基于神经网络的药物候选人价值估计与决策工具

考虑两个类似的药物公司，它们各自拥有相似的化学库和合成方法，均运行相同的 R&D 项目。该项目包含相同的阶段数，每个阶段耗时相同，成本相同，历史性的阶段通过率相同，旨在针对相同的治疗指征。现在假设其中一家公司投资于新的科学工具，使其在关键决策方面异常出色，而另一家公司则未采取此类措施。我们如何评估这两个项目之间的价值差异？ surprisingly，标准的贴现现金流估值方法，如风险调整净现值（rNPV），在药物行业投资组合管理和风险投资中广泛使用，却在这种情况下基本无用。它们无法对增强或削弱药物候选人价值的决策进行估值，因为 rNPV 将错误的推进差努候选人的决策与正确的推进好候选人的决策混为一谈。本文旨在建立一类新的估值模型，逻辑地将治疗资产的价值与用于设计、优化和测试这些资产的“决策工具”价值相联系。我们的模型清晰地揭示了资产价值与决策工具价值之间的相互作用，也清晰地揭示了更好或更差的上游决策的下游后果。这种新方法可能支持更有效的 R&D 资本配置，帮助资助使用良好决策工具开发的治疗资产，并资助更好的决策工具以区分好坏的治疗资产。