI Agent 编排
临床候选
协变量校正改判读、OCT→新终点 GWAS 反哺靶点发现
最值得注意的是其治理口径——Roche 给管线决策的 AI 贡献分三级：Critical（实质影响）、Supportive（显著提升决策信心）、Informative（提供参考），并逐阶段统计覆盖率：
| 口径 | 数值 | 读法 |
|---|---|---|
| 总覆盖率（Q4'25–Q2'26） | 40%（Q2 单季 44%） | 近半管线决策已有可追踪的 AI/计算贡献 |
| 贡献分级 | Critical 41% · Supportive 48% · Informative 10% | 超四成属"实质影响"级别，非点缀 |
| 分阶段覆盖（示意） | TA ~68% → 后期 ~25–43% | 越靠近早期决策 AI 渗透越深；临床端仍是洼地 |
| 组织口径 | 大分子 100% / 小分子 ~50% | AI 参与合格项目比例（~90% eligible projects） |
研发组合产出效率同步抬升（2022–2025 公司自报）：LI-Go CAGR 37%、LO-Go CAGR 20%、内部 DevGo 14%；两年累计 +155% LI Go、+75% LO Go、+50% DevGo。
算力与生态：AI factory 和伙伴栈
2026 年"AI 里程碑"清单的硬资产部分：>3,500 张 Blackwell GPU 的混合云 AI factory（含美国、欧洲各一座新建数据中心）；作为 SAIL（Shared AI License）基金会创始成员，推动 AI 算法与模型的协作交换。地理布局上新增 Boston Innovation Center（9 月 18 日开业，与 Harvard 合作，聚焦 CVRM 与 AI 药物研发），与 SSF、Basel/Zurich、Welwyn、Penzberg、Tokyo、上海 CiCor 等基地并列。
七年路线被划成三段，合作栈沿时间铺开：
| 阶段 | 组织/人才 | 数据与算力 | 标志性里程碑 |
|---|---|---|---|
| 2020–2022 建基 | BRAID（生物 AI）、PrescientDesign（抗体 AI，收购）、细胞与组织基因组学 | Recursion 合作 | LitL 战略确立；首个 LitL 小分子循环；首个 LitL 大分子循环 |
| 2023–2024 规模化 | gRED Computational Sciences（gCS）整合；Herophilus 自动化软件、A-alpha Bio 合作 | NVIDIA 合作；Prescient 扩展至所有分子类型 | 首个 Roche 数据训练的 LLM；IBD 病理图谱 +15 个 LI 靶点；首个 AI 支持的 LO 小分子骨架 |
| 2025–2026 转化 | Computational Sciences CoE（服务两个 RED）；Foundational Datasets for FMs 计划 | Medra physical AI、MHS（Anthropic）、AWS Research Agent、OpenAI pilot、Caris；AI factory（NVIDIA） | LI 靶点进入 AI agent 支持；首个 AI 支持抗体进入开发组合（FPI）；AI 参与 100% 大分子 / 50% 小分子项目 |
这份清单有两个信号：其一，Roche 的 AI 伙伴是分层的——NVIDIA 管算力底座、Anthropic/OpenAI/AWS 管通用智能体与研究流程、Medra/Herophilus 管物理自动化与实验室、Caris/Recursion 管数据——每个槽位只放一个最强供给；其二，演讲明确提出 "AI independence"：专有 FM、领域专家 agent 与 harness、AI factory、规模化多路数据流、可迭代性（lab + AL/RL）、自主实验室——即把"回路本身"当作必须自主掌控的竞争资产，而非外包能力。
靶点评估：PathoMap、TargetNexus、主动学习
PathoMap 病理图谱（FM）
把遗传学、疾病图谱、扰动筛选输入"AI 疾病模型"，输出管线靶点假设再进实验室验证。IBD 图谱 v2.0 示例：细胞×空间上下文×人类遗传学 → 免疫调节/炎症信号/纤维化重塑等细胞程序 → 新靶点、新生物标志物、分子发现与联合疗法。首张图部署耗时 1 年，神经方向 4 张图仅 6 周；两年 LI 进入量 +155%。覆盖肿瘤（泛肿瘤表面靶点）、免疫（COPD/IBD）、神经（AD/PD/MS/ALS）、眼科（AMD）。
TargetNexus 决策智能体
靶点评估 AI agent，目标到 Q4 覆盖 80% 研究组合决策。知识域分三层：靶点生物学（因果机制、疾病生物学、疾病模型）、药物发现（成药性、可行性、安全性、模态）、临床与组合（患者人群、生物标志物、组合匹配度、竞争格局）。配套 TAP（Target Assessment Portfolio）流程：任何人可提名靶点 → Target Champion 组卷 → ~2 周内出评审建议。
主动学习采样式探索
组合式 Perturb-Seq 闭环示例：~180K 基因对、600 个高影响基因，每轮测 ~600 对，模型选下一批实验。结果：AI 选择的预测精度优于强基线（MSE 0.083±0.002 vs 随机 0.089±0.003，20/20 种子全胜）——证明"模型指挥实验"在真实生物搜索空间里成立。
下层还有 Foundational Datasets for FMs 计划：专为训练相关疾病生物学模型而生产的大规模数据（序列-表型、人类遗传、细胞/类器官/组织的扰动、患者组织、临床基因组结局），喂给细胞与组织 FM、虚拟细胞、基因组 FM、扰动 FM，支撑因果驱动发现、target-hopping、靶点解卷积与安全性（on/off-target 效应识别）。
苗头发现：虚拟表型筛与结构生物学
两个代表性案例揭示 LI 环节的方法论：
虚拟高内涵表型筛（PhenoCompass）
湿实验表型筛受通量限制（~220K 化合物），Roche 把 anchor 扰动的表型特征训练成 FM，对 Enamine 的 ~90B 虚拟空间做"表型拷贝"查询——放大 10⁵ 倍。前瞻性验证（mTOR/PI3K 通路）：4B 虚拟筛 → ~500 候选（合成 400）→ 三轮递进湿实验 → 命中确认激酶抑制且含全新骨架。公开数据集示例亦显示 116K 训练 → 4B 筛。
AI 结构生物学加速 hit finding
管线：蛋白构象系综生成 → 设计 HDX-NMR 实验定位溶剂暴露区 → VoxBind（口袋条件化体素去噪生成模型）→ SAGE（多性质小分子配体设计）。通用时间线对比：lab-based 首骨架需 X 月，AI 虚拟筛路径 X−90% 月（hit #1 首合成即 −80%）。页脚引用 ICML 2026 GenBio Workshop 的 Boltz-Jump（构象景观加速采样）。肿瘤"不可成药"通路案例：Perturb-Seq + Cell Painting → PhenoMaps/TranscriptoMaps，>250K 化合物 + 全基因组 CRISPR → 新 MoA 并经体内验证。
先导优化：周度闭环与小分子 AI Agent
- 周度 active learning：合成与靶点感知的分子构想 → 效力与 ADME 预测 → AL 挑选本周合成清单 → 实测 pIC50 回流，同时得到更好分子与更好模型（预测 P(active) 的 TPR/FPR 逐周改善）。
- AI+物理 scaffold hopping：从虚拟筛 hit 出发，medchem 设计起始骨架，枚举 >90K 候选、内部 ML 性质过滤、FEP 预测相对效力，挑出引入新极性接触的 lead。<35 分钟生成并过滤 ~100K 结构，筛选规模 >1K 化合物，效力提升 ~40× 且代谢稳定性改善。
- SM 药物发现 AI Agent：披露的架构是"LLM + harness"五层——模型与工具（co-folding、docking、ADME/效力模型、FEP、枚举）、技能（结构生物学、SAR 分析、模型评测、绘图可视化）、数据（项目 SAR、实验结构、DesignHub、SM building blocks）、上下文（项目文档、历史、medchem 知识）——由 LLM 做项目科学与分子设计推理、统一编排工具与工作流。
生物药与自主实验室
- 下一代多特异分子：数据与 AI 驱动的靶点发现产出 100+ 基础 building blocks，组装进多个双/三特异项目（示例 5 个并行、其中 2 个快速产临床候选）。
- Lead arms 联合优化：跨物种（rat/mice/rabbit/llama）免疫 → 高亲和交叉反应 + 单价臂功能 → 每个靶点 lead+backup 臂；用 ~1,200 个单突变高通量亲和力数据集训练免疫原性模型与 PK 风险模型，在序列层直接优化以降低 developability 风险。
- 自主实验室 L0–L5：Autonomous Lab Accelerator 把实验室分为全手动（L0）→ 自动化仪器（L1）→ 连接工作流（L2）→ AI 辅助（L3）→ 领域自治（L4）→ 全实验室自治（L5），对应人的角色从 Operator 退到 Assistant→Approver→Auditor；循环七步 Observe–Learn–Predict–Design–Execute–Analyze–Report，含 Medra 等合作（Cheng et al., Preprints.org 2026 在审）。
临床端：协变量校正与新终点 GWAS
- Clinic-in-the-Loop：用基线影像训练 E2E AI 预测病灶增长速率做协变量校正。GA（地图样萎缩）案例：模型在既往临床试验 >2,000 张 FAF 图像上训练验证——回看某 Ph2，未校正分析呈 ~20% 假阳性效应（p=0.16），深度学习 FAF 模型校正后为无效应（~4.5%，p=0.6）；官方称该校正的精度收益"相当于把试验规模扩大 2 倍以上"。
- 新终点 GWAS 反哺：OCT 图像 → AI 分割 → 视网膜分区定量（EZ 损失 15.0mm² / RPE 损失 5.2mm²）→ 对传统风险研究未检出的位点做 GWAS；AI 衍生的新终点再回灌 GA PathoMap 驱动靶点发现——构成"临床→实验室→临床"的真正闭环。
企业侧 AI：三层框架与 ASPIRE
CFO Alan Hippe 的数字化板块给出了研发之外的企业级口径：
三层 AI 战略
EverydayAI（嵌入日常提效）、Reshape（流程重构兑现规模化价值）、Big Ideas（用新兴技术颠覆行业）——由 Value&impact / People&change / Tech offering / Policy 四大支柱支撑。
ASPIRE 业务系统
统一价值链（idea-to-product / plan-to-cash / demand-to-pay…）的绿色地部署：118 个 company code 已上 44%、~950 项流程活动、98% 模板遵从度；2029 全量上线；收益定位为"自动化 + agentic 工作流"，在部署后 2–5 年兑现。
制造数字孪生
与 NVIDIA Physical AI 栈合作的企业级数字孪生：包装与分发（减少物理测试）、总装（一次到位工业化）、设计卓越（鲁棒性）——可复制部署模式让新厂快速接入。NVIDIA 医疗 VP Kimberly Powell 公开背书。
行业坐标与启示
① "可追踪 AI 贡献"是新的治理范式
Roche 把 AI 贡献做成 KPI：分 Critical/Supportive/Informative 三级、按管线阶段统计覆盖率。这给董事会和研发管理层一个可审计的 ROI 口径——此前行业里"AI 有没有用"基本靠轶事。对 AI4Science 从业者，这提示评估自己 AI 管线时也应建立"贡献分级 × 阶段覆盖"的度量，而非只看模型指标。
② LitL 的护城河是回路本身
"AI independence"一节明说：数据生成能力、专有 FM、agent harness、迭代速度与自主实验室是必须自有的资产。模型会贬值，而"每周让实验与模型互相变好"的闭环会复利——这与我们在 folding trunk 报告里看到的机制层面证据（结构决策发生在模型内部表示上）形成同一逻辑：价值在回路和表示层，不在单点工具。
③ 条件化/多目标已成披露常态
本报告与同期 Anthropic×Adaptyv 赛事（pH 选择性 EGFR binder）共享一个信号：头部机构都在把优化目标从"亲和力"升级为"在对的条件结合"——Roche 侧体现为跨物种交叉反应、免疫原性/PK 风险多模型联合优化与表型拷贝筛选。
④ 对中国同行的参照
对照长江杯/PDC2026 的"统一赛题+湿实验验证"路线，Roche 展示的是企业内部版的同一范式：平台化数据生产（FD 计划）+ 评审流程化（TAP）+ 闭环资产化（LitL/AI independence）。竞争焦点已从"谁的模型强"转向"谁的回路吞吐大、审计强"。
证据边界与参考
- 自报口径：Ph III >80%、40% 决策覆盖、+155% LI Go、18 个月 LI→候选等均为管理层披露值，未见第三方审计；"贡献分级"由公司内部评定。
- 选择性披露：案例均为成功故事（mTOR/PI3K、scaffold hopping、GA 校正）；失败路径与回撤率未披露。
- 口径模糊处："AI participating: 100% large molecules"指"参与"而非"决定性贡献"；分阶段覆盖率各阶段样本量未公布。
- Roche Pharma Day 2026 Presentation（205 页，2026-09-28 发布；官方活动页 roche.com/investors/events/roche-pharma-day-2026；本站存档 source/roche_pharma_day_2026.pdf）。
- 同日发布：Appendix — Epidemiology Overview（roche.com 活动页下载区）。
- Daigavane et al. Boltz-Jump: Accelerated Sampling of the Conformational Landscape of Biomolecular Structure Prediction Models. ICML 2026 GenBio Workshop（演讲稿引用）。
- Anegondi N et al. AI-based covariate adjustment in geographic atrophy. Ophthalmology Retina 2023;7(3):243-252（GA 案例方法学出处）。
- Cheng et al. Autonomous labs review. Preprints.org 2026（在审，自主实验室分级框架引用）。
核验说明：全部数字与案例经官方演讲 PDF（205 页，pdftotext 全文抽取）核对（2026-09-30），页码为 slide 编号；§11 为评注性分析，非 Roche 声明。本文档为产业技术解读，非投资建议。