Ramy Farid（总裁兼首席执行官、董事会成员）
Richie Jain（首席财务官）
Patrick Lorton（执行副总裁、首席技术官兼软件首席运营官）
Brendan Smith（TD Cowen）
好的。我想我们现在开始吧。感谢大家的参与。欢迎回到第46届年度TD Cowen医疗健康大会。今天我非常荣幸能与Schrodinger的整个团队一起登台，除了Karen，我们非常想念她。不过我们可以简单介绍一下，我右边的Ramy是Schrodinger的首席执行官。最右边的是Richie Jain，首席财务官。然后——今天代替Karen的是。
没有人能代替Karen。
是的，确实如此。所以我希望今天的交流尽可能互动性强一些。我会查看手机上收到的任何问题，大家可以发送到brendan.smith@tdsecurities.com。不过我想先和Ramy开始对话。给你一分钟时间。谈谈上周我们得到的更实质性的更新，关于转向托管服务、ACV报告相对于收入的变化，抱歉，最终这意味着什么，以及我们在场的所有人应该记住什么？
关于向托管服务的转型。
是的。
所以我想稍后会让Richie来补充。但最重要的是要理解——嗯，有几件事。第一，这是我们多年前就开始的转型，而且非常成功。我们已经有大约四分之一的收入来自托管服务。我们向客户交付软件的方式或客户的体验，即使是客户的体验，都是完全相同的。价格是相同的。实际上，合同的签订方式也是一样的。他们预先支付费用，然后获得一年的许可。这只是会计处理上的差异，如果是托管服务，收入会在合同期限内按比例确认，而如果是本地部署，则大部分收入在合同签订的季度确认。
所以我们认为这对客户实际上是有利的。如果软件是托管的，对客户来说肯定是更好的体验。我们可以更好地支持他们。我们可以看到他们在做什么，监控他们的使用情况。而且我们的很多客户总是在许可证使用上遇到瓶颈。所以现在我们可以看到这一点。
我们可以和客户说：“嘿，你知道，你没有充分利用这个”，或者“你已经超出了许可证的使用范围。你可能需要考虑购买更多的许可证。” 希望这能概括要点。不过Richie，你想补充些什么吗？
补充一点，我们从现金流角度看待业务。这一变化对现金流没有任何影响。正因为如此，我们认为ACV作为运营指标能最好地让投资者了解今年如何衡量我们，因为由于加速转向托管服务，收入会引入很多噪音。所以ACV是我们提出的指标，也是最接近我们实际运营业务的指标。
好的，好的。可能因为你们在电话会议中提到了这一点。我想澄清一下，那么今年剩余时间以及进入明年，收入和利润率会受到怎样的影响，我们应该如何看待这种转型？
是的。所以再次强调，从销售成本和运营费用的角度来看，金额没有变化。我们预计今年收入会下降，因为大部分业务在年底才签约。当我们将其转型为托管服务时，今年可确认收入的天数、周数、月数就减少了。但今年未确认的所有收入将计入递延收入，并将在明年确认。因此，由于我们预计今年收入会减少，毛利率和调整后EBITDA在数值上会受到同样原因的影响。
如果可以的话，我还想指出一点，我只想说一件事。这是行业标准。这是大多数软件公司正在经历的转型。所以这是众所周知的。
收入受到的暂时影响是众所周知的。许多公司都经历过这种情况，这就是为什么你需要使用ACV之类的指标来跟踪增长。
我们所做的事情并没有——
补充一点，我们今年转型越有效，收入就会越低，这显然有点违反直觉，但这就是数学计算的方式，实际上这也是你想要的结果。因此，考虑到这种动态，我们选择今年将指导重点放在ACV上，因为这确实是我们运营业务的方式，并且能让你对增长的长期趋势有最好的了解。
鉴于我们预计今年收入会下降，这是一种反弹，我们预计所有这些都会在27年的报告年度回升。所以这是一个多年的转型，但第一年偏离预期的程度会最大。
好的，明白了。好的。我知道很多事情都是在这种转型和公司整体业务战略的背景下发生的，对吧？
所以或许我们先从宏观层面开始谈，然后谈谈这如何融入整体战略，实际上就是计算平台的现状。我想知道近年来你们所做的所有变化和发展情况如何？是什么吸引了新客户，以及在你们进行这种转型时，是什么让客户不断回头购买更多服务？
是的。现在正在发生的事情非常令人兴奋。我不知道人们是否完全意识到计算化学领域取得的非凡进展——能够实际运行计算、进行取代实验的计算，这样你就不必进行实验了。这太神奇了。
所以我们现在正在做的事情，即使在五年前也是不可能的。所以我们可以使用我们开发的物理引擎，非常准确地预测分子的关键特性——你不必进行实验。能够这么说真是太神奇了。我们已经做了很长时间了。我们梦想这一天已经很久了，现在终于成为可能。
现在，这其中最不可思议的是，我们可以以远远高于任何实验可能达到的规模进行这些计算。所以你拥有实验的准确性，但规模更大。让我用一些数字来说明。我们一天内生成的数据量，如果通过实验生成，可能需要10年时间。
这意味着什么？这意味着现在你拥有了大量的数据，远远超过仅通过实验所能产生的数据，你可以用这些数据来训练AI模型。因此，AI模型现在允许我们将物理原理扩展到更大的空间，并允许我们探索大量的化学空间。这意味着什么？
这意味着我们现在首次能够显著加快获得开发候选药物的时间，并提高实际成功获得开发候选药物的概率。
然后，也许最令人兴奋的是，现在你正在使用质量更高的分子来实现这一点，因为你已经以非常高的精度探索了如此巨大的化学空间，因此在临床中的成功概率要高得多。
这些不仅仅是空话。你从很多地方听到很多这样的话，很难从噪音中分辨出信号。但我们已经应用这项技术很多年了，结果是相当多的项目实际上已经进入了临床。真正的项目。这不仅仅是说我们用AI解决了药物发现问题。
我们已经产生了16个临床资产，其中一些是后期临床资产，我们从中获得特许权使用费和里程碑付款。我们共同创立的新公司取得了非常巨大的成功，其成功率绝对高于行业平均水平。所以我希望你能理解这项技术正在做什么，我们如何能够将这个物理引擎与AI的规模相结合，并实际交付有价值的资产。
现在最——现在正在发生的最令人兴奋的事情之一是智能体人工智能（agentic AI）的进步，这使我们能够以非常显著的方式扩展这一平台。应用这项技术的一个限制是需要专家来使用它。
我们对现代工作流程以及智能体人工智能的进步感到非常兴奋，这将使我们能够真正扩展这个平台。我认为这就是带来所有这一切的原因。这就是吸引客户的原因，你知道吗？
是的。我认为这——我的意思是，这实际上触及了我们从昨晚的一个小组讨论中得出的一些结论——昨晚我们有一个关于医疗AI研发投资的小组讨论。我们有诺华（Novartis）、武田（Takeda）和Relay Therapeutics的研发负责人。诺华的Fiona——
正在利用这项技术。
没错。是的。她昨天还特别提到了你们公司。
哦，那太好了。
是的。所以，我认为这——我认为这反映了我们这些外部人士之间的一些脱节，我们不是每天都使用这些工具，我们只是看到制药公司在我们统称为AI的领域投入越来越多的资金，但最终这意味着什么影响。
我认为从根本上说，有些人认为，如果他们在内部在AI上投入更多，就意味着他们愿意在外部花费的资金更少，而事实似乎是，他们现在正在识别数据中的漏洞，以及他们需要向谁寻求帮助来填补这些漏洞并更好地训练模型，对吧？
完全正确。我认为专家们已经很好地理解了这一点？投资者和大众媒体可能没有那么了解，但非常清楚的是，仅基于实验数据训练的纯AI模型是非常有限的，因为药物发现本质上是关于发现新的化学物质，对吧，新的知识产权，这意味着对这些分子的预测将不起作用，因为它们不在训练集中。所以你需要物理原理，你需要第一性原理方法来构建这些训练集。
正如我之前所说，现在之所以能够做到这一点，不仅要归功于我们开发的基于物理的方法的进步，还要归功于NVIDIA在硬件方面的巨大进步。当然，还有用AI扩展所有这些的能力。
是的，非常令人兴奋。
我的意思是——好的。所以我们稍微讨论了软件业务报告的实际转型。但考虑到其他所有因素，我们应该如何看待未来12到18个月，软件业务本身实际增长的任何重要拐点？我们知道预测毒理学产品现在处于beta测试阶段并已广泛发布。
所以当我们在ACV收入的背景下考虑你对指导的假设时，但实际上，只是业务在未来18个月左右的实际增长。首先，预测毒理学是一件大事。这是药物发现中的一大挑战。药物发现项目运行五年是很常见的，你做了所有这些工作，花了所有这些钱来确定一个开发候选药物，然后你开始进行毒理学研究，你发现有一个毒性问题，这就结束了。就是这样。你不知道如何修复它，你不知道毒性在哪里。所以这是失败的一个主要来源。
所以这是一件大事。我们已经推出了它。它已经退出beta测试，因为beta测试的反馈非常积极。显然，解决药物发现中的这一重大挑战引起了极大的兴奋。所以我们预计今年及未来会看到预测毒理学带来的增长。还有很多工作要做。
原则上，有20,000种蛋白质是你不希望与之结合的，对吧？人类基因组中的蛋白质，有些估计可能数量更大。我们在这个预测毒理学面板中已经启用了大约60到70个脱靶蛋白。我们会继续添加更多。所以这将是一个重要的研究和增长领域。现在，另一件事是我们之前讨论过的，不是每家制药公司。你已经遇到了一些公司正在大规模使用这项技术来生成这些AI训练集，但并不是每家制药公司都在这样做。他们在使用它。所有公司都在使用它，但没有充分发挥其规模。所以我们预计这种情况会改变。
我们认为，已经有足够多的公司过渡到大规模使用这些方法，这在某种程度上降低了风险。现在只是更多公司在这种规模上采用该技术的问题。所以这是今年以及你所说的时间框架及以后的另一个主要增长来源。只是使用量的持续扩大。
我们也对另外几个领域感到兴奋，那就是生物制剂。我们的平台主要是在小分子领域开发和验证的，但显然生物制剂非常重要。我们在信息学方面和物理方面都投入了大量工作。在那里已经取得了一些进展，我们预计这些进展将有助于增长。
然后如果可以简单提一下——我知道这是一个医疗健康会议，但我只想非常简要地说，这些基于物理的方法也可以应用于其他系统，因为物理就是物理。所以我们对我们在电池化学方面所做的工作感到非常兴奋。同样，我不会花太多时间在这上面，但在纯材料科学工作流程中有非常有趣的材料科学应用，比如电池设计，但在制药领域，制剂是一个材料科学问题。
我们在该领域也有新产品，特别是晶体结构预测，这是制剂和药物发现中极其重要的一部分，我们也预计这将在今年促进增长。Pat，你想补充吗？还有其他事情吗？我都说完了吗？
是的，说了很多。我的意思是，我认为我们也在投资的一个方面不仅仅是物理模拟。我们有LiveDesign平台。诺华谈到了使用自己的数据。
成为药物发现的中央平台非常重要，它允许任何构建AI模型的人通过你的平台使用它们。然后你成为那个中央枢纽，我们已经成功地在小分子领域为绝大多数制药公司做到了这一点。但我们现在推出了大分子产品。
对于那些从事ADC（抗体偶联药物）和肽类药物的人来说尤其有吸引力，这些领域最近有点热门。但因为小分子和大分子技术都适用于这些领域，或者可能是这些领域所必需的，我们的独特之处在于我们非常了解这两者。大多数软件公司都不了解，我们对我们的LiveDesign for Biologics应用感到非常兴奋。我们认为这是一个巨大的增长机会。
Brendan，我想补充一点，我们是一家研发公司。我们为正在进行高级科学研发的客户投资研发，投资目的是扩大我们的目标市场。因此，在我们主要存在的生命科学领域，我们推出的许多新产品都与我们今天的客户直接相关。但是，触及新的预算，触及新的能力。
正如Ramy提到的，在材料科学领域，那里有无数的终端市场。所以我们对这个机会感到非常兴奋。我们通常不会在产品发布前谈论新产品。预测毒理学是一个例外，因为该领域受到了行业的大量关注以及FDA关于新方法学（NAMs）的授权。
但我们上周三电话会议上推出的其他一些产品是我们通常的发布方式，即我们开发产品，然后向客户推出。
我很高兴你提到了NAMs，对吧，因为这是很多时候自然而然会引出的下一个问题。所以也许只是帮助我们理解，这个预测毒理学产品在FDA倡议中实际处于什么位置，对吧？
然后也许在这个问题上，我——我想我应该首先问，你是否收到了新的客户咨询，或者来自现有客户的咨询，特别是与其中一些倡议相关的，以及我们应该在什么时候现实地考虑这对软件增长的影响？
目前，当然，已经开发的用于预测毒性的计算方法还不够完善。它们不是很好。因此，非常依赖实验来进行，这既耗时又昂贵。这意味着什么？正如我 earlier 提到的，它在流程中进行得相当晚。然后就这样了。项目失败了。你只是损失了很多年，这是一个真正的问题。我们开发的方法，再次，正如我 earlier 所说，非常准确，非常具有预测性。
它们预测分子是否会与这些脱靶蛋白结合，即所谓的与毒性相关的脱靶蛋白。当然，这意味着，因为通过计算比通过实验更快、更便宜，所以它可以真正向上游移动，在项目的早期阶段。换句话说，它成为分子多参数优化的一部分。
你在早期就进行这项工作，确保当你最终获得开发候选药物时，你不仅解决了亲和力、溶解度和渗透性等问题，还解决了选择性，从而解决了毒性问题。所以我认为有两个应用。一个是新的。这是一个全新的市场，对吧？人们在发现早期使用它。
当然，在后期阶段，当你开始考虑将哪种分子用于动物研究时，它仍然非常有价值。这就是它与FDA联系的地方。现在，FDA表示他们希望消除动物试验。我想每次有人听到这个词，他们都会想，得了吧，这太疯狂了。
但没关系。认为这很疯狂是可以的，因为未来并不遥远。现在不会消除动物试验，但很明显，并且一直在减少，因为当然，如果你有一个分子在这个计算分析中显示出毒性，你为什么要把它用于动物身上呢？所以它肯定会减少动物试验。
也许在未来，它会消除动物试验。用人类来测试毒性似乎真的很牵强。
但没关系，你明白我的意思。它将显著减少动物试验。所以我认为这就是两个应用。
我想阐明的另一件事是，这不仅仅适用于动物。我们可以测试动物和人类蛋白质。所以你可能整个开发过程都只关注人类蛋白质，然后它在动物身上失败了，你会想，刚刚发生了什么？
但是因为你可以测试这两种蛋白质，你将能够提前独特地识别。如果你在动物身上看到的与在人类身上看到的不同，你可能能够提前知道并预期到，反之亦然。
看起来很好。最坏的情况是在动物身上看起来很好，但在人类身上有问题。显然，早点知道这一点非常有价值，因为临床试验比动物研究更昂贵。
所以这是目前基本上不存在的额外知识。有一些实验试图解决这个问题，但这种级别的信息以及能够提前推动它，应该会显著提高成功率。
明白了。好的。所以当我们现在考虑平台的持续发展时，我保证在未来的几个月和几个季度里我会继续回到这个问题。
很好。
但现在我们——现在你们正真正转型为一个成熟的软件实体，边缘有一些值得注意的例外，你们如何考虑这个平台的持续发展，对吧？显然，我们有预测毒理学，但你提到了生物制剂，提到了其他一些模式。
是按顺序先在现有基础上扩展到其他模式，然后可能扩展到药物开发领域的其他部分吗？这种战略处于什么位置？
是的。正如Richie所说，我们是一家研发公司。我们在平台上有大量投资。我们现在超级兴奋的领域之一，实际上——我将要描述的技术实际上正在推动预测毒理学计划，那就是一般的蛋白质结构预测。
在确定蛋白质结构的计算方法和实验方法方面取得了很多进展。你听说过AlphaFold。我的意思是，这获得了诺贝尔奖，对吧？但不太为人所知的是，这些计划的输出，无论是实验性的还是计算性的，都是低分辨率结构。它们实际上开箱即用并不是那么有用。我们正在开发将这些结构精炼到高分辨率的方法，这实际上是你需要利用它们的条件。
你必须把细节弄对。如果你听到我说“物理”这个词，对吧，基于物理的方法，你可以想象基于物理的方法的输入是作为起点将原子的位置放在正确的地方。
所以这非常重要。所以我们正在投入巨大的努力来确定蛋白质及其结合分子的高分辨率结构。现在，这有什么作用？目前，我们真正知道高分辨率结构的人类蛋白质，可能只占人类蛋白质组的10%到15%。
显然，将其扩展到100%的能力使我们能够研究我们 otherwise 无法研究的靶点，即所谓的难成药靶点，这些靶点与生物学和重要疾病有关，但我们只是不知道如何靶向它们。
是用小分子吗？是肽吗？是降解剂吗？如果是小分子，是大环化合物吗？是小的还是大的？是——对吧？所有这类事情。所以通过了解结构来探索所有生物学，对于真正开放这一领域是巨大的。
同样，这就是用于能够预测与脱靶蛋白结合的技术。但是，显然，从解决疾病的角度识别或能够为感兴趣的靶点设计分子显然是一个非常重要的研究领域。
是的。我也想补充一点。我们能够看到我们软件中最受欢迎的工作流程，到目前为止，我们最受欢迎的工作流程是处理PDB结构并清理它们，因为普通的PDB结构离可用于药物发现还有很远的距离。我认为这非常重要，因为大多数这些AI模型都被训练来尝试重现精确的PDB结构，而我们的客户通过这种使用情况告诉我们，这些结构还不够好。所以最好的情况是它们正在重现同样不够好的质量，这就是为什么我们真的在这方面进行投资。
而PDB结构，那是公共领域的结构。
是的。
我想现在与此相关，在我们进入治疗管线之前，在最后几分钟，我确实想问一下合作战略。我知道你们宣布了与礼来（Lilly）的TuneLab的新合作。我认为这更侧重于联邦学习的理念，对吧？
但是也许帮助我们理解这种方法和这个特定的合作相对于我们之前讨论过的诺华合作，现在这一切如何融入Schrodinger的整体合作战略，以及这在软件业务的增长故事中处于什么位置？
是的，我们对TuneLab感到超级兴奋。TuneLab填补了生物技术公司的一个巨大空白。因此，只要公司拥有LiveDesign（这已经接近15年了，这有点疯狂），每家大型制药公司都投入了这些基于其所有数据构建的机器学习训练毒理学模型。他们在这方面有所改进，但实际上只是在边际上。一个限制因素是他们拥有的数据量。但我们看到的情况是，当人们离开制药公司，并且已经习惯了使用他们构建的这些ML毒理学模型进行药物发现时，他们去创立生物技术公司，却发现一无所有。没有公共的，因为这些都是基于他们的内部数据构建的。
所以礼来所做的很棒的事情是，他们想出了如何让外面的每一家生物技术公司都能使用这些类型的模型。显然，礼来这样做不仅仅是为了好玩。然后生物技术公司将他们的数据反馈回来，礼来自己的模型变得更好。但这对我们来说非常令人兴奋，因为一直以来销售LiveDesign时，第一个问题是，你有什么建议让我获得像我在大型制药公司X时拥有的那种模型吗？我们过去的答案一直是没有。
现在，我想解决房间里的大象，因为我们收到很多问题。这是否与预测毒理学直接竞争？不是的。所以这类模型的准确性是完全不同的。它们非常有用。它们通常针对的终点比我们模拟的要更高层次，但终点之间的相关性要低得多。显然，它仍然有用，但当他们使用我们的引擎时，他们通常期望能够做出自信决策的准确性。而这些更像是红灯、绿灯提示性的准确性。仍然非常有用。我并不是要贬低它。只是不同的层级。
我想补充一下你的长期增长战略以及我们如何合作。我们认为长期驱动力是使我们的用户成为高级用户。我们有基于吞吐量的许可和定价。因此，任何单个用户使用得越多，我们就越能捕获该价值。但是随着工作流程变得更加高效，我们可以使我们的用户能够运行更多，并且还能扩大可以运行我们技术的用户数量。所以Pat实际上正在研究与大型语言模型（LLMs）和其他智能体人工智能流程的大量集成，这将能够在未来几年扩大我们的用户基础。
好的，很好。所以我想在最后几分钟，我确实想稍微谈谈治疗管线的现状，对吧，无论是内部的还是合作的。所以也许快速给我们一个关于3515和1505（分别是Wee1/Myt1抑制剂和MALT1抑制剂）何时能获得更新的感觉。以及这两个资产的最终状态，无论是外部授权退出和合作讨论，现在进展如何？
当然，我来回答这个问题。我们的意图是完成1505和3515的剂量递增研究。我们去年已经公布了1505的数据。3515的数据我们应该会在今年第二季度公布。但重要的是，我们已经宣布，我们认为推进这些资产的最佳方式是与合作伙伴进行中后期开发。所以这是重点。我们会在有更新时提供。
更广泛地说，当我们考虑治疗学领域时，我们继续对合作组合感到非常兴奋，与我们的制药合作伙伴携手合作，不仅生成知识产权和交付开发候选药物，还能在这些客户中实现我们软件的更广泛采用，并产生我们目前正在累积的下游里程碑和特许权使用费。
我们对我们拥有的靶点、适应症和特许权使用费率感到兴奋。我们上周在业绩中提供了一些额外的披露，以让大家了解这个机会有多大。但其中五个项目处于50亿美元以上的市场，我们的特许权使用费率从高个位数到低两位数不等。
好的。那么现在可以公平地假设，至少在可预见的未来，任何可能从Schrodinger平台产生的新治疗学、新药物，在很大程度上都将属于你们与外部制药和生物技术公司的现有合作关系，对吧？
这是公平的。
好的。
是的。
好的。所以，我想在最后一分钟，我想把所有事情总结一下。所以我们已经讨论了——ACV的转型，我们讨论了——治疗管线，我们讨论了合作战略和平台的发展。所以综上所述，当你展望未来，不仅是今年下半年，而且是Schrodinger的下一个时代，当你与那些试图了解你们的定位、真正的增长驱动力是什么以及最终他们试图如何评估这个平台的人交谈时，最大的脱节在哪里？
是的。我认为最大的脱节，人们也不能怪他们，是外面有很多噪音。我 earlier 提到过，对吧？有无数的公司标榜自己是人工智能公司，已经彻底改变了药物发现，解决了问题，他们发表博客，发表白皮书，进行比较，实际上获得了很多关注。对于——我的意思是，除非你是物理、化学、生物学和计算机科学的专家，否则你怎么能从噪音中分辨出信号呢？我想邀请人们做的是看看 track record。这很重要，对吧？
这些公司实际上产生了什么？我们产生了什么？我认为如果你这样做，在只是说自己在做事并进行回顾性分析的公司之间有非常明显的区别，对吧？对文献中已经存在的东西进行计算，并说，看，它匹配。” 正如所有开发机器学习和人工智能的人所知道的，这真的很容易做到，因为这些东西在训练集中。所以这不算数。
如果你还没有产生开发候选药物和临床资产，并且没有客户100%的客户保留率，我不确定你是否应该在外面做所有这些事情。
所以，抱歉，我知道这听起来有点批评，但你可以想象一家长期以来一直在这样做的公司的沮丧，它有 track record 反复交付高质量的临床资产，这些资产正在通过临床进展，顺便说一下，其中相当多的资产有非常有意义的里程碑和特许权使用费。我们共同创立的公司的成功是惊人的。我的意思是，这是显而易见的。那种成功率是不正常的。而且这些退出的规模等等确实意义重大。
所以我希望我能一直说下去，并能有机会在这样的场合强调这一点。我鼓励人们去看看。看看管线。看看成功案例。我希望你会看到不同之处。
不要相信我们说我们有一个准确的物理引擎。我的意思是，看看结果。我认为这真的很重要。我认为另一件事是，不要——当有一项新技术时，它很容易被过度炒作。你有点——你有一种倾向去展望未来，说，好吧，我不理解这个东西，但天哪，它看起来好像能做一些神奇的事情，我真的不明白。通常，情况并非如此，对吧？它像其他任何技术一样。它有适用的领域。它在某些情况下有效。在其他情况下无效。把它当作一种技术，而不是魔法或你应该真正害怕的东西。
我不知道我说的有没有用，但这是我们一直在想的。希望它有用。
关注很多技术的实际用例。好的。非常感谢你们的参与。很高兴见到你们，也感谢大家的聆听。我们还有更多内容要分享。
太好了。
谢谢。
谢谢，Brendan。
谢谢。非常感谢。谢谢。