標題叫「茶餘飯後」，是因為它不太是寫給 BD／Corporate Development 專業人士看的。這類資訊，已經有太多專業管道。

但如果你是：

• 相關產業人士，茶餘飯後想多一點談資

• 正在準備相關面試的人

• 已經在產業裡，想轉換跑道或多累積一些不同視角的人

那也許會有一點幫助！

一、Moderna：個人化 mRNA 癌症療法第三期成功

8 月 19 日，Moderna 與 Merck 宣布，個人化 mRNA 癌症療法 intismeran autogene 在高風險黑色素瘤第三期試驗中，成功降低癌症復發與遠端轉移的風險。

第三期通常是藥物申請核准前，規模最大、也最關鍵的驗證階段。這項試驗納入超過一千名已完成手術、但仍有較高復發風險的患者，比較 intismeran 加 Keytruda 與 Keytruda 對照治療。

Keytruda 是一種免疫治療。癌細胞有時會踩下免疫系統的「煞車」，讓免疫細胞停止攻擊；Keytruda 的作用，就是解除其中一種免疫煞車。

根據兩家公司公布的初步結果，加入 intismeran 後，患者維持癌症沒有復發，以及沒有轉移到遠端器官的時間都獲得改善。安全性與過去研究一致，也沒有出現新的副作用警訊。完整數據與患者實際活了多久，還需要繼續追蹤。

兩家公司將它稱為這類個人化新抗原療法與 mRNA 癌症療法的第一個正面第三期結果。我前幾天已經另外寫過一篇，所以這裡只抓我覺得最重要的地方。

「個人化」也是這項技術最有吸引力、最麻煩的地方。

公司會比較患者的腫瘤與正常檢體，找出只有癌細胞才有的基因突變，再挑選一組可能被免疫系統辨認的特殊標記。mRNA 像一份製作說明書，教免疫系統辨認這些癌細胞標記。

每位患者的腫瘤突變不同，所以每個人收到的產品也不同。現在這套定序、設計、製造與配送流程，真的支撐了一項大型全球第三期試驗，而且交出正面結果。我覺得這件事本身就滿重要的。

商業化又是下一個問題。上市後面對的病人更多、醫院更分散，每份產品又都不同。製造速度、成本、定價與保險支付方式，會決定它最後是一款重要產品，還是一個能跨癌種發展的平台。

二、BioNTech：同樣是個人化 mRNA，為什麼二期試驗停止？

另一方面，BioNTech 宣布終止 autogene cevumeran 的二期結直腸癌試驗。

研究納入手術後仍驗出 ctDNA 的高風險患者。ctDNA 是癌細胞釋放到血液裡的少量 DNA；手術後仍驗得到，通常代表體內可能還殘留影像看不到的癌細胞。

這項試驗比較個人化 mRNA 療法單藥與觀察等待，也就是先不加入新治療，按照標準方式定期檢查。

試驗先前已經觸及預設的無效界線，代表達到原定目標的機會可能偏低。這次獨立監測委員會又發現兩組患者的整體生存情況出現數值差異，並認為繼續試驗不太可能改變療效結論，因此建議停止。

公司尚未公布完整數據，但表示沒有發現新的副作用警訊。

這兩件事剛好只差 9 天，很容易被寫成「一家成功、一家失敗」。我覺得真正有意思的，是它們看起來很像，實際上卻有不少差異。

Moderna 研究的是黑色素瘤，個人化疫苗與 Keytruda 合併使用。BioNTech 研究的是結直腸癌，而且疫苗作為單藥使用。患者族群、癌細胞特性、治療組合與試驗設計都不一樣。

多數結直腸癌對免疫治療的反應比較有限，常被稱為「免疫冷腫瘤」，意思是腫瘤周圍缺少有效的免疫攻擊。不過，部分具有特殊基因特徵的結直腸癌仍可能對免疫治療有反應，所以也不能一概而論。

如果癌症疫苗提供的是癌細胞「通緝令」，Keytruda 負責解除免疫煞車，那這兩項結果自然會讓人想到：癌症疫苗是不是需要適合的免疫環境，或者需要其他療法配合，才能把「認得癌細胞」變成「真的清除癌細胞」？

我覺得這是合理的研究方向，但目前仍是假說。比較穩妥的說法是，個人化癌症疫苗可能有效，但使用情境非常重要。癌種、疾病階段、怎麼挑選患者，以及搭配什麼療法，都可能影響結果。

三、Revolution Medicines 的 Rasonque 正式獲批

8 月 26 日，FDA 批准 Revolution Medicines 的 Rasonque，用於先前接受過治療，或不適合接受多藥治療的成人轉移性胰臟腺癌患者。

四月就寫過三期數據的報導，想不到沒過多久就批了。

Rasonque 是一款 RAS 抑制劑。RAS 是癌細胞裡控制生長訊號的「分子開關」；發生突變後，這個開關可能長期卡在開啟狀態，持續叫癌細胞生長。

在隨機第三期試驗中，Rasonque 相較標準化療，改善了患者的整體生存期、癌症沒有繼續惡化的時間，以及腫瘤縮小的比例。FDA 因此根據一項已有直接生存效益的試驗批准藥物。

另一個值得注意的地方，是 FDA 在原定期限前數個月完成審查。這項申請使用了 Commissioner’s National Priority Voucher（CNPV）等多種加快審查的機制。

CNPV 加快的是 FDA 看資料與做決定的速度。Accelerated approval，也就是「加速核准」，則允許 FDA 根據可能預測臨床效益的較早指標先核准藥物，再要求公司確認患者是否真的活得更久或感覺更好。兩者處理的是不同事情。

Rasonque 已經有隨機第三期試驗，而且主要證據包含患者實際活了多久。這次加快的是審查流程。

我覺得這算是 CNPV 到目前為止比較有說服力的案例。面對胰臟癌這類治療選擇有限、疾病進展又快的癌症，如果資料已經到位，主管機關確實有空間把行政時間壓短。

對產業來說，快速審查最好的辯護，大概還是一份讓人沒有太多話可以說的數據。

四、Curium 擬收購 Lantheus：核藥買的不是一支藥

8 月初，Curium 與 Lantheus 宣布簽署合併協議，最高交易價值約 80 億美元。其中一部分要等 Lantheus 的特定產品達到未來銷售目標後，才會支付。

交易仍須取得股東與監管機關批准。

Curium 的強項包括核種、製造與全球供應。核種是會釋放輻射的特定原子，可以拿來做醫學影像，也可以殺死癌細胞。

Lantheus 則是美國核醫影像的重要業者。它的產品包括用 PET 影像尋找前列腺癌細胞的 PYLARIFY，以及顯示腦中 β-類澱粉蛋白沉積的 Neuraceq。PET 是利用微量放射性藥物，觀察體內生物活動的影像技術。

80 億美元在核藥領域是很大的交易，明顯高於近年幾筆受到關注的同類併購。不過，我覺得金額之外，更值得看的還是它究竟買了什麼。

我會把這筆交易看成平台與營運能力的整併。Curium 帶來製造、供應鏈與診療一體化管線；Lantheus 帶來美國診斷產品與商業網路。

所謂診療一體化，是先用核藥確認腫瘤有沒有特定標記，再利用相同或相近的標靶方式，把治療用的輻射送到腫瘤。

標靶核藥有點像 ADC，也就是抗體藥物複合體。ADC 用抗體把具有殺傷力的藥物送到癌細胞；標靶核藥運送的則是會釋放輻射的核種。簡單講，前者像替細胞毒性藥物加上標靶運送，後者則像替放射治療裝上導航。

核藥還有時間壓力。不同核種有不同的半衰期，也就是放射性降低一半所需的時間。有些核種衰變得很快，無法長時間放在倉庫等待。核種供應、藥品製造、醫院排程與最後一段配送，都要準時接好。

我自己的感覺是，核藥在營運上有些像細胞治療：產品做出來只是其中一段，能不能合規、準時送到病人身上，同樣影響最終價值。

所以我覺得這筆交易最值得注意的地方，是核藥競爭可能正在從「買一支管線」，往整合核種、製造、診斷、治療與商業化能力發展。當每個環節都可能成為瓶頸，控制供應鏈本身就會變成產品策略的一部分。

五、Genentech 引進 Hanmi 的 HM17321：減重之外，減掉的是什麼？

8 月 24 日，Hanmi 宣布將 HM17321 在韓國以外的全球開發、製造與商業化權利授予 Roche 旗下 Genentech。

Hanmi 將取得 1.9 億美元預付款。若藥物順利完成開發、取得核准並達到商業目標，總交易價值最高約 23 億美元；產品上市後另有銷售權利金。

這兩個數字要分開看。23 億美元是所有條件都達成後的最高 headline，今天比較確定的是 1.9 億美元預付款。

HM17321 是一款 UCN2 類似物，也就是模仿人體天然訊號分子 urocortin-2 的藥物。它走的路線和 GLP-1 不同。GLP-1 屬於進食後由腸道釋放的一類荷爾蒙，會影響血糖、食慾與飽足感。

HM17321 的開發目標，是在減少脂肪的同時保存瘦體重，甚至改善肌肉相關結果。目前仍在第一期試驗，重點是確認安全性與藥物進入人體後的變化。支持體組成效益的公開資料主要來自細胞或動物實驗，人體效果還沒有得到證明。

我覺得減重藥市場正在慢慢換題目。最早大家最在意的是「可以減多少公斤」，接下來可能還會問「減掉的是什麼」。

既有研究顯示，使用目前主流的減重藥時，下降的體重包括脂肪，也可能包括瘦體重。瘦體重指脂肪以外的身體重量，除了肌肉，也包括水分、器官和骨骼，所以它和肌肉量不是同一件事。

肌肉功能又是另一個問題，還要看力量、行走速度和日常活動能力。對年長者或原本肌肉量偏低的人來說，這件事其實滿重要的。體重計上的數字變小，和身體功能變好之間，還隔著好幾個需要測量的結果。

Genentech 引進的是一個非 GLP-1 機制。未來如果臨床結果成立，它有機會單獨使用，也可能和現有減重藥搭配。我覺得組合療法是這筆交易滿值得觀察的一部分。

這筆交易真正有意思的地方，是 Roche 與 Genentech 願意花一筆不小的預付款，押注一種不同的減重評分方式。

當高效減重藥越來越多，大家自然會開始比較脂肪減了多少、肌肉保留多少、停藥後能不能維持，以及患者的身體功能有沒有改善。這些結果，可能會成為下一輪差異化的戰場。

把這五件事放在一起看，我覺得其實有一條共同線索：當一個領域發展到某個階段，單看平台名稱已經很難解釋成敗。

mRNA 癌症療法要看癌種、患者與合併療法；監管加速要看背後拿出了什麼資料；核藥的價值很大一部分藏在製造與供應鏈；減重藥也開始從體重計走向體組成和身體功能。

大家問的問題，正慢慢從「這個技術能不能做」，變成「它放在什麼地方最好用，又究竟解決了什麼問題」。

這項試驗納入 1,137 名高風險黑色素瘤患者。這些患者已經接受手術，肉眼可見的腫瘤也已完整切除，但因為疾病分期較高，體內仍可能藏有影像看不到的癌細胞，因此有相當高的復發風險。

研究比較的是：

• intismeran 加上 Keytruda

• 安慰劑加上 Keytruda

Keytruda 是 Merck 的 PD-1 免疫治療藥物，也是黑色素瘤術後輔助治療的選項之一。

所謂輔助治療，就是在手術等主要治療完成後，再加入其他療法，試著清除可能殘留的癌細胞，降低未來復發的風險。

根據兩家公司公布的 topline 結果，疫苗加上 Keytruda，在無復發生存期 RFS，以及無遠端轉移生存期 DMFS，都達到統計顯著且具有臨床意義的改善，也沒有發現新的安全警訊。

RFS 觀察的是患者經過治療後，可以維持多久不復發；DMFS 則是觀察多久沒有出現遠端轉移或死亡。

兩家公司表示，這是個人化新抗原療法與 mRNA 癌症療法第一次取得正面的第三期結果。

較早的第二期試驗只有 157 名患者。經過中位數五年的追蹤，疫苗加 Keytruda 相較於單用 Keytruda，將復發或死亡風險降低 49%，並將遠端轉移或死亡風險降低 59%。

如今樣本擴大到 1,137 人，第三期試驗再次達標，等於把原本令人期待的訊號，往「可能成為正式療法」推進了一大步。

到底什麼是腫瘤疫苗？

我第一次看到腫瘤疫苗這個概念，是 2020 年還在做管顧的時候。

當時我們 pitch 過一個非常早期的腫瘤疫苗案，最後沒有拿到。會議裡幾乎每個人都是第一次聽到，大家都很興奮。

疫苗的核心概念，是訓練免疫系統。

一般疫苗會先把病毒的特徵交給免疫系統，讓它預先認識敵人。等真正的病毒進入人體，免疫系統就能更快辨認並發動攻擊。

這裡會碰到一個專有名詞：抗原。

抗原可以理解成免疫系統能夠辨認的「身分特徵」，通常是一小段蛋白質。如果把病毒想成通緝犯，抗原就是它的臉部特徵。

但癌症比較麻煩。

癌細胞不是從外面進入人體的敵人，而是患者自己的細胞，在累積基因突變後逐漸失去控制。因為它原本是自己人，免疫系統未必能順利辨認。

不過，部分突變會讓癌細胞產生正常細胞沒有的異常蛋白質。這些新的特徵，就叫做「新抗原」。

這裡的「新」，不是指最近才被科學家發現，而是它由腫瘤突變新產生，正常細胞通常沒有。

新抗原就像癌細胞獨有的胎記。個人化癌症疫苗要做的，就是把這個胎記畫進通緝令，交給免疫系統辨認。

「個人化」才是這項技術的重點

每位患者的癌症都不完全一樣。即使兩個人罹患的都是黑色素瘤，腫瘤裡的突變也可能不同。

像黑色素瘤這類突變較多的癌症，一個腫瘤可能累積數百、甚至數千個突變。

但突變不等於新抗原。

有些突變不會產生異常蛋白質；有些雖然產生了異常蛋白質，卻未必能被患者的免疫系統辨認。真正適合成為疫苗目標的，只有其中一小部分。

根據 Moderna 公開的製作流程，公司會比較患者的腫瘤檢體與血液中的正常細胞，找出腫瘤獨有的突變，再利用專有演算法預測最多 34 個最可能幫助免疫系統辨認癌細胞的目標。

接著，公司會把這些新抗原的製造指令放進一條 mRNA 裡。

mRNA 可以理解成一份暫時的製造說明書。疫苗進入人體後，細胞會讀取這份說明書，製造出相對應的新抗原，藉此訓練 T 細胞辨認帶有相同特徵的癌細胞。

每位患者拿到的疫苗，都可能不一樣。

這也是這項技術最有吸引力、同時最麻煩的地方。

六種常見解讀，哪些需要收斂看待？

一、癌症疫苗表示可以預防癌症了？

這次不是這個意思。

試驗納入的是已經罹患高風險黑色素瘤、完成腫瘤切除，但仍可能復發的患者。

疫苗的目標，是讓免疫系統清除可能殘留的癌細胞，降低復發與遠端轉移風險。

所以它是術後輔助治療，不是給健康人打一針，從此就不會得癌症，也不能直接翻譯成「治癒癌症」。

當然，確實已經有疫苗可以預防部分癌症。例如 HPV 疫苗與 B 型肝炎疫苗，是先預防可能導致癌症的病毒感染，進而降低相關癌症風險。

但這與針對患者腫瘤突變設計的治療型疫苗，是不同概念。

而且 intismeran 必須先取得已存在的腫瘤檢體，才能找出個人化新抗原。因此，這次結果不能直接外推成「未來很快就能讓健康人接種，預防癌症」。

二、癌症疫苗已經開發成功？

說「第三期臨床試驗成功」是對的；說「產品已經開發成功」，還要加上一些註解。

這次確實達到 RFS 與 DMFS 兩項試驗終點，不只是看到模糊的趨勢。

但目前只有 topline，也就是公司先公布試驗有沒有達標，以及結果大致是否正面。

第三期的風險比、兩組患者的實際差距、完整存活曲線、中位追蹤時間與詳細安全性資料，都還沒有公布。整體存活期 OS，也就是病人是否真的活得更久，目前仍在追蹤。

簡單來說，我們知道它通過了考試，但還沒有看到完整成績單。

接下來還要等待完整資料發表、主管機關審查，以及對製造與品質管制系統的檢查。

所以更準確的說法是：

第三期臨床試驗成功，讓這項療法朝核准跨出了一大步；但它目前仍是試驗中療法。

三、這是 AI 做出來的？

跟 AI 有關，但不能把整件事都算在 AI 頭上。

黑色素瘤可能帶有大量突變，疫苗卻只能放進有限的新抗原。

Moderna 公開資料中更精確的說法是「專有演算法」。它的工作，是從大量突變中預測與排序，選出最多 34 個最可能幫助免疫系統辨認癌細胞的目標。

所以這不是硬蹭 AI。

但 AI／演算法主要負責預測、篩選與排序，不是按一下按鈕，就把整款疫苗做出來。

後面仍然需要腫瘤定序、免疫學、mRNA 設計、遞送系統、個人化製造、品質檢驗與臨床試驗。

對我來說，比較有趣的是，媒體談 AI 製藥時，大多聚焦在分子設計；這次則是利用演算法，為每位患者挑出不同的免疫目標。

四、和一般疫苗不同，為什麼還能叫疫苗？

因為兩者的核心，都是訓練免疫系統辨認特定抗原。

一般疫苗讓免疫系統認識病毒抗原；治療型癌症疫苗則讓 T 細胞認識癌細胞的新抗原。

差別在於使用時間與目的。

一般疫苗多半在疾病發生以前使用，目的是預防感染；這次的腫瘤疫苗則用在患者罹癌並接受手術之後，目的是降低復發。

所以叫它疫苗並沒有錯。

五、這是下一個 PD-1？

已經聽過太多「下一個 PD-1」了，本來想直接跳過。

PD-1 藥物解除的是一種免疫煞車；個人化癌症疫苗則告訴免疫系統應該攻擊誰。

一個提供通緝令，一個解除煞車，兩者在作用方式上確實很適合搭配。

但個人化疫苗必須依每位患者的腫瘤重新設計。黑色素瘤成功，也不代表結果可以直接套用到所有癌症。

黑色素瘤本來就是突變較多、對免疫治療相對敏感的癌症。其他癌症可能沒有這麼多合適的新抗原，腫瘤周圍的免疫環境也可能不同。

所以至少目前看來，它更像 PD-1 的潛在好搭檔，而不是已經被證明的下一個 PD-1。

從製造模式來看，它反而有一點像自體細胞治療：每位患者都要單獨分析與製造，不能直接從倉庫拿出一模一樣的藥給所有人。

六、癌症疫苗打敗了 Keytruda？

不完全正確。

兩組患者都有使用 Keytruda。

因此，這項試驗證明的是：在 Keytruda 的基礎上加入個人化癌症疫苗，可以帶來額外效益。

它沒有證明疫苗單獨使用可以打敗 Keytruda，更沒有證明疫苗可以取代 Keytruda。

目前的證據支持的是這套組合：疫苗告訴免疫系統要找誰，Keytruda 則解除免疫煞車，讓 T 細胞更有能力發動攻擊。

科學之外，我更在意商業上能不能成立

如果完整數據最後支持這次的 topline 結果，我認為科學上的意義已經相當明確。

但科學上有效，不代表商業上一定容易成立。

對我來說，接下來最大的不確定性，可能反而是商業化。

第一個問題是速度。

一般藥物可以先大量生產並放進倉庫；intismeran 則必須在患者手術後，完成檢體定序、突變分析、新抗原選擇、mRNA 製造、品質檢驗與配送。

這些工作必須在數週內完成。

Moderna 自己也在提交給美國證券主管機關的文件中，把以數週計的生產速度、個人化藥物的製造成本，以及部分患者可能無法產生足夠免疫反應，列為這項計畫的重要風險。

第二個問題是規模。

如果未來有一萬名患者接受治療，Moderna 面對的不是生產一萬瓶完全相同的疫苗，而是一萬批依患者設計的產品。

mRNA 的基本製造平台可以共用，部分流程也可以透過自動化降低成本。Moderna 已經建立 intismeran 專用工廠，希望改善生產速度與成本。

但真正的考驗是：能不能把「每個人都不一樣」，做成一套穩定、可大規模運作的系統？

第三個問題是價格。

這款疫苗目前還沒有公布定價，但每位患者都需要定序、資料分析、專屬製造、品質檢驗與配送，而且還要搭配 Keytruda。

因此，保險公司與公費醫療體系最後不只會看相對風險降低多少，還會問：兩組患者的實際復發率相差多少？效果能維持多久？增加的療效，是否足以合理化疫苗的價格與整套作業成本？

這也是為什麼第三期的完整數據很重要。

第四個問題是能不能走出黑色素瘤。

Moderna 與 Merck 已經在肺癌、腎臟癌、膀胱癌等癌症進行多項臨床試驗。

黑色素瘤的成功，證明這條路可能走得通；能不能在其他癌症中反覆成功，才決定它最終只是一款重要的新藥，還是一個真正可以擴張的平台。

最後怎麼看這件事？

我覺得不需要在兩種極端裡選一邊。

它不是「打一針就不會得癌症」，也不能直接翻譯成「癌症已經被治癒」。

它不是 AI 自己做出來的藥，也沒有在單藥對決中打敗 Keytruda。

完整第三期數據還沒有公布，產品也尚未取得核准。即使未來順利上市，個人化製造、供應速度、價格與支付方式，仍然會是很大的考驗。

但這也不只是炒作。

一個根據每位患者腫瘤突變設計的 mRNA 療法，第一次在超過一千人的第三期臨床試驗中，為現有免疫治療帶來額外效益。

這代表個人化新抗原不只是一個漂亮的免疫學概念，也不再只是早期、小規模的研究。

它真的走到了第三期。

所以我會說：

這不是癌症疫苗故事的終點，而是它第一次真正走到商業化門口。

這扇門能不能打開，還要等待完整數據、法規審查與製造體系回答。

但光是走到這裡，科學上已經是一件值得記住的事。

Subscribe now

如果說 Bucket List 的答案是「我想過什麼樣的人生」，那個人的 P&L，大概就是在回答：「按照我現在賺錢和花錢的方式，有沒有辦法支撐那個人生？」

這張表大概是我從 30 歲的時候開始做，之後每年會定期檢視和更新。

必須老實說，我覺得 30 歲以前的自己，沒有很好的儲蓄習慣。然後有一天，我突然覺得好像開始該存錢了。同時，我在生技／製藥產業裡的職業軌跡，也開始變得相對清楚，所以決定好好記錄和計算這件事。

這是我的觸發條件，不見得適合每一個人，但可以參考：

• 職業軌跡相對明確。 收入、生活模式和居住地點開始具有一定的可預測性。如果未來還存在很大的不確定性，當然還是可以做，只是很多假設會不太準，模型的可信度也會比較低。這時候可能就要把不同情境之間的範圍拉大一點。

• 開始進入需要累積資產的階段。 可能有人會覺得，不是應該隨時都準備累積資產嗎？我自己覺得，這是一個 mindset 的問題。你的 first priority 是累積資產，還是把錢花在學習和探索世界上？這兩件事不互斥，但是一定會有 priority，而這個 priority 會影響你做決定、思考問題和設定目標的方式。

那堂拿到 C 的 Wealth Management

我在讀 MBA 的時候，上過一堂叫作 Wealth Management 的課，是我們學校的招牌課程之一。

其中一個 assignment，是建立一個個人退休計畫的財務模型。簡單來說，就是算自己需要賺多少錢、累積多少資產，才可以退休。

那時候我不是很認真，而且心裡想說：以後我當到 CEO，不就不需要考慮這個問題了嗎？

所以 model 亂算一通，最後那堂課拿了一個紮實的 C。

不過我一直覺得，在某個時間點，我還是需要把這個 assignment 補回來。

一開始做個人 P&L 的時候，我都是用 Excel 建這個財務模型。我甚至曾經想過，可以靠這件事開課賣錢。後來有 AI 了，賣錢的想法也就徹底破滅了。

但換個角度想，AI 的出現，也讓沒有財務模型概念的人更容易開始做這件事。

所以在這篇文章的最後，我會放一個 AI prompt 的架構。不過它不是那種「複製貼上就可以無痛算出人生」的神奇 prompt。模型好不好，還是取決於你有沒有理解裡面的概念，以及你輸入的假設合不合理。

先說，什麼是 P&L？

簡單來說，P&L 就是：

收入－支出＝獲利或虧損

放到個人身上，大概就是：

稅後收入－所有支出＝當年結餘

不過嚴格來說，我做的並不只是一張 P&L。

正式的財務報表裡，P&L 或 income statement 是看一段時間內賺了多少、花了多少；balance sheet 是看某一個時間點擁有多少資產、背負多少負債；cash flow statement 則是看現金怎麼流進流出。

三者其實是不同的東西。我做的版本比較像是三個東西混在一起：

• 個人的 P&L

• Cash flow

• Balance sheet，加上對未來的 forecast

叫它「個人的 P&L」其實不完全精準，但我一直都是這樣叫，所以就先這樣吧，不要太為難自己。

模型最基本的結構

我把錢拆成三個部位：

部位一：現金 （Cash or cash equivalent）

部位二：投資資產

部位三：房產淨值

最後再把三個部位加總：

這裡有一個很容易算錯的地方：投入投資的錢，對 cash 來說是流出，但對總資產來說不是支出。它只是從現金部位，移動到了投資部位。

如果兩邊都扣掉，就會 double count。

幾個先說清楚的財務概念

第一，所有 短期內可以賣掉的東西，你都該考慮放在 cash equivalent 裡面。

正式定義裡，cash equivalents 是短期、高流動性、能轉換成已知金額的現金，而且價值變動風險很低的資產。

所以在我的 model 裡：

• 銀行存款、短期而且低風險的現金管理工具，可以放在現金部位。

• 股票、基金等會有明顯價格波動的東西，統一放在投資部位。

• 房子放在房產部位。

• 其他東西只有在價值夠大，而且真的有可能變現時，才需要考慮。

比如車子。

如果車子不是你資產裡很大的一部分，我個人的建議是不要把 model 搞得太複雜。買車、保養和使用成本直接當成 cash outflow，車子的資產價值可以保守估計，甚至先算成零。

但如果車子的價值或車貸對你的財務狀況影響很大，那資產和負債兩邊還是都要放進去。不然模型會失真。

第二，這不是正式的會計報表。

它的目的是幫助我做決定，不是拿去給會計師查核。所以我會盡量保留重要的東西，但不會為了追求會計上的完美，把自己算到暈掉。

現金部位

收入怎麼算？

收入應該是相對直接的，就是預計接下來每一年可以賺多少錢。

不過還是有幾件事情要注意：

• 使用稅後收入，不要拿帳面薪資直接算。

• 設定合理的薪資成長率，而且最好準備保守、基準和樂觀三種情境。

• 如果有獎金、股票報酬或其他高度不確定的收入，不要每年都預設一定拿得到。

• 租金、接案、版稅或其他第二收入，也可以算進去，但要扣除相關成本和稅。

• 投資收益如果已經放在投資部位，就不要又當成現金收入加一次。除非那筆錢真的有配發出來，而且你拿來使用。

收入要一直算到預計退休的時間。

這也是為什麼我覺得，在職涯軌跡相對穩定之後做這件事，對我來說比較有價值。不然 variation 太大，算出來的可能只是另一種幻想。

支出怎麼算？

支出是整個 model 裡比較複雜的部分。

我的分項原則是：如果一個支出項目有自己獨立的成長曲線，就把它單獨列出來。

主要包括：

• 日常支出。 這個沒什麼好說的，就是開始記帳。如何無痛記帳是另外一個話題，有機會再聊。食、衣、行、娛樂和年度旅遊，都可以算在裡面。每年給自己一個合理的預算，然後記得考慮通膨。不要忽視通膨，你還記得十年前一份排骨便當多少錢嗎？

• 子女教育費和生活費。 這個我會單獨列，因為它有自己的起始時間、結束時間和成長曲線。教育費、生活費和通膨都要考慮。

• 居住成本。 如果沒有自住房，就要算房租，以及房租未來可能的成長。如果準備買房，就要使用另外一組公式。

• 其他家庭支出。 比如父母照護、家庭支持，或其他可以預期的責任。

• 醫療、保險和大額一次性支出。 有些費用不會每年發生，但只要發生就可能很大，最好另外留一列，不要假裝它們不存在。

• 投資與購房造成的現金流出。 這些不一定是「費用」，但因為我們也在看 cash flow，所以還是要從現金部位扣掉，再加到相對應的資產部位。

其實主要的項目就是這些。每個人的人生複雜度不同，可以自己增加或減少，但原則不變：不同成長曲線的東西，盡量不要全部塞在同一格。

房產部位

買房這一塊會稍微複雜一點。

首先，要先做幾個假設：

• 想買多大的房子，以及預計的購買價格

• 什麼時候買

• 首付款多少

• 房貸利率和年限

• 每年的房屋稅、管理費、保險及維修費

• 房產價格未來是否成長，以及成長率多少

在購買的那一年，現金部位要扣掉首付款、稅費、裝修和其他交易成本；房產部位則會多出一筆房子的資產，同時也多出一筆房貸負債。

所以房產淨值不是房子的總價，而是：

房產估值－尚未償還的貸款

理論上，剛買下去的當下，房產淨值應該和首付款差不多，再扣掉那些無法回收的交易成本。

很簡單的概念：如果一買房，模型裡的總淨資產就突然大幅增加，通常不是你在買房的瞬間致富了，而是你的貸款沒有被正確地扣掉。

另外，每期房貸其實包含本金和利息。整筆付款都會讓 cash 減少，但本金會降低負債，利息才是真正的融資成本。

如果不想把 model 做得太複雜，最簡單的方法就是：

• 每年把完整的房貸付款當成 cash outflow。

• 同時按照攤還進度，更新年底尚未償還的房貸餘額。

• 房產淨值永遠用當年房產估值減掉房貸餘額。

這樣大致上就不會錯。

投資怎麼算？

投資的部分相對簡單：

• 先決定身上要保留多少緊急預備金。

• 再決定每年把多少現金放進投資部位。

• 為投資設定一個合理的報酬範圍。

• 把管理費、稅和其他成本考慮進去。

• 不要只算一個報酬率，要同時跑保守、基準和樂觀情境。

這篇不是在討論應該買什麼，也不是在推薦特定的投資方法。

這裡真正重要的是：不要假設每一年都會得到一模一樣的回報，更不要為了讓模型結果好看，就放一個自己也不相信的數字。

這個 model 可以回答什麼？

全部算完之後，大概可以回答幾個問題。

1. 我幾歲可以退休？

或者更精準地說：我幾歲可以不再完全倚賴正職收入？

最簡單的估算方式是：

這裡應該使用「提領率」，而不是直接使用「投資報酬率」。

因為投資不會每一年固定成長，還要面對通膨、市場波動、退休年限和報酬順序的問題。提領率也不是一個永遠正確的固定答案；不同資產配置、退休期間和支出彈性，都可能得到不同結果。

我自己會直接跑幾個版本，比如 3%、3.5% 和 4%。

假設每年需要 120 萬：

• 以 4% 提領率計算，需要 3,000 萬。

• 以 3% 提領率計算，需要 4,000 萬。

光是改變一個假設，結果就差了 1,000 萬。這也是為什麼 sensitivity analysis 很重要。

通常，我會建議第一版先按照自己的夢幻人生去算。不是因為夢幻人生一定會發生，而是你要先知道它到底需要多少錢，以及自己和它之間的差距有多大。

如果最後算出來，發現自己這一輩子可能都無法退休，那也是一個很重要的結論。除了你可能哪裡算錯了之外，你需要重新思考怎麼開源、節流，或調整那個夢幻人生。

2. 現在的工作能不能支撐未來？

即使完全不談提早退休，這個 model 還是可以回答：

• 現在的收入軌跡，能不能支撐未來的生活？

• 買得起想要的房子嗎？

• 如果收入突然中斷，可以維持多久？

• 如果要照顧父母或負擔子女教育，現金流會不會出問題？

• 某一筆大額支出，會把其他目標往後推多少年？

3. 我的容錯度有多高？

在把 model 調到一個合理範圍之後，有幾個變數值得用 sensitivity analysis 跑一遍：

• 投資報酬率

• 通膨率

• 薪資成長率

• 退休年齡

• 房價與房貸利率

• 大額支出的金額和發生時間

至少準備保守、基準和樂觀三種情境，看看在相對保守的情況下，自己是不是還能達成主要目標。

你也會慢慢發現，這個模型可以回答的問題，比想像中多很多。

甚至包括：換工作的時候，你有多大的底氣，可以對一份爛工作說不。

Model 不是算命

這張表做完之後，還是要定期檢視和更新。

實際收入改變了，就更新收入；生活成本增加了，就更新支出；買房計畫延後了，就把時間往後移；投資結果和原本假設不一樣，也要把起始資產改成真實數字。

Model 不是算命。

它不會告訴你二十年後一定會發生什麼。它只是把你對未來的假設攤開來，讓你知道：

現在的決定如果一路延伸下去，大概會把你帶到哪裡；以及哪一個假設一改變，你的人生計畫就可能需要跟著調整。

對我來說，這才是做這張表真正有價值的地方。

怎麼讓 AI 幫你開始？

以前我都是用 Excel 自己建模。現在有 AI 之後，就算沒有財務模型的基礎，也可以先讓 AI 幫忙建立結構。

但我不建議直接丟一句「幫我算幾歲可以退休」，然後相信它吐出來的答案。

可以從下面這個 prompt 開始，再根據自己的人生修改。

請自行填入 X，然後你會發現，X才是你真正需要思考的人生問題：

說實話，我不是 AI 高手，如果你可以把 prompt 寫得比我更好，請用你自己的版本。

而且，這個 prompt 不是標準答案。

每個人的收入結構、家庭責任、買房計畫和人生目標都不同，還是要自己理解每一個變數，再決定要不要放進 model 裡。

最後，想再說一次，這個 excercise的重點，是幫助你去想清楚 prompt 裡面列出的 X。

或者，更重要的，還有哪些 X ，根本沒有被列出來，卻至關重要。

話說回來，如果對 modeling 有興趣，也可以單純拿這個練習一下。非常好玩。

中年男子的興趣之一：玩 Excel modeling。很無聊，我知道。

好啦，希望你算完之後，能對自己的人生感到滿意。

Or, if not, I hope it kicks your ass into action.

前面十年，更多的重心是放在一張叫做 Bucket List 的表。這張表裡面，我列了 100 件事。

Bucket List 的概念就是遺願清單，字面上的意思，就是死前想完成哪些事。

我當初會寫這張清單，是因為看到一個外國人的部落格，上面列了他的 100 件事。那時候我大受震撼：原來這個世界上還有這些地方，還有這些事情可以做。

我知道很多人都會寫 Bucket List，但像我這樣真的寫了 100 件事情的人，應該不多。

最難的是剛開始寫的時候。那時候根本湊不到 100 件，有些真的是濫竽充數。那時候也沒有 AI，所以我就是上網查，看別人寫了什麼。然後發現，別人寫的多數也很爛，但還是有不少值得參考的。

清單上第一個被我完成的事情，是去 Hollywood 看 Hollywood Sign，而且是真的走上山、走到很近的地方去看的那種。

那時候覺得這件事情很酷。以前只在電影裡看過的場景，突然真的出現在自己眼前。現在回頭看，這件事好像也沒有多了不起，但我還記得第一次從清單上劃掉一件事情的感覺。

這個清單不是寫完之後就放著不動，它也是一直在演化的：

• 看到更有趣的事情，我就會加進來。

• 發現有些事情其實沒那麼想做，我就會把它挪掉。比如我最開始寫過「參加六馬」，但我實在沒有那個動力。不過這件事，倒也讓我認識了六馬。

• 有些事情是真的太困難，短時間內看不到可行的路徑，我也會先刪掉。比如最開始的版本裡有「登上外太空」，但這可能是幾十年後的事，所以後來也被我替換掉了。

這張表在我 32 歲，也就是大學畢業滿十年的時候，被我 archived 了。那時候我已經完成了 84 件。剩下的 16 件，是我覺得未來十年都沒有實現的可能，所以就先被我封存了。

在完成的 84 件裡面，有幾件是我自己到現在都還很喜歡的：

• 出書

• 令人靜默的場景，例如馬丘比丘、復活節島、Patagonia

• 在聖托里尼看落日

• 看到小孩出生，而且親手剪臍帶

• 參加一場非洲當地的婚禮慶典（那次是我的 MBA 同學邀請我去參加他的婚禮）

現在回頭看，這幾件事情其實完全不一樣。有些是旅行，有些是工作上的 milestone，有些則是人生中只會發生一次的事情。但在那張表上，它們一開始都只是一行字，後來卻真的一件一件發生了。

即便如此，我仍然覺得，這對我而言曾經是一個非常好的習慣。

現在回頭看，這張表最大的價值，可能不是讓我完成了 84 件事，而是它在幾個方面影響了我：

• 幫助我認識自己。 有些事情被我放在清單上很多年，我卻完全沒有想去實現的慾望，那就表示我可能真的沒有那麼喜歡；有些事情則是完成了之後，發現好像也不過就是這樣。做了、沒做，甚至做完之後覺得失望，其實都是一種答案。它們讓我慢慢知道，哪些是我真正想要的，哪些可能只是我以為自己應該想要的。

• 幫助我看見這個世界上存在哪些可能性。 為了湊足 100 件，我查了不少資料，真的讓我大開眼界。像是世界三大嘉年華、七大奇蹟這些，我從那時候開始就可以倒背如流。為了繼續充實這張表，我也會一直關注還有哪些好玩的事，以及別人做過哪些好玩的事。

• 讓人生的某些階段有一個具體目標。 我很喜歡每次旅行都有某個特定目的、每一段時間都有一件很想完成的事的感覺。這張表讓我不只是想著「有一天要去」，而是真的會找機會把一些事情做掉。

回頭看，當初的我其實完全沒有這個意識，但這個 list 很大程度反映了我的價值觀、我是什麼樣的人、我缺少什麼，以及我想追求什麼。

甚至可以說，讓別人看到這張清單，可能就像讓自己完全毫無防備地展現在別人面前。

也因為這樣，我越來越覺得，清單的內容其實是很私人的事情。

不需要為了放在網路上、讓別人覺得自己很酷，就故意寫一些連自己都不見得喜歡，也不見得真的想追求的事情。重點還是真實（當然還是要合法、合乎社會善良風俗啦）但除此之外，就是去觀察自己內心真正想要的是什麼。

這張清單也不是拿來跟別人比較的。

每個人的成長路徑本來就不一樣。有人三歲就出國，有人大學畢業之後才第一次出國；有人從小就接觸滑雪，有人像我一樣，到 25 歲才第一次站上雪地。這並不影響哪一種人生比較精采，重點還是活出自己的版本。

滑雪當時也在我的清單上。那次的過程非常精彩，精彩到差一點掛掉，不過這是另外一個故事了。

所以，這 100 件事，很大程度上幫助形塑了那段時間的我。

囿於裡面有些內容實在太幼稚了，我就不分享完整的清單了。

但是，如果說真的有什麼我希望可以和別人分享的，那我覺得會是：每個人或許都可以試著找一個方法，去想像自己的人生還有哪些可能性。

至於用什麼方式、寫多少件，以及從什麼時候開始、什麼時候結束，我覺得還是要找到最適合自己的方式。

不過我是真的覺得，寫到 100 件很棒。

不是因為 100 這個數字比較厲害，也不是單純為了湊數，而是它會逼迫自己繼續思考。前面二三十件通常不難，寫到後面，才會開始去想：除了那些最直覺的答案以外，這個世界上還有什麼？我到底還想做什麼？還有沒有一些我現在根本不知道，但知道以後可能會很想體驗的事情？

畢竟，我自己就是看到別人的 100 件清單，才開始了這段旅程。

這也是我想分享這件事的原因。說不定世界上也有某一個人，看到這篇文章之後受到一點啟發，開始寫下自己的清單，然後開啟一段屬於他的旅程。

其實這篇原本想講的是第二張表。這大概是我從 30 歲開始寫的一張表。

想不到第一張表就講了這麼多。

第二張表，是個人的 P&L。

這個下一篇繼續講。

「嗯，要先跟你說 076 的。」全恩把 019-076 的資料繼續往下拉。

「076 的情況穩定以後，研究中心補送的護理紀錄裡，多了一筆訪客紀錄。」

「訪客紀錄？」

「有一名自稱申辦方安全性人員的人，到病房確認受試者的情況和試驗用藥。」

「申辦方就是我們？」

「嗯。但是我查過這個個案的聯絡和訪視紀錄，菲克和我們 CRO 都沒有人安排過這次訪視。」

溫以洛皺起眉頭。

「這筆資料，你之前沒有看到嗎？」

「我下午看的時候還沒有。這是研究中心今天傍晚才補送的。」

全恩點開檢驗結果。

「那個人離開以後，076 的病情突然惡化。沒有再次高燒，感染指標也沒有升高，代謝數值卻在短時間內嚴重偏離。接著再次出現嚴重心律不整，最後搶救無效。」

「嗯。」溫以洛沉默了一下，「那 020-003 呢？」

高燒就醫後，潘思葵已經在醫院住了快兩天。

一開始是持續高燒。接受退燒、輸液和其他支持性治療後，體溫一度降了下來，心律和幾項檢驗數值也沒有繼續惡化。

但因為她的病史，加上正在參加臨床試驗，醫師仍然決定讓她留下來觀察。

這兩天，柯泰俊請假待在家裡照顧小斌。

住院第一晚，潘思葵打了視訊電話。小斌一看到她手上的點滴就開始大哭，怎麼樣都不肯掛電話。她費了很大力氣，才讓他相信媽媽只是留在醫院做檢查，很快就會回家。

第二天，小斌仍然不肯接受這個說法。最後，柯泰俊只能答應每天睡前讓他和媽媽視訊，再把那台龍貓公車放在枕頭旁邊。潘思葵則在視訊裡跟小斌講了一遍龍貓的故事。

住院的事情，除了柯泰俊，潘思葵沒有告訴任何人。

她不喜歡別人來探病，也不想一遍又一遍解釋自己的病。柯泰俊幾次說要帶小斌過來，都被她拒絕了。反正自己能處理的事情，她一向習慣自己處理。

當晚的視訊結束後，病房再次恢復寂靜。

走廊偶爾傳來推車輪子壓過地面的聲音。

潘思葵打算早點睡覺。其實她覺得自己已經完全沒事了。

這時，有人敲響了病房的門。

「020-003 也出現了代謝異常和心律不整。接受輸液和其他支持性治療後，數值暫時穩定。」

溫以洛盯著兩名受試者的紀錄。

「高燒、代謝異常、心律不整、住院，然後情況穩定。」

他指向 019-076 的資料。

「076 就是在情況穩定之後，出現了那個不知道是誰的訪客。」

全恩用力點頭。

「那個人離開以後，076 突然惡化，最後死亡。」溫以洛慢慢地說，「現在 003 已經走到病情穩定這一步了。」

兩人沉默了幾秒。

「所以，阿基當時就已經發現這兩名受試者的情況很像了。」

「具體我不知道。」全恩搖頭，「但他⋯⋯可能也覺得不對勁吧。」

溫以洛覺得自己的喉嚨很乾。

「打電話去研究中心。」

「有⋯⋯必要嗎？這些都是猜想。」

「你說呢？」

全恩沒有再說話，只是拿起手機，找到 020 研究中心研究團隊的緊急聯絡電話。

響了幾聲後，電話接通。

「您好，我是 FICT-101 試驗的 CRA，全恩。我想確認 020-003 現在的情況。」

電話另一頭的人回答了幾句。

「還在住院觀察嗎？」全恩問，「呃⋯⋯自己一個人嗎？現在病房裡有誰？」

她突然不說話了。

溫以洛站起身。

「怎麼了？」

全恩沒有理他，緊緊握住手機。

「您說，他出示了識別證，說是申辦方派去的人？」她問，「能否問一下，他叫什麼名字？」

電話另一頭再次回答。

全恩的臉色變了。

「我們沒有安排任何安全性訪視。」

她抬起頭，看向溫以洛。

電話另一頭的人沉默了幾秒。

接著說：

「那個人現在就在 020-003 的病房裡喔。」

前一章：麥可威爾綜合症｜15

「媽媽！」

潘思葵蹲下來，才剛張開手，小斌整個人便撞進她懷裡。

「慢一點啦！」

「我今天有乖喔。」

「老師說你中午不睡覺。」

「我有躺著啊。」小斌伸出兩根手指，比出一條很小的縫，「只有動這樣。」

潘思葵強忍著翻白眼的衝動，牽著他往回家的方向走。

午後的熱氣還留在人行道上，空氣裡有著車輛廢氣與路邊攤的油煙味。

小斌一路踩著人行道上的磁磚線，走得歪歪扭扭。經過一間店門口時，他突然掙開潘思葵的手，跑去追地上的鴿子。

結果當然是被痛罵一頓。

事實上，這一路上，小斌因為各種行為不斷被罵。例如亂撿地上的東西起來聞、突然倒退走路擋到其他行人等等。

基本上都是以大哭幾聲，再被潘思葵哄一哄收尾。

潘思葵覺得自己今天尤其累，情緒也尤其容易失控。

他們在家門口的馬路對面等紅綠燈。綠燈亮起，正準備過馬路，小斌卻像是突然想到什麼，停了下來。潘思葵已經控制不住自己，準備把他揍一頓。

這時，小斌從口袋裡掏出半塊碎掉的餅乾。

「這個給你。」

「哪裡來的？」潘思葵的聲音冷了下來。

「下午的點心。我留給你的。」

餅乾上沾滿細小的棉絮，還有一些不知道是什麼的黑點。

潘思葵盯著看了幾秒，嘆了口氣。

「怎麼不直接吃完就好呢。」

「老師說，食物很珍貴啊。」

「嗯？」

「媽媽也很珍貴啊。」

小斌把餅乾塞進她的裙子口袋。

潘思葵苦笑，一把抱起他，快步走過馬路。

「媽媽，你明天也會來接我嗎？」小斌順勢磨蹭著潘思葵的臉。

「會啊。」

「一直一直都會嗎？」

終於過了馬路，潘思葵放下他，蹲在他面前，想了想，然後點點頭。

「媽媽會努力保持健康，這樣就會一直一直來接你。」

小斌似懂非懂地點點頭：「那要記得吃餅乾喔。」

潘思葵笑了。她站起身。

那一刻，她突然有點暈眩。

「糟糕⋯⋯今天身體有點怪怪的。」她有種不好的預感。

「什麼模式？」溫以洛問。

全恩用快速鍵把畫面切回 019-076 的資料。

「基哥出事前一天上午，076 開始高燒。當天晚上，除了高燒，還出現代謝異常和心律不整，後來住院。」全恩說。

「嗯⋯⋯什麼叫代謝異常？」

「嘖，跟你溝通真的很累。」全恩皺著眉，「你就把它理解成，身體原本維持得好好的平衡，突然亂掉了。嚴重的話，連心臟都會受到影響。」

溫以洛似懂非懂地點點頭。

「住院以後呢？」

「076 接受退燒、輸液和其他支持性治療，情況一度穩定下來。體溫降了，心律也暫時恢復正常。」

全恩打開另一個視窗。

「另一名受試者 020-003，是在同一天下午開始高燒。基哥查看這個個案的時候，還只看到高燒，沒有其他異常。」

「兩個人是同一間醫院嗎？」

「不是。你看受試者編號的前三碼不就知道了。」

溫以洛盯著螢幕上的兩條時間軸。

「所以，開頭都是高燒。」

39 度。

潘思葵把體溫計拿遠了一點，又看了一遍。

還是 39 度。

潘思葵苦笑。

客廳的冷氣開著，她身上卻仍不斷冒汗。

自從有了小孩以後，生病彷彿變成了一種特權。

身體不舒服，也沒辦法直接躺下來。還要先想晚餐怎麼辦、小孩誰洗澡、阿俊幾點回家。就連去醫院，也要先確定有人可以照顧小斌。

她在十年前確診麥可威爾綜合症。

這個病的名字聽起來很複雜。對潘思葵來說，其實就是平常和一般人差不多，但一旦發作，身體裡的發炎和代謝卻會一起失去控制。

剛確診的前幾年，她一年只發作幾次。通常是突然發燒、全身痠痛，睡一覺就會慢慢恢復。

但反覆發作久了，身體似乎也越來越難恢復原狀。

這幾年，她發作得越來越頻繁，有時候甚至會嚴重影響正常作息。

為此，當她發現自己懷孕的時候，還一度考慮人工流產，但最後還是過不了心裡的那一關。

後來，這也成為她決定參加 FICT-101 臨床試驗的原因。

不過一直以來，短暫發燒還算常見，持續高燒卻不是。

更麻煩的是，如果這次不是麥可威爾綜合症發作，而是具有傳染力的病毒感染，事情就會變得更加棘手。她現在的生活可沒有這種奢侈。

「媽媽，吃餅乾就會好了。」

小斌從她口袋裡拿出那半塊餅乾，遞到她面前。

「好喔，媽媽等等就吃。你乖喔，我打電話給爸爸。」

潘思葵勉強笑了一下，拿起手機打給柯泰俊。

「阿俊，你現在可以回來嗎？」

「現在？還在公司耶。怎麼了？」

「我發燒，39 度。要去一下醫院。」

電話另一頭安靜了一下。

「我馬上回去送你去醫院。」

「不用。我自己去，你回來顧小斌。」

「好。」

潘思葵掛斷電話，又打給研究中心的緊急聯絡電話。

通話結束後，她從沙發上站起來。

眼前突然黑了一瞬。

她伸手扶住桌面。

「媽媽，你要去哪裡？」

小斌站在她身旁，抬頭看著她。

「媽媽去醫院一下。」

「你今天還會回來嗎？」

潘思葵蹲下來，把他抱進懷裡。

「媽媽一下就回來了。」

下一章：麥可威爾綜合症｜16

前一章：麥可威爾綜合症｜14

標題叫「茶餘飯後」，是因為它不太是寫給 BD／Corporate Development 專業人士看的。這類資訊，已經有太多專業管道。

但如果你是：

• 相關產業人士，茶餘飯後想多一點談資

• 正在準備相關面試的人

• 已經在產業裡，想轉換跑道或多累積一些不同視角的人

那也許會有一點幫助！

一、Vertex 收購 Crinetics：如果你認得的美國藥廠只有 Big Pharma，建議補上 Vertex 這家公司

如果你對美國藥廠的認識主要停在 Pfizer、Merck、禮來或 BMS，Vertex 是一家值得認識的公司。

Vertex 成立於 1989 年，是 biotech 從新藥研發一路長成大型生技公司的經典案例。它在 2025 年創造了約 120 億美元營收，這個規模已經超越不少習慣被歸類為 Pharma 的公司。

Vertex 的基礎，建立在囊性纖維化（CF）。

CF 源自 CFTR 基因變異。Vertex 開發的藥不是只處理症狀，而是改善異常 CFTR 蛋白的數量或功能。它透過新的藥物組合與適應症擴張，逐步讓更多患者可以接受治療。

這是一條很值得認識的 biotech 成長路徑：先把一段 biology 研究得夠深，做出第一款藥；再圍繞同一個疾病與機轉持續改良，把單一產品擴張成一整個產品組合，最後用賺到的現金支持下一輪研發。

但這種成功也會帶來問題。

CF 畢竟是罕見疾病，可治療的病人人數有相對明確的上限；直到今天，CF 仍是 Vertex 最重要的收入來源。當一家公司已經把一個領域做到接近極致，下一個問題就會變成：離開這個領域之後，它還能不能再成功一次？

過去幾年，Vertex 已經開始回答這個問題。與 CRISPR Therapeutics 合作開發的 CASGEVY，把它帶進血液疾病；JOURNAVX 進入疼痛；收購 Alpine，則取得以 povetacicept 為核心的腎臟與自體免疫管線。

七月，Vertex 又宣布以每股 85 美元現金、總股權價值約 100 億美元收購 Crinetics。這是 Vertex 歷來最大的一筆收購，目前預計在今年第三季完成。

Crinetics 帶來兩項主要資產：已在美國上市、治療成人肢端肥大症的口服藥 Palsonify，以及正在進行先天性腎上腺增生症第三期試驗的 atumelnant。這讓 Vertex 的商業與後期管線再加入內分泌領域。

Vertex 買到的不只是一款上市產品和一款後期資產，還包括一家長期專注內分泌疾病的公司，以及它累積的研發、臨床與商業化能力。自己從零建立一個治療領域可能需要很多年；收購的其中一項價值，就是把這段時間直接買下來。

這也是為什麼我覺得 Vertex 值得被認識。

它不只是靠一款明星藥物成功的 biotech；它正在示範，一家靠單一疾病長大的公司，要如何面對最困難的第二幕。

二、argenx 收購 Forte

argenx 宣布以每股 77 美元現金、總股權價值約 22 億美元收購 Forte Biosciences。Forte 手上其實只有一項臨床資產：抗 CD122 抗體 FB102。

先講 argenx 自己。

我一直蠻關注 argenx。我認為它是一家真正靠 first-in-class biology 建立起來的公司。

許多成功的自體免疫藥物，選擇阻斷發炎細胞激素，或清除會產生自體抗體的 B 細胞。argenx 選了另一個位置：FcRn。

FcRn 原本負責回收 IgG，避免它太快被分解。把 FcRn 擋住，包含致病自體抗體在內的 IgG 就會更快被清除。argenx 靠這個機轉做出了 VYVGART，也建立起今天的公司。

所以，它花 22 億美元買一項仍在早期臨床開發的資產，乍聽確實不便宜。關鍵在於，FB102 已經有兩組患者資料。

Phase 1b 並不是規格完全統一的標籤。判斷早期臨床資料的價值，不能只看試驗叫 Phase 1 還是 Phase 1b，而要看受試者是不是病人、有沒有對照組，以及觀察的是安全性、生物標記，還是療效。

Forte 的乳糜瀉與白斑症試驗都是隨機、雙盲、安慰劑對照，分別收了 32 與 43 名受試者。乳糜瀉試驗觀察腸道組織、發炎指標與麩質激發後的症狀；白斑症試驗則直接使用臉部白斑面積評分（FVASI）作為主要療效指標。

樣本都不大，不能取代後續試驗，但證據強度仍高於單臂、開放標籤的早期資料。這就是「一項早期資產」可能包含的差別：有些買的是機轉假說，有些已經在患者身上看到初步訊號。

當然，真正的風險還沒有消失。後續試驗仍要回答效果有多大、能維持多久，以及樣本擴大後能不能重現。FB102 的乳糜瀉第二期試驗正在進行，預計今年下半年讀出。

跟 Vertex 放在一起看很有意思。

Vertex 買的是一個治療領域：上市產品、後期管線與商業化能力；argenx 買的是免疫系統裡一個新的攔截點，以及它可能延伸出去的多個適應症。一個補商業版圖，一個延伸科學判斷。

而且 argenx 並不是到七月才注意到 Forte。它今年四月已經先策略投資這家公司；七月白斑症資料公布後，雙方才宣布整體收購。這比較像先建立關係，再隨著臨床證據增加而加碼，而不是突然押注。

這也是我覺得這筆交易最有意思的地方。FB102 畢竟是外部資產。argenx 開始證明的，不只是自己能找到新的 biology，也包括能不能從外部提早認出好的 biology。

它正在把自己的 discovery engine，延伸成一個 biology selection engine。

一家好的 biotech，不一定要自己發現每一個好 biology；但最好能比別人更早認出它。

三、第一款口服 PCSK9：大環胜肽先走到終點

FDA 核准了 Merck 的 Lipfendra（enlicitide）。這是第一款口服 PCSK9 抑制劑；在此之前，這類藥都是針劑。

它不是第一款獲批的大環胜肽。早在幾十年前，環狀胜肽 cyclosporine 就已經可以口服。enlicitide 真正特別的地方，是它把一個過去主要由注射型生物藥處理的標的，做成了可以口服、可以大量生產，最後也取得核准的產品。

胜肽要做成口服，一直有幾個基本問題：吃進肚子後容易被消化，也很難穿過腸壁。等到分子設計得夠複雜，怎麼穩定、有效率地做出來，又會成為下一關。所以我一直對胜肽的 CMC，也就是製程開發、品質控制與量產相關的進展蠻感興趣。

看到這則新聞後，我還特地找做 CMC 的朋友聊了一下：把 PCSK9 抑制劑做成大環胜肽，意義到底在哪裡？真正的突破又發生在哪裡？

先從 PCSK9 說起。

肝細胞表面的 LDL 受體，負責把血液裡的壞膽固醇帶進肝臟清除；PCSK9 與受體結合後，會讓受體被分解。把 PCSK9 擋住，受體就能繼續工作。

這個機轉早已被單株抗體證明有效。所以 enlicitide 要回答的不是「PCSK9 能不能成為藥物標的」，而是：能不能把原本需要注射的作用方式，放進一顆藥丸？

困難來自 PCSK9 的形狀。

許多小分子藥物的工作方式，像是把鑰匙插進鎖孔。它們體積小，只要蛋白質表面有一個形狀合適的口袋，就可能牢牢卡進去。

但 PCSK9 與 LDL 受體之間的接觸，更像兩隻手掌貼在一起：面積較大，也相對平坦。一般小分子不是絕對做不到，但要直接蓋住這類蛋白質接觸面，通常比較困難。

單株抗體剛好相反。它夠大，可以像手套一樣包住 PCSK9，卻也因為本身是大型蛋白質，吃進肚子後會被消化，很難做成一般藥丸。

大環胜肽位在兩者之間。

胜肽是由胺基酸組成的短鏈。它比一般小分子大，可以用多個位置同時接觸 PCSK9；又遠比單株抗體小，仍然保留口服的可能。

「大環」則是把這條胜肽鎖成固定形狀。一般胜肽像一條柔軟的繩子，容易被消化酵素切斷，碰到標的時也要先折成正確形狀。把它扣成環狀，就像把繩子變成一只手環：形狀比較穩定，也較有機會抵抗分解。

這是大環胜肽受到重視的原因。它可以直接處理小分子不容易抓住的蛋白質接觸面，又不像單株抗體一樣，從一開始就排除了口服的可能。

當然，大環胜肽並不是 PCSK9 唯一的口服解法。Novo Nordisk 曾有另一款口服胜肽，AstraZeneca 的小分子 laroprovstat（AZD0780）也已經進入第三期試驗。

所以，更準確的說法應該不是「只有大環胜肽做得到」，而是：同一個標的可以有不同的化學解法，enlicitide 是第一個一路走到核准的口服產品。

而它最難跨過的，可能還不是療效，而是吸收與製造。

Lipfendra 的口服生體可用率約為 1%，藥錠中還加入 sodium caprate 幫助腸道吸收。病人必須在早晨空腹服用，服藥後至少等三十分鐘才能進食；如果在飯後服用，藥物暴露量大約會下降一半。

做出足夠的量也不容易。

enlicitide 結構複雜，含有多個環與非天然胺基酸。藥物化學製程步驟不少。步驟越多，整體產率越低，純化與大量製造也越困難。

Merck 最後開發出一整套為 enlicitide 量身打造的酵素，分別完成胜肽片段的形成、接合與成環，再用結晶取代層析。新製程把步驟減少一半以上，並完成多公斤規模的生產。

這是一個重要的存在證明，但還不是可以直接複製的製程模板。下一個大環胜肽，仍可能需要重新設計自己的分子、吸收方式與酵素。真正可以帶到下一個產品的，是利用生物催化處理複雜胜肽的策略，不是這一套酵素本身。

所以，enlicitide 的意義不在於證明大環胜肽是唯一答案，而是證明這條很難的路確實可以走完：一個用來阻斷大型蛋白質接觸面的複雜胜肽，可以跨過口服吸收與大量製造的門檻，最後成為一款獲准上市的藥。

至於它能不能改變慢性病市場，現在還不能下結論。心血管結果試驗仍在進行，空腹限制也可能影響實際使用。

FDA 核准證明它可以成為一款藥；市場接不接受，則是下一道門檻。

四、三期臨床試驗成功，一定會上市嗎？

答案是不一定。它甚至可能連藥證都不申請。

熟悉 probability of success（POS）這個概念的人，應該看過類似的數字：在大型資料庫中，所有進入 Phase 3 的計畫，最後約有 55%–60% 走到 NDA／BLA 送件。這不是說「Phase 3 達標後，只有 55%–60% 會送件」；它只是記錄一個計畫最後有沒有進入下一階段，通常不會拆解背後的原因。

包括我自己，看到一項藥物停在 Phase 3，直覺想到的通常是試驗沒達標，或出現安全性問題；比較少想到另一種情況：試驗結果明明是正面的，公司卻自己決定不送件。

Sanofi 的 amlitelimab 是最近期的案例。

這是一款抗 OX40L 抗體，原本用來治療中重度異位性皮膚炎。OX40L 參與 T 細胞免疫反應的早期啟動；阻斷它，理論上可以從較上游的位置調節發炎反應，而且不必清除 T 細胞。

它的三期結果並不是全面失敗。COAST 1 與 SHORE 達到各自的主要及關鍵次要終點；COAST 2 達到美國採用的主要終點，但沒有達到歐洲要求的共同主要終點。長期延伸試驗 ESTUARY 也顯示，臨床反應可以長期維持而未復發。

今年一月，Sanofi 還表示將推進全球送件；到了七月，卻決定停止這項適應症的開發。理由是，綜合目前的療效與安全性資料，amlitelimab 不足以對現有標準治療帶來有意義的改善。

它有效，只是沒有好到值得送件。

這裡的「不夠好」是相對的。異位性皮膚炎已經有阻斷 IL-4／IL-13 路徑的生物製劑，以及 JAK 抑制劑。後來者不只要證明自己勝過安慰劑，還要回答病人、醫師與付費者為什麼要換藥。

amlitelimab 原本可能的差異之一，是每十二週給藥一次；但從 Sanofi 最終的決定來看，這項便利性仍不足以支撐整體產品定位。

今年三月，另一款抗 OX40 抗體 rocatinlimab 也因持續累積的安全性資料而停止臨床試驗。一個倒在安全性，一個倒在差異化，異位性皮膚炎裡走在最前面的兩項 OX40／OX40L 計畫都停了。

但 amlitelimab 並未完全結束。乳糜瀉的第二期試驗仍在進行，預計今年下半年公布結果；前面提到的 argenx 買下的 FB102 也正在開發乳糜瀉。這也提醒我們，停止一個適應症，不等於整個機轉已被否定。換到現有治療較弱的疾病，差異化門檻也可能不同。

跟我六月寫過的 AbbVie 收購 Apogee 放在一起看，難免有點五味雜陳。Apogee 沿用已被驗證的 IL-13 路徑，主要改善半衰期與給藥頻率，卻得到約 109 億美元的價格；amlitelimab 選擇新的上游機轉，多項三期結果為正，最後仍停在送件之前。

這也是 POS 不會告訴你的事。當標準治療已經夠好，所謂的三期成功，只代表藥物跨過了統計門檻；它是否值得上市，還要跨過臨床差異與商業價值的門檻。

五、美國準備改寫動物試驗規則

美國眾議院七月通過《FDA Modernization Act 3.0》，要求 FDA 把指定法規條文中的「動物試驗」改為範圍較廣的「非臨床試驗」。法案還須參議院正式同意眾院版本並由總統簽署，目前尚未生效。

這很容易被寫成「美國要取消動物試驗」，但其實不是，而且也不是這個主題第一次出現。

2022 年通過的 2.0，已把非動物方法納入可用來支持申請的非臨床證據；這次主要是要求法規文字跟上。它不禁止動物試驗，也不代表 FDA 必須接受任何一套新方法。

把時間線拉長來看，方向其實很清楚。FDA 先在 2025 年公布減少動物試驗的路線圖，2026 年三月再發布新型非臨床方法草案；七月的法案則要求法規跟進。

動物試驗長期以來的問題，不只在於成本、時間與倫理。更根本的是，動物畢竟不是人類；物種之間的免疫、代謝與疾病機轉不同，動物身上的結果不一定能準確預測人體反應。但新方法也不是只要看起來更先進，就一定更可靠。最後仍取決於驗證、重現性，以及 FDA 是否信得過這套證據。

我自己的想像空間，在於它可能與 AI 藥物設計形成一套組合拳。如果 AI 能加快分子設計與優化，新的非臨床方法又能縮短後續驗證，從找到分子到進入人體的速度與開發模式，都可能被重新定義。

更大的想像還在後面：十年甚至數十年後，這些方法能不能進一步改變人體試驗？完全取代目前還太遙遠，因為真實療效、族群差異與罕見副作用，仍很難只靠模型回答。但它們有可能讓人體試驗變得更小、更精準，甚至在特定環節取代部分人體資料。

六月寫 Operation TrialBlazer，重點是縮短從 pre-IND 到人體試驗的路徑；這次處理得更上游：進入人體前，什麼證據才算合格。放在一起看，美國要改的不只是審查速度，而是從藥物設計、臨床前驗證到人體試驗的整條早期開發路徑。

追蹤一些之前寫的事件進展

六月我寫過，GSK 以 106 億美元收購 Nuvalent。交易共帶來三項肺癌資產，其中核心是兩款正在接受 FDA 審查的標靶藥。

當時我的判斷是：GSK 買的是接近上市的確定性。

七月十五日，GSK 完成收購。七天後，其中一款藥 zidesamtinib 就取得 FDA 核准。

從宣布收購到藥物獲批，一共 43 天；從交易完成到獲批，只有一週。

六週左右，就把「風險折價」變成一個具體的時間刻度。付出高溢價買下一項接近終點的資產，換到的是這六週，以及核准之後消失的那一部分不確定性。

四月我也寫過 FDA 的 Commissioner’s National Priority Voucher（CNPV）。這是一項試辦中的快速審查機制，目標是在完整申請送件後的一到兩個月內作出決定。

不過，這一到兩個月並不是 FDA 從頭開始工作的全部時間。CNPV 還包括送件前的密集溝通、提早提供部分資料與 rolling review；FDA 目前也要求申請人在完整送件前，先提供 CMC、標籤草案與製造設施等資料。

當時，禮來的口服 GLP-1 orforglipron 在送件 50 天後獲批。

七月，enlicitide 也透過 CNPV 獲批。Revolution Medicines 的 daraxonrasib 則獲 FDA 受理上市申請，並將透過 CNPV 審查。

orforglipron 與 enlicitide 至少說明，CNPV 可以在不只一個新藥案例中，大幅壓縮完整送件後的正式審查時間。但它仍是試辦計畫，一到兩個月只是目標，FDA 也保留延長審查的權利。

所以我四月的結論仍然不變，只是要說得更精確：在尚未取得 voucher 前，公司不能把 CNPV 當成開發時程的基準情境；即使已經取得，也應該為審查延長保留空間。

一邊是公司付出高溢價，取得接近核准的資產；另一邊是 FDA 試著縮短正式審查時間。兩件事都提醒我們：在新藥開發裡，時間不是背景，而是資產價值的一部分。

下個月見。

以上對個別交易與政策的描述屬資訊整理，不構成投資或法律建議。

Subscribe now

這個系列寫給剛接觸生技估值，希望知道怎麼幫「一顆藥」計算價值的人。

關於這個系列的介紹，可以看看前言。

EP1.1 談搭 model 前要先想清楚的事，包括模型目的、tab 規劃、assumption 管理和 Excel 習慣。

EP1.2 把 rNPV model 整理成一條路徑：

Timeline → Revenue → Costs → EBIT → Free Cash Flow → Discounting → Risk Adjustment → rNPV

EP2.1 開始拆解 Revenue。生技 DCF 的 Revenue，基本上就是：

Patient × Share × Price

Patients 決定有多少人可能使用這顆藥。

Share 決定其中多少人最後會使用你的產品。

Net Price 決定每位患者實際帶來多少收入。

EP2.1 先談的是 Patients。我們從疾病患者出發，依序考慮確診、疾病嚴重程度、治療線別、治療率和可取得性，最後得到 Addressable Patients。

EP2.2，也就是本篇內容，則繼續往下拆解，談 Share。

只要能理解下面三個問題，以及與它相關的思路，Share 這一層的問題就不太大了。

• Share 到底是什麼？

• 怎麼從 0% 到 Peak Share？

• Share 的數字怎麼來？

問題一：Share 到底是什麼？

Market Share、Patient Share、MoA Share 和 Brand Share 都叫 share，分母卻完全不同。

用錯一個，後面算得再精確也沒有用。

先說，在 modeling 的世界裡，Market Share 是一個很危險的詞彙。

因為 Market 是一個很模糊的詞。

尤其在我們目前這套從患者人數往下推的 modeling approach 裡，金額 Market Share 通常更適合作為模型算完後的結果或 sanity check，而不是模型的起點。

透過一個例子來說明。

假設你要開一家 Gelato 店，要預估明年營收。

你說：整條街的 Gelato 一年賣五千萬，我的 Market Share 大概是兩成，所以營收是一千萬。

聽起來合理。

但「整條街五千萬」是把街上每一家店的營收加起來得到的，其中也包含你自己那一千萬。

所以你其實是在說：我不知道自己會賺多少，但只要知道所有店加起來會賺多少，我就知道自己會賺多少。

這就是把因果混在一起了。

你要計算的東西，已經藏在你拿來計算的數字裡面。

因此，金額市佔率通常是算完之後才知道的結果，而不是你一開始就能憑空放進去的 assumption。

如果你是這條街第一家 Gelato 店，情況就更明顯。

開店之前，這條街的 Gelato 市場是零；你一開店，市場才開始存在。

你的市佔率是百分之百，但這句話完全沒有告訴你會賺多少。

對於進入一個全新市場的新藥來說，這種情況尤其常見。

所以，在這套 patient-based model 裡，我們真正需要的是 Patient Share。

藥品 forecasting 有一個很明確的起點：epidemiology。

我們可以從患病人數開始，依序考慮確診、疾病嚴重程度、治療線別和治療率，再看醫師會選擇哪一類治療，以及哪一個產品。

既然 model 從患者開始，Share 的分母也應該是患者：

Patient Share = 使用目標產品的患者 ÷ Addressable Patients

不過，直接猜 Patient Share 仍然太粗。

在簡化的處方邏輯裡，醫師通常會先判斷要使用哪一類治療，再從這一類治療中選擇產品。

因此，可以再把 Patient Share 拆成：

Patient Share = MoA Share × Brand Share

這是一種簡化的拆法，前提是治療類別和產品之間可以相對清楚地切分。

MoA Share 是有多少患者會使用這一類作用機轉，主要取決於整類療法的療效、安全性、給藥方式、治療指引和給付。

Brand Share 則是進入這類治療後，有多少患者會使用你的產品，主要取決於臨床差異、上市順序、競品、價格與給付。

假設 40% 的患者會使用這個 MoA，而你的產品在這個 MoA 裡拿到 50%：

40% × 50% = 20% Patient Share

拆開之後，如果有人問「憑什麼拿到 20%」，你就有兩組可以分別討論、找資料和調整的 assumptions。

如果只寫一個 20%，你通常只能回答：我覺得。

問題二：怎麼從 0% 到 Peak Share？

新藥不會在上市第一天就拿到 Peak Share。

醫師需要時間了解臨床資料，醫院要完成進藥流程，給付也可能還沒有到位。

所以 Share 應該是一條 ramp-up curve。

假設 Peak Share 是 20%，一條簡單的 curve 可能是：

第一年 2%
第二年 6%
第三年 12%
第四年 17%
第五年 20%

這組數字只是示意，沒有一條所有產品都能共用的標準曲線。

實際放進年度 Revenue model 時，還要注意這些數字代表的是年底 Share，還是整個年度的平均 Share。

如果產品是在年中上市，第一個 calendar year 的平均 Share，通常會低於年底時點的 Share。

初步 model 可以使用 linear ramp，也就是每年增加相近的比例。

完整一點的 model 則常使用 S-curve：初期較慢，中間加速，接近 Peak 後再逐漸放緩。

Peak Share 和 Time to Peak 要分開設定。

同樣是 20% Peak Share，三年達到和七年達到，算出來的 rNPV 可能差很多。

問題三：Share 的數字怎麼來？

了解結構以後，最後的問題就是數字從哪裡來。

最常用的兩個方法，是 benchmark 和專家訪談。

Benchmark 是找類似產品，看它們上市第一年拿到多少 Share、花幾年到達 Peak，以及競品上市後掉了多少。

資料可以來自商業資料庫、公司揭露、財報、earnings call、investor deck 或 analyst report。

找到 benchmark 後，還要進一步比較疾病、治療線、療效、安全性、給藥方式、上市順序、競爭環境和給付。

同一個 MoA，不代表就是好的 benchmark。

專家訪談則不要直接問：

「這顆藥可以拿到多少 Market Share？」

比較好的問法是：

「假設你有十名符合條件的患者，會有幾名使用這顆藥？」

接著再問，哪些是新患者、哪些會換藥、給付限制後還剩下多少，以及聯用時會被放進哪些 regimen。

這些資料通常只會得到一個範圍，這裡就非常考驗訪談者的功力。

不過，Share 也是我認為整個 NPV model 裡最主觀、最難 defend 的 assumptions 之一。

所以，比較好的方式是針對不同的 Patient Share，在 Excel 裡使用 Data Table 做 Sensitivity Analysis。

這樣就可以看到，在不同 Share 假設下，Revenue 和 valuation 會如何變動。

完整一點，也可以同時測試 Peak Share 和 Time to Peak。

如果這個數字真的被挑戰，也可以直接解釋：當 Share 或 ramp-up 速度改變時，最後的 Revenue 或 valuation 會有多大的變動空間。

小故事

我剛入行時，有一次和同事討論一顆藥的 Share。

他講了半天 MoA Share 和 Brand Share，那時候的我只知道 Market Share。

我手上有一份市場報告，寫著這顆藥大概可以拿到十幾個百分點。

他卻一直說，這個 MoA 可以拿到四成，產品在裡面又可以拿到一半。

我怎麼算都覺得對不上。

他也不懂我為什麼一直拿市場金額除來除去。

兩個人雞同鴨講了很久，最後他乾脆把處方過程畫給我看：

先決定這個患者需不需要治療。
再決定要用哪一類治療。
最後才是在這一類治療裡選擇產品。

我這才發現，我們嘴裡都在講 Share，分母卻完全不同。

後來，他給了我一個很有用的觀念：

做 Share forecast，盡量模擬真實世界的處方過程。

不要先想這顆藥可以拿到 20% 還是 30%。

先想醫師看到下一名患者時，會怎麼做決定。

他會先選擇哪一類治療？會不會聯用？新患者和已經穩定用藥的人，選擇會不會不同？

把這個過程想清楚，Share 才會慢慢長出來。

如果說 EP2.1 的 Patients 考的是你對疾病的理解，EP2.2 的 Share 考的就是你對處方過程的理解。

下一篇 EP2.3，來談最後一個數字：Price。

Subscribe now

門禁解鎖。

溫以洛立刻推開門，衝進辦公室。

辦公室裡一片黑暗，冷氣仍低沉地送著風。

他急忙看向全恩的位子——

空的。

但是座位上方的天花板燈是亮的。

表示她還在。至少剛剛還在。

他環顧四周，似乎沒有人。

他終於忍不住放聲大叫：「全恩！」

聲音被黑暗吞沒。

他又叫了一次，依然沒有反應。

正要叫第三次時，腳步聲響起。

全恩從轉角出現，疑惑地看著溫以洛。

「幹嘛啊。」

溫以洛張大了嘴，用一種難以置信的眼神看著她。愣了幾秒，才說：「你剛剛為什麼不接我電話？」

「那時候我在檔案室吧。」全恩慢悠悠地走到自己的位子上坐下，「裡面沒訊號。」

溫以洛走近她的位子，語氣又急又氣：「不是你叫我馬上過來的嗎？！」

「你不是回我說『馬上到』了嗎？我不是在公司等你嗎？！」全恩的聲音中也夾帶著幾分火氣，「你以為我喜歡待在檔案室啊？裡面空氣又不好，根本待不了多久。這有 EHS 問題耶。」

「那你剛剛又去哪裡了？」

「⋯⋯『洛哥』，『溫總』。」全恩站起來看著他，「我現在去哪裡都要跟你報告嗎？」

溫以洛覺得又好氣又好笑，一時間說不出話。

「我去上廁所。孕婦——」全恩頓了一下，看了看四周，「會頻尿，你不知道嗎？」

溫以洛深呼吸了幾次，才說：「你沒事就好。」

「神經病啊，一進來就大吼大叫，官威很大是不是。」全恩一邊念，一邊轉身坐下。

「⋯⋯所以你叫我馬上過來幹嘛？」

全恩似乎還在氣頭上，沒有說話，只是在電腦上用滑鼠點了幾下。

「那我走了。」

「等等。你坐吧。」

溫以洛揚了揚眉毛，還是坐下了。

「話說，你膽子也很大。公司剛發生這種事，你還敢晚上自己待在這裡。」溫以洛說。

「我該怕什麼，怕鬼嗎⋯⋯那我倒還希望他自己來找我。」全恩越說越小聲，「況且，事情做不完，也沒有人會幫我做。」

她又沒好氣地補了一句。

溫以洛沒說話，只是看著她。

全恩轉過頭來：「我是要跟你說，剛剛藍乃爾找我。」

「藍乃爾？他要幹嘛？」

「他問了一些奇怪的問題，我也不知道他要幹嘛。然後他又問到基哥那天晚上在處理什麼——」

「對，我也想問這件事——」

「你先聽我說完。」全恩打斷他，「基哥那天是在看一個安全性個案，這個我跟你說過了。重點是，那個受試者後來過世了⋯⋯」

溫以洛吸了一口氣。

果然跟他想的一樣。

「藍乃爾後來問我，有沒有其他受試者出現過類似的情況。」全恩說，「所以我剛才重新查了一遍。」

「有嗎？」

「我想到基哥和我說過的一件事。」

全恩臉上露出一絲緊張，看向溫以洛。

「受試者 020-003，看起來也很類似。」

下一章：麥可威爾綜合症｜15

前一章：麥可威爾綜合症｜13

然後問你，這顆藥的 peak sales 大概多少。

如果你直接把一百萬乘上 20% 的市佔率，再乘上每年十萬美元的價格，答案是兩百億美元。

這個數字幾乎一定是錯的。

而且不是錯一點點。

等一下我們把 patient funnel 搭完，用同樣的 Share、同樣的價格，答案會落在十億美元附近。

差了大約二十倍。

這一篇，就是用來保護你的 ass，免得因為這種簡單的算術被 kicked。

前情提要

這個系列寫給剛接觸生技估值，希望知道怎麼幫「一顆藥」計算價值的人。

系列前言先定義了 scope：這裡討論的是單一藥物資產的 rNPV，不是整間公司的 valuation。

EP1.1 談搭 model 前要先想清楚的事，包括模型目的、tab 規劃、assumption 管理和 Excel 習慣。

EP1.2 把 rNPV model 整理成一條路徑：

Timeline → Revenue → Costs → EBIT → Free Cash Flow → Discounting → Risk Adjustment → rNPV

從這一篇開始，我們來拆 Revenue。

最簡單的收入公式是：

Revenue = Patients × Share × Net Price

Patients 決定有多少人可能使用這顆藥。

Share 決定其中多少人最後會使用你的產品。

Net Price 決定每位患者實際帶來多少收入。

這一篇先拆解 Patients，主要回答三個問題：

• Patients 到底是哪些人？

• 什麼時候用 prevalence，什麼時候用 incidence？

• Patients 的數字去哪裡找？

問題一：Patients 到底是哪些人？

有這個疾病，不代表已經確診。

已經確診，不代表正在接受治療。

正在接受治療，也不代表符合這顆藥的使用條件。

即使條件都符合，還要看患者能不能取得這顆藥，以及保險是否給付。

所以，收入模型通常會把患者一路往下篩：

疾病患者
→ 已確診
→ 符合這顆藥的使用條件
→ 正在接受這一類治療
→ 可以取得這顆藥
= Addressable Patients

「符合使用條件」可能包括疾病嚴重程度、治療線別、特定檢測結果、年齡、禁忌症，或是否對現有治療反應不足。

每張 model 的順序不一定相同。

有人會把保險給付放進 patient funnel，也有人會放進後面的 Share。都可以。

重點是先定義清楚，而且同一件事只算一次。

看似是句廢話，但當模型複雜起來的時候，一定會有人把變數重複運算。

看一個簡單的例子。

假設目標國家有一百萬名疾病患者：

其中 60% 已經確診，剩下 600,000 人。

已確診患者中，30% 符合目標疾病嚴重程度，剩下 180,000 人。

其中 50% 符合目標治療線別，剩下 90,000 人。

接著，假設 70% 正在接受這一類治療，得到 63,000 人。

最後，假設其中 80% 可以取得這顆藥，得到 50,400 人。

整條 funnel 可以寫成：

1,000,000 × 60% × 30% × 50% × 70% × 80%
= 50,400 Addressable Patients

從一百萬名疾病患者開始，最後真正落在產品目標範圍內的，大約只有五萬人。

這五萬人，才是下一步計算 Share 的分母。

回到開頭的問題：

50,400 × 20% × 十萬美元
約等於：十億美元

同樣的 Share 和價格，只是換了一個正確的分母，答案就從兩百億變成十億。

所以，patient funnel 裡每放進一個百分比，都要先問：

這個比例，是從哪一群人裡算出來的？

不過現實中，通常找不到和目標患者完全吻合的資料。

你只能用手上最接近的 source，建立一組 best-effort assumptions。

但至少要確定三件事：

1. 這個百分比的分母是誰。

2. 這個數字從哪裡來。

3. Source 裡給到的數字，和我們正在運算的數字有什麼差異。(這句有點抽象，比如，source 裡給到的其實是男性族群的 treatment rate，那你在套用這個數字到整個群體時，就應該再做一些處理)

Model 裡的數字可以不需要假裝成事實。

但你要能解釋，為什麼在現有資料下，選擇了這個數字。

問題二：什麼時候用 prevalence，什麼時候用 incidence？

Prevalence（盛行率）是指某個時間點或期間內，已經患有這個疾病的人數或比例。

Incidence（發生率）則是指某段期間內新增的病例數或比例。

回到 model，可以先問一個簡單的問題：

這顆藥的治療機會，主要來自現有患者，還是每年新增的患者？

如果過去確診的患者現在仍然患病，也仍有機會接受治療，通常要從 prevalence 開始。

例如高血壓患者往往需要長期服藥。即使患者三年前已經確診，今年仍可能繼續接受治療。如果只看今年新增的患者，就會低估市場。

相反地，如果治療主要用於新發病、新確診，或剛進入某個疾病階段的患者，incidence 通常更有參考價值。

例如某些癌症療程只會在確診後，或進入特定疾病階段後使用一段時間。過去的患者可能已經完成治療，或不再適合使用這顆藥。

但要注意，疾病的 incidence 不一定等於這顆藥每年新增的患者。

假設一顆藥只用於二線治療，你真正需要的不是：

每年有多少人第一次罹患這個疾病？

而是：

每年有多少患者進入二線治療，成為這顆藥的目標患者？

真正的關鍵不是死背要用 prevalence 還是 incidence，而是你是否理解這個疾病。

患者會患病多久、用藥多久、存活率多高，以及什麼時候進入目標治療線，都會影響最後的算法。

很多時候，單純拿 prevalence 或 incidence 乘上幾個百分比，仍然不夠精準。

問題三：Patients 的數字去哪裡找？

最直接的方法，是到 PubMed 找相關研究。

搜尋時可以使用：

疾病名稱＋國家＋關鍵字

常見關鍵字包括：

• Prevalence／Incidence

• Epidemiology

• Diagnosed prevalence

• Treatment patterns

• Real-world

腫瘤還可以加上期別、biomarker 和治療線別，例如：

• NSCLC stage distribution United States

• EGFR mutation prevalence lung cancer Asia

• Second-line treatment patterns

Diagnosis rate、Treatment rate 這類說法在文獻裡不一定常用，改用 diagnosed prevalence 或 treatment patterns，通常比較容易找到資料。

其他來源還包括：

• 政府或公共衛生機構

• Disease registry

• Claims database study

• Real-world study

• Systematic review

• 醫學會或病友團體資料

• 上市公司的 investor deck

• 專家訪談

癌症領域常見的公開資料庫，包括美國的 SEER、以及 Global Cancer Observatory。

大致來說，癌症登記資料比較適合找發生人數、期別和存活率。

二線、三線實際使用哪些治療，通常要靠 claims database 或 real-world study。

上市公司的 investor deck 有時也非常好用，甚至已經把完整的 patient funnel 搭好。

但公司簡報有自己的目的。使用裡面的數字前，最好看一下註腳，找到原始 source，再用外部資料交叉檢查。

但還是想說一下，MNC epi model 和 investor deck 真的是好用。

如果你是自己算好玩的，那非常推薦直接直接用 MNC epi model 和 investor deck ，裡面甚至把你需要的 funnel 都搭好了。但能不能找到你需要的疾病領域，有時候看人品。

另外，funnel 越往下，資料通常越難找。

Prevalence 和 incidence 相對容易。

真正困難的通常是：

• 確診率

• 治療率

• 疾病嚴重程度分布

• 進入特定治療線的比例

• 用藥時間與停藥比例

公開資料不足時，可以請專家提供估算。

但一位醫學中心醫師的經驗，不一定代表整個市場。還是要了解他在哪裡執業、主要治療哪一類患者，以及他的判斷來自個人經驗，還是其他研究。

找到數字以後，也不要直接放進 model。

至少再檢查三件事。

1. Source 和目標患者是同一群人嗎？

檢查國家、年份、年齡、疾病定義、疾病嚴重程度和治療線別。

一篇美國研究，不一定適合直接套到日本。

涵蓋所有疾病嚴重程度的資料，也不能直接套到重症患者。

2. Source 是哪一年的？

假設患者人數來自 2020 年，但 model 從 2026 年開始，就要考慮這六年間患者人數是否改變。

如果找到可靠的年成長率，可以寫成：

Patient Population in Year X
= Source Year Population × (1 + CAGR)^(Year X − Source Year)

成長率要放在獨立的 assumption cell，不要把 102% hardcode 在每一年。

這樣未來把 2% 改成 3%，整條時間軸才會一起更新。

這樣才會穩如老狗。

找不到可靠的成長率，也不要硬加。可以先假設不變，再用 sensitivity analysis 測試影響。

清楚標註假設，比假裝精準好。

3. 結果和市場現況對得上嗎？

Funnel 算完後，可以和幾個外部資料對照：

• 現有藥物大約治療多少患者

• 公開的市場規模

• 其他公司對相同疾病的估計

• 同類產品的銷售表現

如果結果和市場現況差很多，不一定代表錯了。

但你要說得出原因。

答不出來，就回頭查。

小故事

我看過不少 model presentation，第一頁 epidemiology 就被問住。

簡報者花了很多時間搭 model。

每一個 cell 都有 source，註腳也排得很整齊。

結果簡報才剛開始，對方指著其中一個 70% 問：

「這個 70%，是從哪一群人算出來的？」

房間安靜了一下。

有人開始翻 paper。

最後才發現，model 裡使用的是中重度患者的 treatment rate，但那篇研究的分母其實是所有已確診患者。

這不一定代表 70% 完全不能用。

但如果連分母都說不清楚，後面的 Revenue、cash flow 和 rNPV 就很難讓人相信。

Patient funnel 很少有一個公認的唯一答案。

公開資料通常不完整，不同研究的定義也不一定一致。

搭 model 的工作，不是要我們找到一組「絕對正確」的數字，而是在現有資料下，建立一組合理、透明，而且可以被討論的 best-effort assumptions。

所以這一篇如果只留下一句話：

每一個百分比，都要說得出分母是誰、source 在哪裡。

可以再說一句話的話，我會提醒：

真正的關鍵不是死背要用 prevalence 還是 incidence，而是你是否理解這個疾病。

如果說 EP2.1 的 Patients 考的是對疾病的理解，下一篇 EP2.2 的 Share，考的就是對處方過程的理解。

EP 2.2 見。

Subscribe now

白曼君翻了一個白眼。

「能不能說白話一點？」

「你知道 SAE 嗎？」

白曼君搖頭。

「中文是嚴重不良事件。簡單來說，就是受試者在試驗期間發生了造成嚴重後果的醫療事件，不管是不是藥物造成的。包括危及生命、住院或延長住院，當然也包括病患死亡。」

溫以洛頓了頓。

「另外，如果事件被懷疑和藥物有關，而且又是非預期的，就會叫 SUSAR。但先不解釋那麼多了。」

白曼君聽得很專注，雙手交叉抱胸：「簡單來說，就是病患出現異常，而鄧立基發現了異常。」

溫以洛本來想糾正她的說法，但想了想還是算了，只是點點頭。

「這名病患現在怎麼樣？」白曼君問。

「不知道⋯⋯欸，等等。」溫以洛像是突然想起了什麼，猛然坐直身體。

「等我一下。」溫以洛拿出手機，快速輸入訊息。

訊息上寫著：中午你說的受試者死亡，是不是就是阿基那天晚上在看的那名受試者？

傳送對象：全恩

他按下傳送。

「什麼啊，你告訴我啊！」白曼君有點不耐煩。

「我也不太確定。但是，你剛剛提到，鄧立基的死亡不是偶然。那有沒有可能⋯⋯我只是假設，鄧立基發現受試者的資料異常，而資料之所以異常，就是因為有人對那名受試者下手⋯⋯」

白曼君站了起來，低頭踱步。

「病患被殺害，是為了製造藥物有毒的跡象，導致試驗失敗。」

白曼君抬頭看向溫以洛。

溫以洛緩緩說出幾個字，讓整個房間安靜下來。

「做空成功。」

兩人互相對視，沉默了幾秒。

「不對，還是有些地方說不通。」白曼君開口，「你也說過，做空沒有那麼大的利益，對吧？」

「那得要看他的手法是什麼。而且，如果他同時做空我們，又做多我們的競爭對手呢？」溫以洛說。

白曼君想了想：「但是我們沒有證據。」

「你說得對，現在都是假設。我們還需要驗證好幾件事。」溫以洛用手指數著，「阿基是他殺、阿基查到的受試者就是死亡的那一位——」

「還有，按照你的邏輯，死亡原因必須和藥物相關，否則股價不會跌。」白曼君補充。

「什麼時候會確定是不是和藥物相關？」白曼君又問。

溫以洛看了看手機。

「沒有固定時間。研究者和公司的安全性團隊都要做因果關係評估。如果公司初步判斷這可能是致死的 SUSAR，從獲知事件開始，最晚七天內就得先向主管機關提出初始通報。之後有新的檢驗或調查結果，再繼續補件。」

和全恩聊過之後，溫以洛現在對安全性事件的處理也有更多的理解。

「那⋯⋯資本市場什麼時候會知道這件事？」

「也沒有固定時間。其實如果只是單一個案，市場不一定會知道。但⋯⋯如果試驗暫停、主管機關下令停止試驗，或者公司判斷這件事構成重大訊息，就必須公告。」溫以洛說。

「或者，」白曼君看著他，「有人在你們公告以前，先把消息放出去。」

兩人同時倒吸一口氣。

「我去警局查 TARGET 的資金流向。」白曼君快步走向衣櫃。

「我去找全恩——就是鄧立基的職務交接人。我要確認——」

溫以洛說到一半，手機突然響起。

是訊息。

發信人：全恩

訊息內容：你能不能現在來公司一趟

隔了兩秒——

訊息內容：馬上。

下一章：麥可威爾綜合症｜14

前一章：麥可威爾綜合症｜12

Subscribe now

兩人的說話聲逐漸靠近。

她把電腦螢幕切換回桌面，轉頭一看，這才發現身後已經大半都暗了，其他同事也已經走光。

前來的兩人，其中一人她認識。

那人是藍乃爾，台美混血，是菲克生技的 Chief Medical Officer，也就是臨床試驗的最高負責人。

他五十歲出頭，身材高挑，深金色的頭髮梳得很整齊。他總是穿著全套西裝出現在辦公室，整個人看起來非常精緻，還經常被人看到在擦面霜。

全恩跟他打交道的機會很少，但對他沒有太多好感。他和榮臻芮不一樣，總是笑笑的，然後讓你為了他的一句話，增加一倍的工作量。

另一個男子，全恩不認識。

看起來和藍乃爾年紀差不多，但明顯滄桑許多。

他的頭髮灰白，身高不高，只到藍乃爾的肩膀。全恩知道自己算是比較嬌小的女生，這個人看起來甚至可能沒有比她高多少。

他穿著夾克、格紋襯衫與卡其色長褲。

藍乃爾和他熱烈交談著，兩人沿路順手關燈，直到看見全恩。

身後的燈一盞盞熄滅，只剩全恩座位上方的燈還亮著。

全恩起身，和兩人打招呼。

「嘿，全恩，辛苦了。」藍乃爾的聲音很熱情。

「應該的。」全恩向藍乃爾頷首，也向另一名男子點了點頭。

「幫你介紹一下，這位是我們的顧問，施先生。」藍乃爾雖然說的是中文，但明顯帶著外國口音。「太福，全恩是我們的 CRA，工作非常出色。」

那名叫施太福的男子也向全恩點了點頭，算是打過招呼。

「很少有機會來公司，今天一看，都是精兵強將啊。」施太福笑了笑。

藍乃爾攤開雙手：「我知道，這真的太棒了。」

「全恩，太福住在加州，平常遠端指導我們，真的幫了非常多忙。這次他回台灣辦事，我就邀請他來公司走走。」藍乃爾解釋。

「喔，施先生也是台灣人？」全恩不太會交際，說完也覺得這個問題有點笨拙，甚至有些冒犯。她只是從施太福純正的台灣口音聽出來的。

施太福點點頭，沒有再解釋，可能覺得這個問題很難回答吧。

「所以，這麼晚了，在忙什麼？」藍乃爾問。

全恩正要回答，腹部突然湧上一股巨大的壓力。她急忙轉身蹲下，開始劇烈乾嘔。

什麼也沒吐出來。

「噢，你⋯⋯」藍乃爾看著她，示意需不需要幫忙。

全恩連忙揮手。

「要吃點腸胃藥嗎？這裡有兩個臨床醫師。」藍乃爾笑了笑，指了指自己和施太福。

全恩還沒緩過來，再次擺了擺手。

「這是懷孕了。」施太福笑了笑，「幾個月了？」

全恩有些尷尬。這件事，她還沒和任何人說過。除了溫以洛。

「⋯⋯快四個月了⋯⋯但⋯⋯乃爾，我還沒跟同事講過。」

藍乃爾做出一個把嘴巴拉上的表情：「我知道，這完全是你的隱私。但太福，你太厲害了！」

「三個小孩了。」施太福傻笑著。

「好，三比零。」藍乃爾聳聳肩，「全恩，你必須早點回去。」

「好。我還在處理一些安全性資料庫的——」

「噢！」藍乃爾打斷她，「我很高興可以跟你聊聊。」

說完，他看了看施太福。施太福點點頭。

「你們聊，我先走了。」

全恩有點一頭霧水，但還是和他道別，看著施太福離開辦公室。

「呃，乃爾，現在聊嗎？」全恩不太確定剛剛發生了什麼事。

「可以，聊吧。你知道——」他用大拇指指了指施太福離開的方向，「GCP、保密什麼的，很麻煩。」

全恩點點頭，然後坐下打開螢幕。

「對了，我知道你和立基合作很密切。這件事對你有影響嗎？需不需要我做什麼？」

全恩勉強看了他一眼，說了聲：「謝謝，沒事的。」

她知道藍乃爾根本不會做什麼。

然後又轉回去，繼續看著螢幕。

「019-076。」全恩說，「今天中午確認死亡。」

藍乃爾臉上的笑容收斂了一些。

「我知道。PI 更新後的藥物相關性評估還沒有送過來，對嗎？」

「還沒有。我們的 PV 那邊也還在評估。」

「好的。現在不要做任何猜測。」藍乃爾說，「能不能從最開始告訴我，只說事情發生的順序。」

全恩點開最新版本的 SAE 文件。

「019-076 最初因高燒、代謝異常和心律不整住院。接受退燒、輸液和支持性治療後，體溫下降，心律也暫時穩定。」

「感染指標呢？」

「沒有繼續上升。」

「然後發生了什麼？」

「幾個小時後，代謝數值突然惡化，再次出現嚴重心律不整，最後搶救無效。」

藍乃爾拉了一張椅子，在她身旁坐下。

「我們按照採檢時間來看。」

全恩重新整理畫面。

「感染指標是在什麼時候變得更差的？」藍乃爾問。

全恩再次核對。

「沒有變差。至少在死亡前，沒有和代謝數值一起上升。」

「所以，這不是感染持續惡化的樣子。」藍乃爾說，「距離最後一次給藥多久？」

全恩回答了時間。

藍乃爾摸了摸下巴。

「這和我們目前知道的風險，也不是相同的時間關係，對嗎？」

「對。」

「我必須說得非常清楚，這不是正式結論，也不是我可以自己做的決定。」藍乃爾說，「PI 會有他的判斷，PV 也會獨立評估。我們現在還在盲態，所以每一個程序都要留在它應該的位置。對吧？」

全恩用力點點頭。

「但是，如果你問我個人的醫學判斷，」藍乃爾繼續說，「根據現在看到的病程和時間關係，我會傾向它和試驗藥沒有關係。」

全恩沒有說話。

這也是她剛才得到的結論。

藍乃爾看著螢幕上的資料，沉默了一會兒。

「所以，我們等吧。」藍乃爾往後一靠，「你做得很好。」

全恩沒有回答，但她總覺得哪裡不對勁。

「還有一件事——」藍乃爾坐起身。

「想聽聽你的看法。畢竟你在第一線。」

「嗯？」

「這個個案，」藍乃爾指著螢幕，「你有沒有在我們的試驗裡看過類似的情況？」

藍乃爾看著她的雙眼。

他的眼睛是深褐色的。

不知為何，讓人有種不舒服的感覺。

全恩一時愣住。

「⋯⋯有嗎？」藍乃爾又問。

一些畫面快速閃過全恩腦海。其中一個，是鄧立基過世的那晚，曾經和她說過的一些話。

她一時不知道該如何表達。

「我⋯⋯查查看——」

「不用特別查——」藍乃爾打斷她，「我只是好奇。畢竟，SAE 還是要小心一點。」藍乃爾微笑。

「好的，那我⋯⋯繼續忙了？」全恩看了一眼辦公室。現在已經幾乎全黑了，只剩她的座位周圍還亮著燈。

藍乃爾卻沒有走。

也沒有說話。

全恩正要開口——

「還有一件事想問你。」藍乃爾回頭看了一眼身後的辦公室。

「可能有點奇怪，但是⋯⋯」

全恩聽見自己吞口水的聲音。

「你知不知道，立基過世那一晚——」

「他有沒有看到什麼？」

下一章：麥可威爾綜合症｜13

前一章：麥可威爾綜合症｜11

媒體常常寫 AI 找到新標靶、AI 設計新分子、AI 縮短研發時間、AI 降低開發成本。有些說法聽起來甚至像是，只要把大量資料丟進模型裡，電腦就能幫你把藥找出來。

那問題來了。如果 AI 真的這麼厲害，製藥業是不是要被徹底改寫了？

我個人的答案是：還沒有。

更精準一點說，AI 確實已經改變了藥物發現的方法，但它還沒有充分證明自己能改變藥物開發的結果。

這兩件事聽起來很像，但在製藥業裡差很多。藥物發現，是找到一個可能有用的分子；藥物開發，是證明這個分子進到人體以後真的安全、有效，而且最後可以被監管機構核准、被醫師處方、被患者使用。前者當然重要，但後者才是真正花錢、真正高風險、也真正決定一個資產價值的地方。

所以我現在對 AI drug discovery 的看法是：它已經是很重要的效率工具，但還不到 transformational。至少現在還不是。

理由可以先講在前面。

製藥業真正昂貴的地方，通常不是找分子，而是後期臨床的失敗。而 AI 目前被證明得最清楚的貢獻，更快的分子生成、更便宜的篩選、更廣的化學空間探索——大多落在價值鏈的前端。而前端在整個成本結構裡，佔比相對小，風險也相對低。

換句話說，AI 現在做得最好的事，作用的位置槓桿相對小。

這不是說它不重要。而是說，如果我們想知道 AI 會不會改寫製藥業，就不能只看它把哪些事情變快了，而要看它有沒有動到那個真正決定產業經濟的變數。

那個變數，我把它叫做風險結構。這篇文章其實就是在講這一件事。

AI 現在到底在藥物研發中幹嘛？

先把問題講白一點。AI 在製藥裡面，不是「按一個按鈕，明天藥就出來」。它現在主要做的，是幫科學家在早期研發階段更快找到方向——找到可能跟疾病有關的標靶、設計一批可能有用的候選分子、預測蛋白質的三維結構、模擬分子和蛋白質怎麼結合。

其中最常被討論的是分子生成。

傳統上，藥物化學家會根據經驗、文獻、結構資訊和實驗結果，一輪一輪設計、合成、測試、修改。這個過程非常吃經驗，也非常耗時間。AI 的角色比較像是先讀進大量既有資料，理解哪些結構可能對哪些目標有用，然後提出一批比較有機會的候選分子；接下來，科學家再去判斷、修改，最後還是要回到實驗驗證。

它把原本很慢、很仰賴人力和經驗的探索過程，加速了很多。

而且分子生成也只是其中一種路線。我也看過另一種思路，是從量子力場切入，試圖更細緻地模擬分子和蛋白質之間的交互作用。技術邏輯、成熟度和適用場景，都跟一般講的 AI 生成分子不太一樣。

但不管哪一種路線，AI 在臨床前的價值其實很清楚：更快找到候選分子、更便宜地探索更大的化學空間、更有效率地篩掉不值得繼續做的東西。我甚至聽說，AI 設計出來的分子有些是人類根本想像不到的，至於能不能合成出來，那又是另一回事。

無論如何，這些都很有價值。

但這裡要先停一下。這些改變，主要是在改善效率。它還不完全等於改善最終成功率。

藥物開發真正的 inflection 在哪裡？

製藥資產的價值，不是線性成長的。不是今天找到一個標靶，價值加一點；明天做出一個分子，價值再加一點；後天做完動物實驗，價值又加一點。

實際上不是這樣。

臨床前的成果當然重要，沒有標靶、沒有分子、沒有動物實驗，後面根本不用談。但市場對臨床前資產的定價一直都相對保守，原因也很簡單：一個分子在細胞實驗裡很好、在動物模型裡很好，進到人體以後完全不是那回事，這在製藥業裡太常見了。

真正的價值躍升，通常發生在資產進入人體之後。Phase 1 看安全性，Phase 2 看初步療效，Phase 3 看更大規模、更接近真實世界的療效與安全性；再往後，才是監管核准、支付方接受、醫師願意處方、患者真的使用。

這些節點，才是估值真正被重評的地方。

所以評估 AI 對製藥的影響，不能只問「AI 能不能更快找到分子」，這個答案大概是可以。真正重要的問題是：

AI 找到的分子，進到人體以後，是否真的更容易成功？

尤其是Phase 2 。

而在這件事上，我們其實已經有一點初步的資料可以看。

Phase 1：訊號是正向的，而且說得通

先說對 AI 有利的部分。

已經有分析指出，AI 發現的分子在Phase 1 的成功率，看起來高於產業的歷史平均。

更重要的是，這件事在機制上說得通。

Phase 1 主要檢驗安全性、耐受性和人體藥理學。而毒性、ADMET、代謝穩定性、選擇性這些性質，恰好是 AI 相對擅長預測的東西——它們有大量資料可以學習，也和分子結構有比較明確的對應關係。當你在合成之前就先把這些篩過一輪，進到人體之後比較容易通過，並不意外。

當然，樣本還小，而且能進到臨床的資產本來就經過內部層層挑選，多少會有選擇性偏誤。但我傾向認為，Phase 1 的優勢是真的。它反映的是 AI 在分子設計上的實質能力。

而且，光是Phase 1 通過率上升，就已經把一個分子走完整個臨床階段的機率往上推了一些。這一點不該低估。

Phase 2：有理由期待，但目前還看不出來

平心而論，我們是有理由期待 AI 在 Phase 2 也有幫助的。

如果 AI 能更好地預測結合親和力和選擇性，理論上脫靶效應更少，治療窗口更寬，劑量反應關係也會更乾淨。如果 AI 能整合多體學和人類遺傳學的資料去驗證標靶，標靶假說本身就應該更可靠。如果 AI 能協助病人分層、找出真正會反應的族群，Phase 2 的訊號就不容易被雜訊淹沒。

這些邏輯都成立。而且Phase 2 的樣本現在還很小，很多資產根本還沒讀出數據，現在下定論本來就不公平。

但把話說完：目前為止，AI 藥物的Phase 2 成功率，和產業歷史平均相比，應該還看不出明確差別。

而且有一件事，我覺得比成功率本身更值得注意。

在已經進入臨床的 AI 分子裡，只有一部分的標靶是 AI 找出來的；真正稱得上新穎的標靶，更是少數。

換句話說，目前多數所謂的 AI 藥物，是用 AI 去設計一個分子，打一個人類早就知道的標靶。

這件事我覺得很關鍵。因為它意味著，我們現在看到的 AI 優勢，比較集中在化學層面，而不是生物學層面。

而Phase 2 考驗的，恰恰是生物學。

把兩件事放在一起。

Phase 1 的訊號是好的。但Phase 2 還沒有出現差別，而Phase 2以後的失敗，才是製藥業真正昂貴的部分。至少到目前為止，我還沒有看到哪一個 AI 發現的藥物走完全程、拿到核准。

所以如果 AI 真的要改寫製藥產業，它最終要證明的不是「我可以更快做出分子」，而是「我做出來的分子，進入人體以後，Phase 2 、Phase 3 和最終核准的成功率更高」。

可能有成功個案，但個案畢竟不是趨勢。真正重要的是，在足夠大的樣本裡，AI-enabled drug 能不能系統性提高後期的成功率；而且這個優勢不能只出現在某一家公司、某一個疾病領域、某一種 modality 或某一條技術路線。

它必須可以反覆被看見。在那之前，我會比較保守。

但保守不等於不看好。Phase 1 已經給了一個訊號：AI 真的能設計出更好的分子。

問題只是，更好的分子，還不等於更對的藥。

一個很麻煩、但很重要的問題：什麼才算 AI 藥物？

如果 AI 生成了一批分子，然後藥物化學家挑選、修改、優化，最後進入臨床，這算 AI 藥物嗎？如果 AI 只是協助篩選標靶，後面主要還是用傳統方式推進，這算嗎？如果一家公司只在某個環節用了 machine learning，整體流程仍然高度依賴人類專家，這又算嗎？

這造成一個很現實的問題。每隔一段時間，就會有人說這是第一個進入臨床的 AI 藥物、第一個進入二期的 AI 藥物、第一個進入三期的 AI 藥物。但如果大家對「AI 藥物」的定義都不一樣，這些里程碑的資訊價值其實有限。

更麻煩的是，公司也未必有動機一直強調一個藥是 AI 出身。醫師不會因為這個藥是 AI 設計的就更願意開；患者不會因為它是 AI 生成的就更願意吃；監管機構更不會因為你用了 AI 就降低審查標準。最後大家看的還是那幾件事：有沒有效、安不安全、跟競品相比有沒有差異化、商業上有沒有價值。

所以公開可得的 AI 藥物樣本，本身可能就是有偏的。成功的資產未必被標記成 AI 藥物，失敗的資產也未必會被完整揭露。

這會讓我們更難判斷，AI 到底有沒有真的提高臨床成功率。

為什麼「風險結構」是我判斷這件事的標準

前面講了這麼多，最後其實都收斂到同一個問題：AI 到底作用在製藥業的哪一個部位？

要回答這個問題，得先理解這個產業的經濟結構為什麼這麼特別。

一款藥的成本，主要是失敗的成本

製藥業和多數產業有一個很大的差異：一款上市藥物所承擔的成本，遠大於開發它本身所花掉的錢。它必須同時承擔那些沒有走到終點的專案。

而這個成本結構有三個特徵。

第一，失敗率高。進入臨床的資產裡，只有少數能夠取得核准。

第二，失敗是後置的。淘汰不是平均分布在各個階段，而是相當程度集中在臨床中後期，也就是資本已經大量投入之後。一個在臨床前被放棄的分子，損失有限；一個在Phase 3 失敗的資產，損失的是整個開發週期的投入，通常還帶走公司好幾年的機會成本。

第三，時間成本巨大。從專案啟動到潛在營收，中間隔著十年以上。這段期間資本被持續佔用，而且沒有回報。

三件事疊加起來，結論是：製藥資產的風險調整價值，對「成功機率」非常敏感，對「前端成本」相對不敏感。

這個結構決定了製藥業的很多事

正因為失敗率高、失敗後置、週期漫長，製藥業發展出一整套圍繞著風險而設計的制度安排。這個產業很多看起來奇怪的慣例，其實都可以從這裡推導出來：

• 折現率很高，因為它同時反映失敗機率和漫長的時間成本。

• 授權交易以里程碑為主，而不是一次定價。因為在風險還沒被解決之前，很難對一個資產給出可信的價格，只能分階段轉移風險，一個數據節點付一次錢。

• 大藥廠傾向用併購補管線。與其完全自己承擔早期失敗，不如用資本去買一個風險已經被降低過的資產。買的其實不只是分子，也是別人幫忙消化掉的機率。

• 投資組合靠數量分散。個別失敗很難預測，只能靠夠多的 shots on goal。

• 對重磅藥物的依賴。少數的成功必須覆蓋掉多數失敗的成本，這在數學上要求很高的單一資產回報。

• 生技公司的融資節奏跟著臨床數據節點走。每一次數據讀出，就是一次風險釋放，也就是一次估值重評和融資窗口。

這些與其說是文化或慣例，不如說是風險結構的推論。要改變其中任何一項，前提是先改變風險結構本身。

回到槓桿的問題

現在可以回到文章一開始那句話了。

AI 目前的貢獻，大多作用在價值鏈的前端。而前端在這個成本結構裡，佔比相對小、風險相對低。所謂「槓桿相對小」，指的就是這件事——不是前端不重要，而是前端的改善，比較難推動最後那個數字。

因為真正在決定資產價值的，是成功機率，不是前期花了多少錢。

把藥物發現的成本減半，對一個資產的風險調整價值影響有限；把Phase 2 的成功率提高幾個百分點，影響則大得多。

這也是為什麼「AI 大幅加速藥物發現」和「AI 改變製藥產業」是兩個不同的命題。前者已經成立，後者還沒有。

所以我會這樣區分：如果 AI 只是讓臨床前更快、更便宜，那它是非常重要的效率工具；如果 AI 能系統性提高Phase 2 、Phase 3 ，甚至最終核准的成功率，那才是產業層級的重構。

目前我覺得，我們還在第一個階段。

風險結構真的被改寫，會長什麼樣子？

值得想像一下那個世界。

如果後期失敗率真的顯著下降，折現率會跟著下降，資產的定價邏輯會整個往前挪。授權交易不再需要把大部分價值堆在後段里程碑，因為早期資產本身就變得可信。大藥廠沒那麼需要用併購來外包風險，投資組合也不必再靠數量去對沖不確定性。生技公司的融資節奏會鬆動，因為每一次數據讀出所釋放的風險變小了。

整個產業圍繞「失敗」所建立起來的制度安排，會開始鬆動。

那才叫 transformational。它不會只是一則新技術的新聞，而是一次資本配置邏輯的重寫。

而我們現在還沒有看到這件事發生。

最後真正重要的，可能還是 biology

這也是我覺得這個題目最有意思的地方。

很多人在討論 AI drug discovery 時，很自然會把焦點放在模型。但我越看越覺得，未來真正拉開差距的不一定是模型本身，而是對 biology 的理解深度。

理由其實藏在前面的邏輯裡。

如果要改變風險結構，就必須降低後期的失敗率。但後期失敗的主要原因，往往不是分子不夠好。後期的失敗，很多時候不是因為化學設計失當，而是因為療效不如預期——標靶選錯了，通路只是相關而非因果，動物模型沒能轉譯到人體，biomarker 指向了錯的方向。

換句話說，後期失敗更多是 biology problem，而不只是 chemistry problem。

而 AI 這幾年展現的優勢，比較集中在化學問題上：分子生成、結構預測、結合模擬。這也解釋了一件事——為什麼Phase 1 已經開始出現訊號，Phase 2卻還看不出明確差別。因為Phase 1 檢驗的是分子的性質，Phase 2 檢驗的是你對疾病的理解。

AI 可以加速你找答案，但前提是，你問的是對的問題。

在製藥研發裡，最難的從來不只是找到一個能結合某個標靶的分子。最難的是：這個標靶到底重不重要？它是疾病的因果驅動因子，還只是相關訊號？這條路徑在動物模型裡看起來很漂亮，到了人體還成不成立？我們選的病人族群對不對？biomarker 對不對？

這些問題，本質上不只是 computational problem，更是 biology problem。而如果一開始對疾病 biology 的理解就是錯的，AI 只會幫你更快、更有效率地走到錯的地方。

所以當 AI 工具越來越普及，真正的差異可能不是誰有工具，而是誰更知道自己到底在計算什麼。

這也是為什麼我覺得，AI 對製藥會很重要，但它不會用一種很簡單、很線性的方式顛覆這個產業。

製藥業不是只有 discovery。製藥業真正殘酷的地方，是 development。

而在 drug development 裡，風險結構就是一切。

她剛吃完晚餐，手邊還有一些事情要處理。說是吃晚餐，她其實只喝了一杯果汁，實在是沒有胃口。

辦公室裡還有一些人，不多，但她本來就很低調，沒有必要的話不會跟人說話。

冷氣的送風聲持續響著，空氣裡混著咖啡與微波食物殘留的氣味。

此刻，她比平常更加希望這些人能早點走，這樣她就可以肆無忌憚地大哭一場。

就連宣洩情緒都還不能回家，真的太可悲了。

平常這時候，應該是鄧立基陪著她一起加班的。

那天晚上，是鄧立基說她懷孕了，應該早點回去休息，貼發票之類的雜事由他處理。

否則全恩也不會提早回家。

「我就應該陪著他的。」全恩全身無力地坐了下來。

她轉頭看向鄧立基的座位。因為調查的緣故，座位上的一些東西被拿走了，顯得空蕩蕩的。

全恩看著那個座位發呆。

她忍不住想起，自己第一次看到驗孕棒上出現兩條槓時，緊張地告訴鄧立基。

他們兩人是地下戀情，這種事情被同事知道了有害無益。而結婚這件事，在阿基那個難搞的媽媽強烈反對之下，也完全沒有被拿到檯面上討論。

儘管如此，當鄧立基聽到她懷孕的消息時，他開心得直接跪在全恩面前，和她的肚子說話。

「很感謝你選了我們當你的爸媽，我們會努力的。」

鄧立基眼裡的光，她現在都還記得。

就是那份溫柔與堅定，支持她一直走下去。

而現在，那份溫柔，那道光，也不見了。

現在已經是懷孕第十五週了，表示還有二十五週，她要自己扛下去。至於出生以後，她簡直想都不敢想。

不過還算幸運，自己到現在都還沒有明顯的不舒服⋯⋯

全恩突然彎下腰，抱著垃圾桶劇烈乾嘔。

什麼都沒吐出來。

她調整呼吸。

她看了看四周，那些還沒走的同事離她都很遠。

此刻她很想哭，卻哭不出來。

她看著天花板，發呆了一分鐘左右，輕聲說：「工作吧。」

畢竟，就算再怎麼難過，該做的工作也不會自己消失。

她先把桌上疊得如山高的文件整理了一下。這些文件有一半是阿基的，事發突然，她根本來不及消化，現在全是一團亂，甚至還看到一份有缺頁的文件。

稍微整理後，她又解鎖電腦。

登入電腦後，首先跳出來的，是鄧立基留下的工作交接清單。

每一家研究中心、每一名受試者、每一張還沒有關閉的 query，都被他按照日期和編號分門別類。

其中，她知道紅色最重要，代表資料彼此矛盾，必須重新核對。

現在，清單上還有四個紅色欄位。

其中三個都寫清楚了下一步。只有最後一個，備註欄裡什麼都沒有。

019-076。

正是今天死亡的那名受試者。

全恩點開資料夾。裡面存著好幾個版本的 SAE 文件、correction ticket、研究中心補送的檢驗結果與資料異動紀錄。

鄧立基死亡前的幾個小時，操作紀錄幾乎一直停留在這個個案。他反覆開啟不同版本的 SAE，切換到檢驗結果與併用藥物，又重新回到病程敘述。

這是他死前最後處理的個案。

「你到底在看什麼？」全恩低聲說。

她按照時間順序，從最早的 SAE 開始看。

019-076 最初因高燒、代謝異常及心律不整住院。接受退燒、輸液與支持性治療後，體溫一度下降，心律也暫時恢復穩定。

全恩接著點開最新版本。

個案結果：死亡。

藥物相關性：尚未完成評估。

死亡前幾個小時，019-076 的病情突然惡化。奇怪的是，病患沒有再次高燒，感染指標也沒有同步升高，代謝數值卻在短時間內急遽偏離，緊接著再次出現嚴重心律不整。

讓全恩覺得不太對勁的是——

麥可威爾綜合症的急性惡化，不是這種順序。

嚴重感染也不是。

至於 FICT-101 目前最受關注的安全性風險，雖然同樣涉及代謝異常，卻通常伴隨其他指標變化，也與給藥時間有一定關係。

簡單來說，019-076 的病程像是突然被某種東西從中間打斷了。

「媽的，到底什麼意思⋯⋯」她開始煩躁。

不行。全恩告訴自己，先深呼吸。

一定是懷孕的關係，讓她變得這麼沒耐心。反正都怪到懷孕頭上就對了。

再想一遍。

鄧立基死前一直在看 019-076 的紀錄。

一天多後，019-076 也確認死亡。

這些指標卻像是在暗示，019-076 的病程受到了某種外力影響，而那個外力並不像 FICT-101 的作用機轉。

更像⋯⋯

全恩試圖壓下這個荒謬的念頭。

但她卻不自覺地脫口而出：

「人為的。」

下一章：麥可威爾綜合症｜12

前一章：麥可威爾綜合症｜10

溫以洛站在門前，腦袋裡切換著幾種可能的情境。

還有，如果必要的話——逃跑路線。

門被打開了。

白曼君看到他，笑了。

「你還真準時。」

白曼君此刻穿著黑色絲質的蕾絲細肩帶小洋裝，和白天的她幾乎不是同一個人。

溫以洛不由得心跳加速，但同時也更加戒備。

「進來吧。」白曼君轉身走進屋內。

既來之，則安之吧。

溫以洛跟了上去，關好門，把西裝外套掛在玄關旁的衣架上，公事包也放在旁邊。

房間不大，陳設卻比一般商務旅館多了些生活痕跡。

窗邊擺著一張小書桌和一面圓形化妝鏡，桌角放著幾瓶保養品與一個首飾盤。

床尾攤著一個還沒完全收好的行李箱，空氣裡有一股淡淡的香水味，和在倫敦聞到的一樣。

「你這裡看起來很簡單嘛。」

白曼君坐回書桌前，闔上電腦。

「不然呢？」

「刑警的房間，不是應該有白板、簡報什麼的嗎？」

「你是警匪片看太多了吧。」白曼君翻了一個白眼，「那裡有椅子，不然你找個地方隨便坐。要喝飲料，自己去冰箱拿。」

這時，溫以洛終於把眼前的白曼君，和那個在倫敦遇到、連名字都不知道的女子連結起來。

「不用了。但是，能不能跟我解釋⋯⋯這一切到底是怎麼回事？你是誰？為什麼找我來？」

白曼君翹起腳，雙手抱胸，笑了笑，似乎正在想該怎麼回答。

「而且，我記得你說你住在台北？」溫以洛又問。

「你真是好奇寶寶耶。早知道就不要招惹你了。喂，你該不會是那種看起來灑脫，交往起來很黏人的恐怖男友吧？」

溫以洛挑了挑眉：「你要試試看嗎？」

白曼君沒有回答，只是打開桌上的烏龍茶，喝了一口。

「我剛剛是在想，有沒有什麼不能告訴你的⋯⋯」

「什麼意思啊？難道你是什麼⋯⋯臥底？」

「就說你警匪片看太多了。算了，也沒有啦，應該都可以告訴你。我家不住在台北，或者應該說，我是台南人。之前警隊讓我去倫敦念書，本來就計畫今年回台北，但因為 TARGET 這件事，提早回來了。嚴格來說，我今天才回來。」

「嗯，那大概就是我的下一班飛機。」

「Bingo。」白曼君彈了一個響指，「反正，在倫敦的時候，我跟你說的身分，你都可以忘記啦。」

「你似乎也沒跟我說什麼。」溫以洛聳聳肩，「在投行的會場遇到、after party、酒吧、聊天，然後⋯⋯」

白曼君此刻正用一種曖昧的笑容看著他。

看見這個笑容，溫以洛馬上就知道，自己是遇到高手了，而且絕對不能輕舉妄動。他定了定神：「所以在倫敦，你是刻意挑中我的？」

白曼君露出一個誇張的表情：「你不要太看得起自己了。我是在你離開以後，才接到你們公司被攻擊的消息。」

「嗯。好吧，那你說吧，你找我幹嘛？為什麼不在警局聊？為什麼不在外面聊？」

白曼君沒有說話。

「那我猜吧。你和目前偵查隊的負責人，不是一掛的，對吧？」溫以洛看著她的雙眼。

過了一會兒，白曼君才開口：「TARGET 是我的案子。」

她的眼神再次變得銳利。

「是我研究了很多年的案子。只能怪自己倒楣，居然在倫敦碰到你。如果被發現我認識你，我會被從這個案子上撤下來，你懂嗎？」

「現在，那個小金一天到晚跟著我，一旦查到線索，他馬上就會去跟別的小隊長報告。我絕對不會讓這件事情發生。」

溫以洛點了點頭：「難怪在警局，你還花了那麼多時間聽我說那些廢話。看來是說給別人聽的。」

「你自己知道是廢話就好。你願意過來，我就當作是你接受這個合作⋯⋯」

「等等——」溫以洛打斷她，「什麼合作？我怎麼知道你找我來旅館幹嘛？我現在聽懂了，你剛回到警隊，需要戰功，這很合理。但我完全想不到，跟你分享情報對我有什麼好處。」

「我告訴你，我不管這件案子的話，你們菲克生技就等著完蛋吧。」白曼君輕蔑一笑，「這個案子換成其他人接手，你們恐怕破產重整都結束了，還不知道自己是怎麼死的。」

溫以洛沉默了一下。

他站起身，走到窗戶旁，看著台北市的夜景。遠處的車流拖出一條條光帶，窗玻璃上映著兩人的影子。

「那你先說吧，TARGET 到底在做什麼？」他轉過身看向白曼君。

白曼君也站起身，走到窗邊。

「幾個月前，我開始追蹤 TARGET 某個子帳號的活動。那個帳號已經建立很長一段時間，一直都在做一些無關緊要的交易。直到上週，交易突然變得頻繁。把那些交易合在一起看，我確定了——」

白曼君看著溫以洛。

「他們正在做空菲克。」

溫以洛挑了挑眉：「聽起來很嚇人。但是，你是金融犯罪組的，你應該也知道，菲克現在只在台灣上市。他們要做空，只能做空台灣股市。恕我直言，這對一個『跨國大組織』來說，獲益未免也太小了吧。」

「我當然知道。所以關鍵的問題是，他們『為什麼』要做空菲克？我現在只看懂了他們的第一步，但還想不到第二步。」

白曼君陷入沉思，雙手緊握。

「或許可以先從這個方向想，」溫以洛說，「發生什麼事，會導致菲克股價暴跌？」

「這就是我要問你的。」

「顯而易見，三期如果出問題了，任何問題⋯⋯等等，你說過，TARGET 會配合謀殺來進行金融操作，對吧？」溫以洛問。

白曼君再次沉默，然後緩緩地說：

「是的。所以鄧立基的死——」

「不是偶然。」

下一章：麥可威爾綜合症｜11

前一章：麥可威爾綜合症｜09

標題叫「茶餘飯後」，是因為它本來就不是寫給 BD／Corporate Development 專業人士看的（這類資訊已經有太多專業管道了）。

但如果你是：

• 相關產業人士，茶餘飯後想多一點談資

• 正在準備相關面試的人

• 在產業裡想轉換跑道、想多累積一些不同視角的人

那也許會有一點幫助！

這個月如果要下一句 tagline：全球生技產業的分工與定價，或許正在被重新排列。

資本市場重新打開大門，史上最大的生技 IPO 在這個月誕生。大藥廠繼續用百億美元級交易補管線，買的幾乎都是確定性。中國不只是在做 fast follow，而是真的在某些技術路線上拿下某種程度的突破。而美國政府，也完全不打算袖手旁觀。

聽起來很刺激吧。來看一下這個月的五件事是什麼。

一、Parabilis 6.7 億美元：史上最大生技 IPO

先講資本市場，因為它是其他事情的土壤。

六月，生技誕生了史上最大的一筆 IPO：Parabilis 募資 6.7 億美元。可能很多人沒注意，因為同月撞上 SpaceX IPO（約 750 億美元），風頭幾乎被蓋過去；量級當然不能比，但對 biotech 來說已經很大。

所謂最大，指的是募資金額。過去的紀錄保持人是 Moderna（2018 年 6.04 億），今年 4 月被 Kailera 以 6.25 億刷新，才過兩個月又被 Parabilis 超車。

技術上也有新意。人體大約八成可能致病的標靶，現有藥物碰不到：小分子太小、抗體又進不了細胞。

Parabilis 的 Helicons 平台設計出一種螺旋胜肽，希望同時做到進入細胞、穩定與選擇性，補上兩者之間的空缺。它的主力 zolucatetide，據稱是第一個能直接抑制 beta-catenin 的藥物，而這是一個大家都知道很關鍵、卻長年難以成藥的致癌標靶。目前在 desmoid tumor（硬纖維瘤）做出不錯的早期訊號，但離商業化還很遠。

我覺得真正的訊號不是技術本身，而是：市場開始重新願意為硬科學買單。

過去兩三年生技 IPO 的狀況大家心裡有數，2025 全年認真算，敢上市的沒幾家，資金幾乎被 AI 吸光。2026 上半年風向變了，已有多家創投支持的生技完成 IPO，Parabilis 和 Kailera 還雙雙打破 Moderna 多年的紀錄。

這裡有個看似矛盾、其實正是重點的地方：Parabilis 的主力資產其實還在一/二期，登記用的三期要到 2027 上半年才啟動，卻募到史上最大IPO ，乍看跟 2020、2021 那波只靠平台故事搶上市的狂熱沒兩樣？

我覺得，差別不在臨床期別，而在訊號的份量。

2021 那波，不少公司連像樣的臨床數字都還沒有，純粹賣一個平台故事。Parabilis 不同：它手上已經有相當不錯的人體訊號，打的又是 beta-catenin 這種公認重要、卻一直沒人做出來的硬標靶，外加先前 Regeneron 一筆規模上看 23 億美元的合作背書。換句話說，它不是「平台＋零數據」，而是「硬科學＋早期 POC＋大廠驗證」。

所以這一次市場確實更挑，但挑的不是臨床期別，而是證據的份量：要看到差異化的訊號、要看到 POC，也就是 proof of concept，而且可能不再是過去那種幾十人的小型 POC 就能交代。對認真做科學、願意花時間累積證據的 biotech 而言，這仍然是一個不錯的訊號。

這件事為什麼放第一？

因為 IPO 是生技產業的血液。當公開市場重新願意接住生技資產，整條產業鏈的資金流向、併購節奏、創投退出，全部都會跟著鬆動。這個月後面要講的併購、海外授權、NewCo，全部都站在這個土壤之上。

我認為它帶出的趨勢意涵是：IPO 大門正在重新打開，但市場對證據的門檻也提高了。門檻不一定是臨床期別，而在證據的品質。

二、AbbVie 收購 Apogee：藥王 Humira 退位後，尋覓下一個自免王者？

AbbVie 以約 109 億美元現金收購 Apogee。值得多看一眼有三個理由：主力資產還在 Phase 2，也就是臨床試驗成敗的死亡之谷，理論上風險折價很高；這是 AbbVie 併購 Allergan 之後最大的一筆交易；而 Apogee 走的，正是當前最熱的 Dupixent 這條路。

Dupixent 已是全球最暢銷的藥物之一，而且還沒到頂。它證明了一件事：

一個成功的免疫學標靶，可以打通整條過敏進行曲。

異位性皮膚炎（AD）看起來像濕疹，本質卻是免疫疾病，常和氣喘、鼻息肉一起出現，背後共享同一套 Type 2 發炎路徑。所以這類藥瞄準的從來不是單一疾病，而是一整串：AD、氣喘、慢性鼻竇炎合併鼻息肉，光是已治療的患者，在七大市場就動輒上千萬人。

Apogee 的答案不複雜：不找新標靶，沿用驗證過的 IL-13 路徑，但把半衰期拉長、降低給藥頻率。主力 zumilokibart 是長效抗 IL-13 抗體，目標是每季、甚至半年打一次。療效能否超越 Dupixent 還不知道，但若療效接近、打針次數少很多，就有機會切出自己的市場。而且從氣喘、COPD 到其他 Type 2 適應症，都在這條大路上。

有意思的是，今年前幾大交易的訊號都很一致：降低風險、買後期、買接近上市的確定性。AbbVie 反而押了一個 Phase 2 的可能性，而且給藥更方便究竟值多少錢其實很難算。

但我認為AbbVie 終究要出手的：Skyrizi、Rinvoq 雖然撐著自免版圖，但自從藥王 Humira 退位，AbbVie 一直缺下一個真正的旗艦；當市場開始討論誰是下一個 mega-blockbuster，它不會想站在場邊看。

三、GSK 收購 Nuvalent：像NSCLC 這種大市場，始終是王道

GSK 以約 106 億美元現金溢價收購 Nuvalent。這筆剛好和 Apogee 形成對照：一個自免、一個精準腫瘤；一個買 Phase 2 的可能性，一個買接近上市的確定性。

NSCLC 我算比較熟的，我開始接觸肺癌的產品領域那時候， EGFR、ALK 標靶已經分走半邊天，免疫治療還沒出現；後來 NGS 越來越普及，分子圖譜越拆越細，標靶越來越多，再加上免疫治療，把格局重洗了一次。

順帶解一個常見困惑：為什麼大家都講 NSCLC（非小細胞肺癌），不直接說 lung cancer？因為肺癌先分小細胞與非小細胞，兩者生物學和治療邏輯幾乎是兩個病；NSCLC 約佔 85%，EGFR、ALK、ROS1 這些標靶幾乎都集中在它的非鱗狀亞型，也是新藥開發的主戰場。

Nuvalent 的核心就是兩款 NSCLC 標靶藥：zidesamtinib（ROS1）與 neladalkib（ALK）。順利的話很快上市。

交易這麼大，道理很簡單：買的是確定性。

藥物估值是風險折算後的，越後期、折算越少。肺癌是大市場，ALK／ROS1 是成熟的 precision oncology 分類，醫生知道怎麼找病人、法規路徑也清楚；真正要比的，是後線、耐藥突變、安全性與 CNS penetration 上的差異。這已是 GSK 今年第三筆收購，三筆分別覆蓋腫瘤、免疫、心血管代謝，是相當系統性的補強。

我有兩個感覺。

一個是：大市場始終是王道，現在熱點都在看小標靶、niche 市場，但 NSCLC 這種不管怎麼細分都是兵家必爭之地。另一個更有意思：同一週，J&J 也以 10 億美元收購 Firefly Bio，鎖定 KRAS 突變的實體腫瘤，走的是 degradation antibody conjugate（DAC）這條較不擁擠的路。

兩筆都跟肺癌相關，一個百億、一個十億，價差十倍，差的就是風險折價。

順著講一下整體的併購格局。把這第二、第三點這兩筆交易，加上四月時我曾經提過的 Sun Pharma 併購 Organon 放在一起，這已經是今年的前幾大併購案了。

今年的併購熱度確實很驚人。到六月初為止，生技製藥併購金額已經累積到約一千億美元；如果維持這個步調，全年有機會上看 2,500 億美元？可能成為 2019 年以來最熱的一年。

但要冷靜一點：2019 年以來最熱，跟超過 2019，是兩回事。2019 被稱作超級併購年，那年的金額主要是靠幾筆巨型 deal 撐起來的，光是 BMS 買 Celgene、AbbVie 買 Allergan 這兩筆，合計就超過一千三百億美元。

今年剛好相反，是多點開花、而不是靠一兩筆超大型交易墊高，所以總量雖然逼近，要真正超車 2019 並不容易。

真正的變數在下半年。如果出現幾筆像 2019 那種量級的巨型交易，2026 才有機會挑戰 2019 的天花板。在那之前，比較穩的說法是：十之八九是 2019 以來最熱，但要超車，還需要幾筆更大的交易。不論如何，都非常令人期待。

四、CARsgen satri-cel：中國拿下全球首個實體瘤 CAR-T

CARsgen 的 satri-cel 在中國獲准，用於 Claudin18.2 陽性、HER2 陰性、至少兩線治療失敗的晚期胃癌／胃食道交界癌。重點不是又一個 CAR-T，而是：

這是全球首個獲批的實體瘤 CAR-T。

CAR-T 在血液腫瘤已經證明能改變格局，從白血病、淋巴瘤到多發性骨髓瘤都有成功案例；但實體瘤一直是另一回事。

嘗試白話一點來說，血液腫瘤的癌細胞像在開放水域移動，CAR-T 容易接觸；實體瘤卻是一整塊組織，有自己的微環境、血管結構、免疫抑制與物理屏障，T cell 要進得去、活得下來、還要發揮功能。

抗原也更複雜：同一腫瘤不同區域的表現可能不一致、容易逃脫，更麻煩的是很多實體瘤標靶在正常組織也有表現，安全性風險更高。

所以實體瘤 CAR-T 不是把血液腫瘤的經驗搬過來就好，而是要同時解決進得去、活得下來、打得到、又不誤傷正常組織。

這次獲批當然不代表問題都解決了。要誠實說，這是 NMPA 不是 FDA，適應症也是後線、重度治療過的族群。但至少代表一件事：

實體瘤 CAR-T 終於不只是臨床希望，而是開始進入可能的商業化現實。

但還是要說，其他國家會不會跟進、商業化能不能證明，我會保守一點繼續觀察。

五、Operation TrialBlazer：本月最重要的事

這是我認為本月最重要的一件事。

先說它是什麼。Operation TrialBlazer 是 HHS（美國衛生及公共服務部）發布的一份官方路線圖，橫跨 FDA、NIH、ARPA-H、ONC、OIG 等單位。核心搭配之一，是 FDA 提出的 Expedited IND 試辦計畫。

它不是法律，更像一份策略宣示，加上一組正在推動或徵求意見的具體措施。它的份量在於，把過去比較零散的焦慮與作為，收攏成一份具名、跨部門的官方文件。

表面上，它是個臨床試驗改革計畫：簡化流程、降低負擔、讓新藥更快進入人體試驗。但只這樣讀，就太行政語言了。

真正有意思的是它的措辭。美國當然不是現在才注意到早期臨床外流，這個擔憂、還有一些應對，其實已經有一段時間。但 TrialBlazer 把話講得很白：早期開發正在離開美國，而美國要把它拉回來。

它攤出的痛點也很具體：光是從 pre-IND 會議申請到正式遞交 IND，平均就要 380 天。所以這份路線圖想砍掉的，就是早期開發裡的行政摩擦：推動 Expedited IND 試辦、讓藥廠與合格研究機構合作、採用 rolling submission，並用更符合早期開發風險與階段的方式審查。

FDA 的說法是，若能把要求調整得更符合 phase-appropriate 的原則，藥廠有機會省下六到十二個月的開發時間。文件裡也談到，在科學上適當時，降低對傳統動物試驗的依賴，並導入 AI、人體細胞模型、真實世界資料與其他新方法。

但把它讀成單純的流程改善，就錯過重點了。

早期臨床不是把試驗執行完而已。它牽涉醫學中心、KOL、regulatory、biomarker、CMC、資本市場敘事。而一個資產到底有沒有成藥機會，常常就是在這個階段被重新定價。

Early human clinical data 是重要的 value inflection point，會解鎖晚期開發所需的後續投資；而 first-in-human 這個里程碑，本身就會影響資產能不能拿到合作、資金，甚至一路推進到核准。

再講得更直白：這背後是大量真實的工作機會與經濟流動。早期試驗落在哪裡，跟著走的就是一整串生態。醫學中心的臨床試驗護理師與專案協調員、CRO 的試驗團隊、做藥動與生物標記分析的實驗室、替試驗藥批量生產的 CDMO 廠房技師，再到上游的主持醫師、法規科學家，以及圍著這些早期資產轉的創投與投資銀行。

所以搶早期臨床，搶的從來不只是試驗執行地點，而是下一代新藥價值被形成、被驗證、被定價的場域。

把它擺在第四件事旁邊看就很清楚：一邊是其他國家在實體瘤 CAR-T 這種高難度領域取得突破，一邊是美國動手把早期開發守在自己手上。

它們其實在回答同一個問題：下一代新藥的價值，最後會在哪裡被看見、被定價？

而沒有人會讓它從手中溜走。

遺珠之憾

最後補一個五件事以外的遺珠，因為它藏著一個值得記住的訊號。

Serapha Bio 宣布與 Boundless Bio 合併，同時敲定約 2.3 億美元私募增資承諾，由 RA Capital 與 RTW 共同領投、主導打造。

核心資產 SERP-01 是針對 AATD 的 in vivo base editing 療法，其實來自堯唐生物（YolTech）的 YOLT-202。

值得看的不是中國資產又授權海外，這現在已經不稀奇，ADC、雙抗、小分子、GLP-1 幾乎每月都有，細胞治療也有 Legend、Gracell 的案例。

少見的是基因編輯，尤其 in vivo base editing 這種平台技術。

它不像一般藥物只看一個標靶、一組資料，背後還有怎麼把工具送到正確組織、編輯效率、off-target、長期安全、CMC 放大、主管機關接受什麼證據等一整套難題；要走向全球，需要的不只是錢，而是一支懂基因編輯、懂罕病、懂 FDA、也懂資本市場敘事的團隊。

這正是 NewCo 模式有意思的地方：RTW 和 RA Capital 不是單純買個中國資產等增值，而是把堯唐的技術重新裝進一個美國資本市場讀得懂的架構裡。換句話說，重點不是中國新藥授權海外，而是中國基因編輯技術被美國頂級資本公司化、臨床化、資本市場化。

前者是 deal，後者更接近 platform translation。

它規模不大、沒上頭條，卻把這個月所有主線串了起來：美國有最深的資本市場（IPO 窗口）、最願意付錢的買家（併購）、也最在意把早期開發留在自己手上（TrialBlazer）；而中國，可能正在成為原創資產的重要來源之一。

Serapha／堯唐剛好站在這兩股力量的交會點，給了一個很現實的答案：中國能提供越來越多原創資產，但要把它變成全球 biotech 故事，美國資本市場仍是最重要的舞台。

最後

資本市場重新打開，史上最大的生技 IPO 誕生，錢開始流回後期資產。大藥廠用百億美元買下免疫學與精準腫瘤的未來選項：AbbVie 賭給藥更方便的可能性，GSK 買接近上市的確定性，同一週十倍價差的兩筆肺癌交易，把風險折價四個字寫得清清楚楚。美國一邊想把早期臨床留在自己手上，另一邊又有 RTW、RA Capital 這種頂級資本和 Nasdaq，把中國的底層技術平台重新包進美國資本市場。

所以我會說關鍵字是「重新定價」：臨床試驗在哪做，影響一個資產怎麼被看見；第一個獲准的國家是誰，影響一個技術平台怎麼被記住；資本市場願不願意接住後期資產，影響整個產業的資金水位……等等。

而對生技產業來說，這些事，可能都不只是茶餘飯後而已。

下個月見。

「TARGET 是一個金融犯罪組織。我們聯合其他國家的刑警追查這個組織很久了，但他們的行動並不頻繁，加上組織有非常嚴密的保密機制，每次抓到的人，都沒有辦法提供更深一層的資訊。這個案子也就一直被擱置。直到最近，我們又發現了他們的行動痕跡。」

「你說他們是金融犯罪組織⋯⋯他們做了什麼？」

「簡單來說，他們透過金融市場操作，例如做空公司，再搭配暴力手段⋯⋯像是謀殺——」

聽到這裡，溫以洛有種不祥的預感。

「——藉此牟取暴利。但根據目前掌握的情況，他們都是透過大量臨時組建的團隊，執行第一線任務。我們有幾次抓到了他們的人，但線索就斷了，根本不知道背後是誰。」

溫以洛覺得手臂上起了一層細密的疙瘩。

「反而是替他們執行暴力手段的人，或者說，殺手，目前看來最接近組織核心。但到目前為止，還沒有任何一個國家抓到過。」

「那這些事情和菲克生技有什麼關係？」溫以洛問，「這個我可以看嗎？」

他看向面前桌上的那疊資料。

白曼君做了一個「請自便」的手勢。

溫以洛打開資料，裡面是關於菲克生技的介紹。

「這些資料，你可能比我們更了解。回到我們請你來的目的，能不能請你先幫我們進一步了解菲克生技？」

白曼君說著，嘆了一口氣。

「說實話，我們組裡沒有生技產業的專家。這個產業的專業性很高，我們在蒐集情報的時候非常吃力，而貴公司的榮執行長推薦我們來問你。」

溫以洛看完資料，點點頭。

他完全明白為什麼榮臻芮會推薦他，這也很合理。

「知無不言。」

至少，這和鄧立基的命案沒有關係。

「謝謝。」白曼君看了一眼門口那名年輕刑警。他點點頭，準備開始做筆記。

白曼君低頭翻了一下手上的資料，然後問：「菲克生技正在籌劃的納斯達克上市，被譽為台灣生技產業史上最重要的事件，你同意嗎？」

溫以洛聳了聳肩：「無庸置疑。」

「白警官，菲克生技的英文名字，你知道嗎？」

「FIC Therapeutics。」白曼君立刻說。

「FIC 是 first-in-class 的縮寫，代表同類首創藥物。這類藥物的風險最高，也最有價值。業外人士可能無法理解，但業內人士如果看到有一家公司以此為名——」

白曼君接著說：「那表示他們非常有自信。」

「或者說，狂妄，甚至可以說是瘋了。但我們就是這麼一家公司。打從創辦的第一天，我們的目標就是只做同類首創藥物。這在台灣的生技產業很罕見。但我們創辦人和投資人的野心不只如此。畢竟，台灣也有其他生技公司在做同類首創；我們要做的是大適應症的同類首創藥物。」

「抱歉，稍等，什麼叫做大適應症？」白曼君問。

溫以洛想了一下：「就是那些病患族群龐大，卻欠缺療法、欠缺新藥的疾病。同類首創藥物的風險很大，要在這些適應症裡證明療效，需要很大規模的臨床試驗。」

「也就是說，這是非常大的槓桿。」白曼君仰著頭思考著，「極高開銷、極高風險——極高報酬。」

「白警官，你很聰明。」溫以洛對她笑了笑。

白曼君也微微扯了一下嘴角。

「回到你的問題。以前沒有台灣生技公司這麼做，但是菲克做了，而且做到了。我們的第一款藥物，就是針對麥可威爾綜合症這個病患族群極大、臨床需求極高的適應症。二期臨床的療效資料幾乎是現有療法的一倍。現在正在進行三期臨床，之前的期中分析也支持三期試驗繼續進行。」

「關於臨床試驗，我不知道我的理解對不對。」白曼君低頭看了一眼資料，「一期主要確認安全性、耐受性和劑量；二期初步驗證療效並探索劑量；三期再增加受試者人數，確認療效和安全性。是這樣嗎？」

「基本上是對的。」

「所以你們的三期很大？」

「總規模三千名病患。」溫以洛點了點頭。

白曼君思考了一下：「在二期試驗後，你們在台灣掛牌上市，現在也準備申請納斯達克。這確實有很大的利益空間，但是⋯⋯」

「但是什麼？」溫以洛問。

白曼君搖搖頭：「沒事。今天先到這裡吧，謝謝你，溫先生。」

溫以洛皺了皺眉：「所以你沒有要告訴我菲克生技碰到什麼問題嗎？」

「抱歉，恕難回答。」白曼君看了一眼門口的年輕刑警，「小金，還有問題嗎？」

「呃，白隊。」名叫小金的年輕刑警快速翻動自己的筆記本，「可不可以問一下，溫先生做的 Corporate Development 是什麼意思？」

「那是他的頭銜，負責公司的藥物資產引進和出售，還有融資、併購、上市這些。」白曼君不假思索地回答。

她轉頭看向溫以洛時，發現溫以洛正微笑著看她。

白曼君別過頭。

「先這樣吧。小金，你先忙，我送一下溫先生。」

三人各自起身。

白曼君與溫以洛並肩走在警局的走廊上。

「記得很熟嘛，白警官。」溫以洛低聲說，笑了笑。

「閉嘴。」白曼君沒有看他，「還有，你今天講的這些，我上網都查得到。」

「那我為什麼要告訴你更多？」

「信不信我把你銬起來。」白曼君瞪了他一眼。

白曼君停下腳步，看了看四周，確認沒有人。

「你們這個案子很複雜。」白曼君繼續往前走，兩人一路走到門口。

「你還想繼續聊的話，華文旅館，1301 號房。」

「旅館⋯⋯」溫以洛笑了。

白曼君被他看得有點尷尬。

「晚上八點。」

溫以洛沒說話，轉身離開。

下一章：麥可威爾綜合症｜10

前一章：麥可威爾綜合症｜08

會改成一個月只寄兩次信：

• 月底是趨勢月報，該月份的茶餘飯後

• 月中是更新月報，過去四周所有的更新內容，會整理在這份月報裡

但只影響寄信不影響更新喔。

• 自體 CAR-T：療效強，但製造昂貴、流程複雜、等待時間長。

• 通用型，也就是異體 CAR-T：概念很漂亮，但臨床上一直需要證明療效、持久性與安全性。

• 體內 CAR-T，也就是 in-vivo CAR-T：很值得關注，但仍處在早期階段，長期安全性與可放大性還需要時間驗證。

最近讓我重新看通用型 CAR-T 的，是 2026 年 EHA，也就是歐洲血液學年會。EHA 2026 剛在瑞典斯德哥爾摩舉行，多家細胞治療公司在這段期間公布了新的臨床或早期資料。

所以這篇，我想重新看一次通用型 CAR-T：它到底卡在哪裡？這次的數據為什麼讓人重新關注？以及，它是不是真的已經翻身了？

我的答案會先放在前面：還不能說翻身，但它正在找到比較清楚的定位。

先搞懂：三種 CAR-T 有什麼不同？

CAR-T 的基本概念，是把 T 細胞改造成更能辨識特定目標的免疫細胞。CAR 是嵌合抗原受體，功能上可以把它想成裝在 T 細胞上的「辨識系統」，讓 T 細胞更容易找到並攻擊帶有特定抗原的細胞。

不同 CAR-T 路線的差別，主要在兩件事：

第一，T 細胞從哪裡來？

第二，T 細胞在哪裡被改造？

這兩個問題，決定了自體、通用型與體內 CAR-T 的技術邏輯、商業模式與風險。

第一種：自體 CAR-T，用病人自己的細胞

自體 CAR-T，也就是 autologous CAR-T，是目前最成熟、也已經上市的主流版本。

做法是先從病人身上取出 T 細胞，在體外進行基因改造與培養，再把改造後的 CAR-T 細胞輸回病人體內。因為用的是病人自己的細胞，所以不需要解決「別人的 T 細胞進入體內」這個根本問題。

這也是自體 CAR-T 的優勢之一。病人的免疫系統比較不會把它當成外來細胞清除，它有機會在體內擴增、存活，並持續攻擊癌細胞。

但自體 CAR-T 的問題，在於每個病人都要單獨製造一批細胞。從取細胞、送工廠、改造、培養、檢測、冷凍、運回醫院到輸注，整個流程昂貴、複雜，也需要時間。

很多血液腫瘤病人未必等得起。

更麻煩的是，接受 CAR-T 的病人通常已經歷多線治療，自己的 T 細胞品質可能已經受損。這會影響製造成功率，也可能影響產品品質。

所以自體 CAR-T 的痛點很明確：療效強，但太慢、太貴、太難普及。

第二種：通用型 CAR-T，用健康捐贈者的細胞

為了解決自體 CAR-T 的速度與製造問題，科學家開始走另一條路：能不能使用健康捐贈者的 T 細胞，事先大量製造、冷凍備用，病人需要時直接取用？

這就是通用型 CAR-T，也就是 allogeneic CAR-T，常被稱為 off-the-shelf CAR-T。

它的想像很吸引人。

如果自體 CAR-T 像是每個病人量身打造一套武器，那通用型 CAR-T 就像是工廠大量生產、標準化、可以放在庫存裡的現貨武器。

病人不需要等自己的細胞被抽出來、改造、送回來。理論上，醫院可以直接取出產品，解凍後給藥。這可能縮短等待時間，也可能讓細胞治療更接近門診或社區醫療場景。

但這條路有一個根本難題：排斥。

別人的 T 細胞進入病人體內，病人的免疫系統可能會把它當成外來物清除。細胞活不久，療效就很難持久。

另一個風險是 GVHD，也就是移植物抗宿主病。簡單說，輸入的外來 T 細胞可能反過來攻擊病人的正常組織。

所以通用型 CAR-T 的真正問題是：它能不能在病人體內活得夠久？能不能避免嚴重免疫風險？能不能在療效上接近自體 CAR-T？以及，它能不能證明自己的便利性足以抵消風險與不確定性？

這也是為什麼通用型 CAR-T 被看好很多年，但一直沒有真正跑出來。

第三種：體內 CAR-T，不抽細胞，直接在體內改造

第三種路線是 in-vivo CAR-T，也就是體內 CAR-T。

自體 CAR-T 和通用型 CAR-T 都屬於體外改造。細胞先被取出來，在人體外完成工程化，再輸回病人體內。

in-vivo CAR-T 則相反。

它不把 T 細胞抽出來，而是把基因遞送工具直接送進病人體內，讓病人的 T 細胞在體內被改造成 CAR-T。

你可以把它想成：自體 CAR-T 是把士兵送去軍工廠升級，再送回戰場；in-vivo CAR-T 則是直接把升級包送進戰場，讓士兵在現場升級。

這條路線的吸引力很明顯。如果真的成功，它可能不需要複雜的體外細胞工廠，也不需要每個病人單獨製造一批細胞。

但它仍然是早期技術。

in-vivo CAR-T 最大的不確定性，是人體內基因遞送與基因改造的長期安全性。載體送到哪些細胞、基因表現多久、會不會有非預期風險，這些都需要更長時間與更大樣本驗證。

所以 in-vivo 的想像空間很大，但不確定性也很大。

回到主角：通用型 CAR-T 為什麼一直做不起來？

通用型 CAR-T 想解決自體 CAR-T 的成本、速度與普及問題。但它一直卡在三件事。

第一，排斥太難解決。

病人的免疫系統會攻擊外來細胞。如果 CAR-T 細胞很快被清掉，就很難有足夠時間擴增與發揮療效。

第二，預處理的代價太高。

CAR-T 給藥前，病人通常需要接受淋巴清除。這段處理的目的，是降低體內免疫細胞數量，替輸入的 CAR-T 細胞創造擴增空間。

自體 CAR-T 已經需要淋巴清除，通用型 CAR-T 因為是外來細胞，更容易碰到排斥問題。為了讓外來細胞存活，過去不少通用型 CAR-T 需要更強的預處理。

但預處理本身會帶來毒性，包括血球低下、感染風險，甚至嚴重併發症。如果為了讓通用型 CAR-T 有效，必須先付出更重的免疫抑制代價，那它「方便、現貨、可普及」的優勢就會被削弱。

第三，競爭環境變了。

通用型 CAR-T 最早的故事很簡單：自體 CAR-T 太貴、太慢，所以通用型有機會取代它。

但這幾年自體 CAR-T 自己也在進步。製造流程更成熟，副作用管理更標準化，部分治療場景也開始探索更接近門診的管理模式。

另一方面，in-vivo CAR-T 又提供了一個更具顛覆性的方向。

如果自體 CAR-T 的療效最成熟，in-vivo CAR-T 的便利性最有想像力，那通用型 CAR-T 就不能只把自己定位成「比較便宜的自體 CAR-T」。

它必須回答一個更精準的問題：

通用型 CAR-T 到底能不能找到自體 CAR-T 與 in-vivo CAR-T 都不容易做到的場景？

從交易看趨勢：資本更偏向 in-vivo，但通用型沒有被放棄

過去一年多，細胞治療領域出現多筆與 in-vivo 相關的大型交易。

禮來宣布以最高 24 億美元收購 Orna Therapeutics，取得其 circular RNA 與 LNP 相關的 in-vivo CAR-T 平台。

AbbVie 宣布以最高 21 億美元收購 Capstan Therapeutics，核心資產是針對 B 細胞驅動自體免疫疾病的 in-vivo anti-CD19 CAR-T 候選療法。

BMS 宣布收購 Orbital Therapeutics，取得 RNA 平台，用於推進更有效率、更容易觸及病人的細胞治療路線。

AstraZeneca 宣布收購 EsoBiotec，布局 in-vivo 細胞治療平台。

這些交易說明一件事：產業資本正在積極押注「不把細胞拿出體外製造」的方向。

但這不代表通用型被放棄。

Roche 在 2024 年底宣布收購 Poseida Therapeutics，交易總額最高約 15 億美元。Poseida 的核心之一就是捐贈者來源的 off-the-shelf CAR-T 平台，布局包含血液腫瘤、實體瘤與自體免疫疾病。

所以比較準確的說法是：in-vivo 是目前更熱的方向，但通用型仍有公司願意重押。只是通用型必須用臨床數據證明，它不是「療效較弱的自體 CAR-T」，而是一個有特定場景優勢的平台。

這幾家公司的後續發展或許值得關注

Allogene：cema-cel 讓通用型 CAR-T 的新定位變得更具體

Allogene 是通用型 CAR-T 裡進展較前面的公司之一。

它的 cema-cel 是一款 anti-CD19 通用型 CAR-T，用於大 B 細胞淋巴瘤。公司在 2026 年 4 月公布 ALPHA3 試驗的期中無效性分析資料。

這次分析由 24 名病人觸發，每組 12 人。cema-cel 治療組有 58.3% 的病人達到 MRD 陰性，觀察組為 16.7%。

安全性方面，公司表示未觀察到 CRS、ICANS、GVHD 或治療相關嚴重不良事件；多數病人可用門診方式管理；社區癌症中心約占篩選與輸注活動的三分之一。

這組資料真正重要的地方在於：通用型 CAR-T 可能有機會進入更早期、更接近門診與社區醫療的場景。

但這仍然只是非常早期的期中資料，後續仍要看更大樣本、較長追蹤，以及事件無進展存活等更硬的臨床終點。

Allogene 另一個值得關注的產品，是 ALLO-329。

ALLO-329 是針對自體免疫疾病設計的通用型 CAR-T，採 CD19/CD70 雙靶設計，開發方向包含紅斑性狼瘡、肌炎與硬皮症。它也取得 FDA 對這些方向的快速通道資格。

ALLO-329 最值得關注的地方，不只是雙靶點，而是它搭配 Dagger 技術，目標是降低甚至移除傳統淋巴清除的需求。

這件事很重要。

自體免疫疾病和末線血癌不一樣。很多自體免疫疾病患者不能接受太高的治療毒性。如果通用型 CAR-T 想進入慢性病或更早期疾病場景，就必須更安全、更方便，也更容易被醫療系統接受。

Allogene 在 2026 年 5 月表示，RESOLUTION 第一期試驗已治療 9 名患者，包含接受低劑量細胞與不同淋巴清除策略的病人；公司稱早期低劑量觀察到臨床活性訊號與良好耐受性。

但這些仍只是非常早期資料，不能視為療效已被證明。真正關鍵，是後續能否在更多病人中證明有效、持久，而且不需要重度淋巴清除。

其他還有幾家公司

Caribou 的 vispa-cel 是一款 off-the-shelf CD19 通用型 CAR-T，用於大 B 細胞淋巴瘤。在 EHA 2026 公布了第一期 ANTLER 試驗的二線族群資料，並計畫以第三期 ANTLER-3 試驗進行關鍵驗證。意義在於讓「通用型是否注定療效較弱」重新成為值得驗證的問題，而非已經證明能取代自體 CAR-T。

Cellectis 的 lasme-cel (UCART22) 是 CD22 靶向通用型 CAR-T，用於復發／難治 B 細胞急性淋巴性白血病。公司在 EHA 2026 報告 BALLI-01 第一期最終資料，關鍵二期試驗正在招募，且已取得 FDA RMAT 資格。代表它已走到較接近關鍵驗證的階段，但在二期更完整結果出爐前不宜過度解讀。

所以，通用型 CAR-T 真的要起死回生了嗎？

我沒有答案，但我會說，還不到起死回生，但它正在重新找到可以活下去的條件。

過去通用型 CAR-T 最大的問題，是它一直被放在「自體 CAR-T 的替代品」這個位置上。

我覺得這個定位有點危險。

因為如果要取代自體 CAR-T，就必須在療效上接近自體，在安全性上不能更差，在成本與便利性上還要明顯勝出。這是一個非常高的門檻。

更何況，自體 CAR-T 自己還在進步，in-vivo CAR-T 又提供了另一種更激進的便利性想像。

所以通用型 CAR-T 真正有機會的地方，可能不是全面取代自體 CAR-T，而是切入自體 CAR-T 不容易做到的場景。

例如：

• 更早期的治療線。

• 更接近門診或社區的治療場景。

• 病人自己的 T 細胞品質太差、不適合製造自體 CAR-T 的情況。

• 病情進展太快、不能等待個人化製造週期的病人。

• 以及自體免疫疾病中，需要更低毒性、更可放大的細胞治療方案的族群。

這也是我看完這批資料後，對通用型 CAR-T 比較改觀的地方。

• Allogene 的 cema-cel 讓「通用型 CAR-T 能不能進入更早線、門診、社區場景」這件事變得更具體。

• Caribou 的 vispa-cel 讓「通用型 CAR-T 是否注定療效較弱」重新成為可以驗證的問題。

• ALLO-329 則把問題推向更大的方向：通用型 CAR-T 能不能在不依賴重度淋巴清除的情況下，進入自體免疫疾病這類更廣泛的慢性病場景？

我個人的結論是：

通用型 CAR-T 還沒有真正翻身，但它正在從「自體 CAR-T 的便宜替代品」轉型成「可能在特定場景有優勢的平台技術」。

還是一個沒有完全被證明的事，但依然存在突破的可能性。

本篇文章不構成任何投資建議。