Keputusan Laporan Farmaseutikal Recursion Q2 2026: Transkrip Panggilan Pendapatan Penuh

Recursion Pharmaceuticals (NASDAQ: RXRX) melaporkan keputusan kewangan suku kedua pada hari R abu. Transkrip dari panggilan pendapatan suku kedua syarikat telah disediakan di bawah.

Kandungan ini dikuasakan oleh API Benzinga. Untuk data kewangan dan transkrip yang komprehensif, lawati https://www.benzinga.com/apis/.

Akses panggilan penuh di https://www.youtube.com/@RecursionPharma

Ringkasan

Recursion Pharmaceuticals melaporkan kemajuan yang ketara dengan enjin produk asli AI, memajukan lima program peringkat klinikal, termasuk REC 4881 di FAP, dan mempamerkan perkongsian yang berjaya dengan Sanofi dan Roche/Genentech, menjana lebih dari $500 juta dalam aliran masuk yang direalisasikan.

Syarikat itu menekankan gabungan keupayaan unik yang membezakan platform AI-nya, termasuk data multimodal proprietari, sistem makmal dalam gelung, dan penukarannya menjadi aset yang berbeza, mengakibatkan peningkatan kelajuan dan kecekapan modal dalam penemuan dadah.

Dari segi kewangan, Recursion Pharmaceuticals mengumumkan pengurangan panduan perbelanjaan operasi tunai 2026 kepada $375 juta, mencerminkan penurunan hampir 40% dari 2024, sambil mengekalkan kedudukan tunai yang kukuh sebanyak $557 juta, menyediakan landasan operasi hingga awal 2028.

Transkrip Penuh

Najat Khan, Ketua Pegawai Eksekutif & Presiden, Ahli, Lembaga Pengarah

Selamat pagi semua, dan terima kasih kerana menyertai kami. Sebelum kita mulakan, saya ingin mengingatkan semua orang bahawa perbincangan hari ini akan merangkumi pernyataan yang berpandangan ke hadapan. Slaid seterusnya. Sila rujuk siaran akhbar hari ini dan pemfailan SEC kami untuk maklumat tambahan. Di Recursion Pharmaceuticals, misi kami adalah untuk menyahkod biologi untuk meningkatkan kehidupan pesakit secara radikal, dan kami melakukan ini dengan membina ubat-ubatan transformasi dengan enjin produk asli AI. Sepanjang tahun lalu, kami telah mencapai titik infleksi yang penting.

Kami tidak lagi hanya membincangkan potensi platform kami; kami menunjukkan keupayaan enjin produk asli AI kami untuk menghasilkan program dan ubat-ubatan yang berbeza. Hanya sebagai peringatan, enjin yang anda lihat di sebelah kiri dibina sebagai sistem pembelajaran berterusan. Data multimodal proprietari yang dibuat di kilang data kami menguasai model AI sempadan, dan model-model ini kemudian menghasilkan hipotesis baru di mana setiap ramalan diuji secara eksperimen.

Setiap kitaran menguatkan kedua-dua enjin dan produk yang dihasilkannya. Namun pada akhirnya, ukuran mana-mana enjin adalah keluarannya. Jadi mari kita bincangkan perkara itu. Pertama, saluran paip dalaman kami terus matang. Kami kini mempunyai lima program peringkat klinikal, termasuk REC 4881 di FAP, di mana kami telah menghasilkan beberapa data klinikal yang paling menjanjikan dalam sejarah syarikat. Ingat, dalam penyakit tanpa terapi yang diluluskan dan TAM hampir 10 bilion. Kedua, kami terus membuat kemajuan yang ketara dalam perkongsian kami sambil belajar dari yang terbaik dalam industri dan juga sambil mengesahkan enjin kami secara luaran.

Bersama rakan biofarma terkemuka, kami telah menjana lebih daripada 500 juta aliran masuk yang direalisasikan sambil memajukan program yang berbeza dengan Sanofi dan Roche/Genentech. Jadi hari ini saya akan berkongsi bagaimana kami terus mengukuhkan enjin produk kami dan bagaimana kami menerjemahkannya ke dalam ubat-ubatan yang berbeza, perkongsian yang berbeza, dan akhirnya hasil yang lebih baik untuk pesakit. Jadi persoalan yang timbul secara semula jadi: apa yang membuat enjin produk kami berbeza?

Terdapat banyak syarikat yang menggunakan AI untuk penemuan dadah. Kami percaya kelebihan kami bukan AI sahaja. Ia adalah gabungan tiga keupayaan yang saling menguatkan. Pertama, kami menjana data biologi dan molekul multimodal proprietari kami sendiri pada skala. Ini penting kerana AI hanya dapat belajar dengan baik dari data berkualiti tinggi, dan kebanyakan biologi yang paling berharga tidak pernah diukur secara sistematik. Data 50 petabait kami direka khusus untuk melatih model, menemui hubungan biologi baharu, dan bertambah baik dari masa ke masa apabila algoritma baru muncul.

Kedua, kami menghubungkan model-model ini secara langsung kepada eksperimen melalui sistem lab-in-the-loop yang merangkumi biologi, reka bentuk dan klinik yang semakin meningkat. Setiap ramalan, seperti yang saya nyatakan sebelum ini, disahkan secara eksperimen. Setiap hasil dimasukkan kembali ke model tersebut. Gelung rekursif inilah yang membantu kita bergerak lebih cepat, meningkatkan kualiti keputusan kami, dan membina keyakinan secara sistematik terhadap program kami. Dan ketiga, dan yang paling penting, kami menukar keupayaan ini menjadi aset yang berbeza.

Itu termasuk kedua-dua program klinikal dalaman kami seperti REC 4881 di FAP, REC 1245, RBM39 dalam tumor pepejal, serta program rakan kongsi kami dengan Sanofi, Roche, dan Genentech. Jadi bagaimana keadaan kita? Mari kita lihat kemajuan yang telah kita buat tahun hingga kini. Semasa kami melihat ke belakang separuh pertama tahun ini, saya sangat gembira dengan kemajuan yang kami capai merentasi ketiga-tiga dimensi perniagaan kami: saluran paip dalaman kami, perkongsian kami, dan kemajuan berterusan enjin produk asli AI kami.

Pada saluran paip dalaman, kami memajukan REC 4881 dengan penglibatan awal FDA kami berikutan data Fasa 2 yang menggalakkan, dan data Fasa 2 tambahan yang akan datang akhir tahun ini yang Vicki akan dibincangkan tidak lama lagi. Kami terus membina keyakinan terhadap REC 1245 dengan keselamatan klinikal awal dan data farmakokinetik, dan kami baru sahaja menerima pelepasan IND untuk REC 7735, meletakkannya untuk memasuki klinik akhir tahun ini. Pada masa yang sama, perkongsian kami juga membuat kemajuan.

Seperti yang anda ingat dari awal tahun ini, kami mencapai satu lagi tonggak dengan Sanofi, kami yang kelima setakat ini, dalam membangunkan siri utama novel untuk sasaran onkologi kelas pertama yang sangat mencabar. Tetapi saya ingin berhenti di tonggak baru khususnya yang kami umumkan hari ini bersama dengan Roche/Genentech. Kami gembira untuk mengumumkan bahawa Genentech memajukan sasaran neurosains pertama kolaborasi itu - sasaran baru yang belum diterokai dalam ilmu saraf - menjadi program penemuan awal bersama, memberikan bukti awal bahawa platform Recursion Pharmaceuticals dapat menghasilkan sasaran baru yang disahkan secara biologi untuk penemuan ubat.

Bagi saya, ini mewakili lebih daripada satu lagi tonggak perkongsian di kawasan di mana kemajuan telah perlahan selama beberapa dekad. Ini memberikan bukti awal bahawa pendekatan yang asasnya berbeza - menggabungkan atlas yang berkaitan dengan penyakit proprietari, model asas yang dibina khas, dan ujian pengiraan dan eksperimen yang ketat yang kita gunakan untuk membina keyakinan bahawa sasaran ini sebenarnya punca-dan tentu saja, terakhir tetapi pastinya tidak kurang penting, kerjasama mendalam, saintifik dan teknikal, dengan rakan kongsi dapat mendedahkan sasaran terapeutik yang belum diterokai sebelumnya.

Walaupun masih awal, saya percaya ini adalah titik bukti penting untuk kedua-dua Recursion Pharmaceuticals dan bidang yang lebih luas. Ini menunjukkan bahawa enjin asli AI boleh bergerak melampaui mengoptimumkan biologi yang diketahui untuk menemui biologi baharu yang cukup menarik untuk maju ke dalam penemuan dadah dengan salah satu organisasi neurosains terkemuka di dunia. Jadi itu hanya sebelah kiri, tetapi kita mempunyai banyak lagi yang akan datang. Untuk REC 4881, kami akan membentangkan data Fasa 2 tambahan pada persidangan CGA IGC, kongres perubatan utama untuk gangguan GI yang diwarisi, khalayak sasaran khusus kami untuk FAP, dan kami juga akan memberikan kemas kini mengenai interaksi FDA kami serta terus memajukan apa yang kami percaya boleh menjadi terapi transformasi untuk pesakit dengan FAP - Ingat, tiada apa yang diluluskan setakat ini, tiada terapi yang diluluskan. Untuk REC 1245, kami meneruskan peningkatan dos kami dan menghasilkan data Fasa 1 tambahan, dan kami akan mempunyai kemas kini yang lebih sihat akhir tahun ini. Dengan Sanofi, kami menjangkakan potensi pencalonan calon pengembangan INI lisan, satu tonggak yang sangat penting yang akan mengesahkan lagi kemampuan kami untuk mereka bentuk molekul kecil yang berbeza terhadap sasaran yang mencabar dengan potensi untuk memberi kesan kepada pelbagai penyakit yang dimediasi imun.

Dan akhirnya, kami menjangkakan untuk memulakan kajian Fasa 1 untuk REC 7735, memperluaskan lagi saluran paip onkologi klinikal kami dengan program reka bentuk ketepatan lain dari enjin kami. Secara keseluruhan, tonggak ini mencerminkan syarikat yang memberikan titik bukti yang bercita-cita tinggi yang penting sambil melaksanakan dengan fokus dan disiplin. Tetapi sama pentingnya, kami terus menguatkan enjin itu sendiri. Izinkan saya menunjukkan kepada anda beberapa contoh bagaimana inovasi merentasi biologi, kimia dan pengembangan klinikal menjadikan enjin kami lebih cepat dan lebih pintar.

Mari kita mulakan dengan biologi. Salah satu cabaran terbesar dalam industri ialah banyak biologi manusia tetap tidak mendapat markah. Kami percaya jawapannya bukan sekadar membina model AI yang lebih besar; ia menghasilkan data berkaitan dengan penyakit proprietari yang sebenarnya boleh dipelajari oleh model ini. Untuk melakukan itu, kami telah menjana dan mengumpulkan lebih daripada 50 petabait data biologi multimodal, mencipta apa yang kami percaya adalah salah satu set data proprietari terbesar dalam industri ini.

Apabila set data itu berkembang, model kami menjadi lebih baik dalam menemui biologi baru, dan setiap penemuan baru menguatkan lagi enjin. Pembelajaran itu kemudian dibawa ke dalam reka bentuk. Oleh kerana model biologi kami menghasilkan hipotesis keyakinan yang lebih tinggi, platform kimia kami memberi tumpuan kepada mereka bentuk molekul yang lebih baik dengan lebih cekap. Terdapat banyak yang perlu dikongsi di sini, tetapi satu perkara yang akan saya nyatakan ialah kami memajukan calon menggunakan kira-kira 330 sebatian selama kira-kira satu setengah tahun - jadi pergi dari sasaran ke calon dalam satu setengah tahun - berbanding dengan penanda aras industri untuk molekul kecil kira-kira 2,500 sebatian selama empat tahun.

Itulah peningkatan yang bermakna dalam kedua-dua kelajuan dan kecekapan modal. Dan akhirnya, kami memperluas falsafah yang sama ke klinik. Pembangunan klinikal adalah di mana banyak nilai akhirnya diciptakan dan di mana juga banyak program gagal. Dengan membawa AI ke dalam reka bentuk percubaan—memilih pesakit yang betul, saya tidak dapat menekankannya secui-dan pemilihan tapak, kami sudah melihat peningkatan dalam kelajuan pendaftaran dan pemadanan pesakit, membantu kami menjalankan kajian yang lebih bijak dan lebih cekap.

Tetapi satu perkara yang lebih penting: ini bukan tiga keupayaan yang berbeza. Ia adalah satu sistem pembelajaran berterusan. Setiap eksperimen meningkatkan data kami. Data yang lebih baik meningkatkan model kami. Model yang lebih baik membuat molekul yang lebih baik. Dan kemudian data klinikal dimasukkan kembali ke dalam sistem untuk menjadikan produk generasi seterusnya lebih kuat. Mungkin contoh terbaik roda lalat dalam tindakan adalah apa yang telah kami tunjukkan dengan Roche/Genentech dan kami mengumumkan hari ini, di mana enjin biologi kami menemui sasaran neurosains yang belum diterokai dan baru sebelumnya.

Saya ingin menghabiskan beberapa minit hanya untuk membawa anda di belakang tabir bagaimana kami sampai ke sana dan mengapa kami percaya ini merupakan pendekatan baru yang penting untuk menemui ubat-ubatan bersama dengan Roche/Genentech. Semasa kami bekerja di kawasan ini untuk menemui sasaran baharu yang belum diterokai daripada peta biologi kami yang didorong oleh AI, kami memberi tumpuan kepada beberapa elemen tertentu. Mengapa itu penting? Pertama, ini bukan mengenai mencari sasaran lain dalam biologi yang dikaji dengan baik. Ini adalah mengenai mengungkap biologi yang belum diterokai sebelumnya dan membina bukti yang cukup secara eksperimen untuk memajukkannya ke dalam penemuan dadah dengan salah satu organisasi neurosains terkemuka di dunia.

Kedua, kami percaya ini mengesahkan sesuatu yang lebih besar daripada satu sasaran. Ia memberikan bukti awal bahawa apabila anda menggabungkan data yang betul, membina model yang betul, melakukan pengesahan pengiraan dan eksperimen yang sangat ketat, dan memasangkannya dengan kerjasama pelengkap yang betul, anda sebenarnya boleh mendedahkan biologi novel secara sistematik. Dan kami percaya ini hanya permulaan. Peta biologi yang mendasari boleh digunakan semula - ini adalah titik yang sangat penting—dengan potensi untuk menjana lebih banyak peluang terapi dari masa ke masa.

Akhirnya, sepanjang kerjasama kami dengan Roche/Genentech, kami kini telah mencapai lebih daripada 216 juta pembayaran pendahuluan dan tonggak, dengan peluang untuk lebih daripada 300 juta dalam pembangunan tambahan, pengkomersialan, dan penjualan untuk setiap program molekul kecil masa depan. Baiklah, jadi izinkan saya tunjukkan bagaimana kami membina enjin ini. Untuk memahami mengapa tonggak ini penting, persoalannya ialah: mengapa neurosains? Perlu melangkah kembali dan bertanya soalan itu.

Neurosains tetap menjadi salah satu keperluan terbesar yang tidak dipenuhi dalam bidang perubatan. Lebih daripada 3 bilion orang di seluruh dunia terjejas oleh penyakit neurologi, namun ubat CNS, seperti yang kita ketahui, terus mempunyai kadar kelulusan terendah dalam industri. Neurosains amat mencabar kerana biologi sangat kompleks, sukar dimodelkan, dan kami telah berulang kali kembali ke set sasaran kecil yang difahami dengan baik dengan hanya kejayaan tambahan.

Kami percaya kemajuan yang bermakna memerlukan penemuan biologi baharu, bukan hanya mengoptimumkan apa yang sudah diketahui. Dan itulah yang dirancang untuk dilakukan oleh kerjasama ini. Jadi soalan seterusnya datang: apa sebenarnya yang diperlukan untuk menemui sasaran yang akan dipercayai oleh orang ramai? Dan sebelum saya membincangkan perinciannya, hanya terima kasih besar kepada Roche/Genentech atas kerjasama bahu-ke-bahu yang mendalam ini. Ini adalah salah satu daripada beberapa yang jarang berlaku yang saya lihat di mana pasukan melihat data yang sama, model yang sama, melalui pengesahan yang perlu dilakukan.

Oleh itu, kerjasama bersama itu sangat penting di sini. Jadi semuanya bermula dengan biologi yang berkaitan dengan penyakit. Kami bertanya kepada diri sendiri soalan mudah: adakah kita mengkaji neuron dalam konteks yang sebenarnya mencerminkan penyakit manusia? Dalam kes kita, itu bermaksud mewujudkan sel neuron yang berasal dari iPSC - kedua-dua sel neuron dan mikroglial - pada skala yang belum pernah terjadi sebelumnya: lebih daripada satu trilion neuron dan ratusan bilion mikroglia. Apa yang dilakukan ialah ia mewujudkan atlas yang kaya dan berkaitan dengan penyakit yang dapat digunakan semula berulang kali untuk menemui pelbagai sasaran masa depan.

Kami melihat atlas ini sebagai salah satu kelebihan daya saing jangka panjang yang paling penting. Tetapi menjana data proprietari, walaupun penting, tidak mencukupi. Cabaran seterusnya adalah memahaminya. Sebelum meminta model mencari sesuatu yang baru, kami mendasarkan setiap analisis dalam biologi kausal yang kita fahami hari ini. Oleh itu, benar-benar mendasarkannya dalam genetik, kami memperkenalkan beratus-ratus gangguan penyebab penyakit dan melibatkan carian kami di sekitar pemacu penyakit neurologi yang mapan.

Itu penting kerana ia memberikan setiap ramalan biologi berikutnya dari sasaran kausal sejak awal. Daripada mencari secara membuta tuli merentasi genom, kita mencari dari asas yang berasaskan genetik kausal dan biologi penyakit. Sekarang, setelah itu ditubuhkan, AI dapat membantu kami - dan model asas kami - bertanya soalan yang jauh lebih menarik: apa yang tidak dilihat? Apa yang boleh menjadi biologi yang belum diterokai yang tidak kita ketahui hari ini? Di sinilah model asas kami masuk.

Daripada menilai satu hipotesis pada satu masa, model membandingkan tandatangan biologi lebih daripada 17,000 gen merentasi puluhan juta titik data. Mereka membina hubungan di seluruh genom dan mengenal pasti gen yang secara konsisten berkelakuan seperti pemacu penyakit yang diketahui, walaupun mereka tidak pernah terlibat dalam penyakit itu sebelum ini. Itu membolehkan model data dan asas - bukan hipotesis yang telah dijadikan sebelumnya - menyusun senarai yang diutamakan bagi sasaran berpotensi baru yang baru.

Sekarang, AI boleh menghasilkan hipotesis, tetapi ubat-ubatan dan program memerlukan bukti. Bersama Roche/Genentech, kami melihat setiap sasaran yang diramalkan dan kemudian meletakkannya melalui kaskad pengesahan eksperimen yang ketat. Kami membina keyakinan dalam lapisan. Pertama, kami membuktikan bahawa sasaran sebenarnya terletak di laluan biologi yang betul. Kedua, kami menunjukkan bahawa mengubah sasaran dapat meningkatkan fungsi selular - misalnya, neuron atau mikroglia. Dan akhirnya, sangat kritikal, kami menunjukkan bahawa sasaran ini dan memodulasinya boleh mempengaruhi biologi yang berkaitan dengan penyakit dengan makna menggunakan pelbagai ujian ortogonal.

Ujian ini sangat kuat, tetapi ia juga merangkumi lapisan data multi-omik lain seperti proteomik, transkriptomik, dan lain-lain Walaupun tidak ada satu eksperimen yang menceritakan kisahnya, apa yang kita lakukan di sini adalah membina sekumpulan bukti kausal sebelum memajukan sasaran. Oleh itu, menyatukan semuanya, kerjasama kami menggabungkan empat keupayaan: menjana biologi yang berkaitan dengan penyakit pada skala yang belum pernah terjadi sebelumnya — dan sukar untuk dilakukan, untuk benar-benar mempunyai satu trilion sel neuron yang berasal dari iPSC yang berkualiti tinggi, standard, berdaya maju; memerlukan banyak protokol khusus dan pengetahuan untuk melakukannya. Kedua, kami menggunakan model asas untuk meneroka biologi itu secara sistematik. Ketiga, kami menavigasi dari mekanisme penyakit yang difahami dengan baik ke arah biologi baru yang belum diterokai sebelumnya. Dan akhirnya, langkah yang sangat penting adalah mengesahkan semua ramalan ini secara eksperimen sebelum kita memajukkannya. Jadi sasaran neurosains pertama kami, seperti yang saya nyatakan sebelum ini, kini telah maju ke dalam program penemuan molekul kecil yang dibangunkan bersama yang disokong oleh platform reka bentuk kami.

Dan sekali lagi, apa yang paling menggembirakan kita adalah sasaran ini, tetapi hakikat bahawa data jenis ini sangat boleh digunakan semula - potensi untuk melombongnya berulang kali untuk sasaran yang belum diterokai - dan juga bahawa ini bukan hasil dari satu algoritma atau satu eksperimen. Ini adalah hasil daripada model operasi baru untuk menemui ubat-ubatan. Sebelum saya menyerahkannya kepada Vicki, saya ingin menyerlahkan, ketika kita beralih ke program dalaman kami, saluran paip. Seperti yang anda lihat di sini, kami mempunyai pelbagai program di klinik.

Kami sentiasa melihat data untuk membuat keputusan berdasarkan data untuk REC 4881 dalam FAP—di mana tidak ada terapi yang diluluskan hari ini—dan REC 1245 menyasarkan RBM39, sasaran baru kelas pertama, degrader kelas pertama. Dengan persaingan klinikal yang terhad setakat ini, digabungkan dengan aset dalaman dan rakan kongsi tambahan, kami percaya ini mewujudkan portfolio yang pelbagai dengan pelbagai peluang untuk mencipta nilai pada tahun-tahun mendatang. Dengan itu, saya akan membalikkannya kepada Vicki untuk membimbing anda melalui saluran paip dalaman dengan lebih terperinci.

Vicki Goodman, Ketua Pegawai Perubatan

Terima kasih, Najat. Saya akan bermula pagi ini dengan membincangkan program REC 4881 kami di FAP. FAP adalah penyakit yang jarang berlaku yang memerlukan pengurusan seumur hidup. Pesakit dengan FAP mengembangkan ratusan hingga ribuan polip adenomatous di saluran GI mereka dan memerlukan kolektomi untuk mengurangkan risiko kanser kolorektal. Selepas kolektomi, polip boleh terus berkembang dan tumbuh baik di saluran GI bawah sisa dan juga di duodenum di saluran GI atas. Pesakit memerlukan pengawasan endoskopi yang berterusan, mungkin memerlukan pembedahan tambahan, dan mereka terus berisiko untuk kanser GI.

Dengan lebih 50,000 pesakit pasca kolektomi di AS dan EU5, tidak ada terapi sistemik yang diluluskan untuk mengubah perjalanan penyakit. Ini mewakili pasaran yang boleh ditangani berpotensi lebih dari $10 bilion. REC 4881 adalah perencat MEK1/2 oral dengan mekanisme tindakan ganda yang berbeza dalam FAP, dengan potensi untuk menghalang kedua-dua pembentukan polip baru melalui penghambatan crosstalk laluan beta-catenin serta mengganggu isyarat secara langsung laluan MAP kinase, yang merupakan laluan isyarat utama dalam penyakit lanjutan - jadi sekali lagi menyekat berpotensi kedua-dua pembentukan polip baru serta polip sedia ada dalam saluran GI.

Oleh itu, saya ingin meluangkan masa sebentar untuk membincangkan kesan penyakit ini pada pesakit melalui kisah seorang wanita bernama Jenny yang tinggal bersama FAP. Seperti kira-kira 70% pesakit FAP, Jenny mewarisi mutasi genetik yang bertanggungjawab untuk FAP dari ibu bapa, dalam kesnya ibunya. Melihat apa yang dialami ibunya mempunyai kesan psikologi yang mendalam terhadap Jenny, yang tahu sejak usia muda 8 tahun bahawa dia juga membawa mutasi ini. Dia sejak itu terpaksa mengalami pelbagai pembedahan, yang menyebabkan komplikasi kronik dan mengubah hidup termasuk pergerakan usus yang kerap, malabsorpsi dan dehidrasi, sakit perut kronik dan kegelisahan dengan PTSD perubatan dari semua pembedahan dan prosedur. Kami telah mendengar daripada kedua-dua pesakit seperti Jenny dan juga doktor mereka yang merawat minat dalam campur tangan farmaseutikal yang dapat mencegah pertumbuhan polip dan perkembangan penyakit dan akhirnya membawa kepada pengurangan keperluan untuk prosedur pembedahan berulang. REC 4881 telah menunjukkan data klinikal yang menjanjikan. Dalam kajian TUPELO Fasa 2 yang sedang berjalan, pesakit yang telah menjalani kolektomi untuk FAP menerima 4881 menunjukkan pengurangan beban polip median sebanyak 43% setelah tiga bulan rawatan.

Kesan rawatan itu tahan lama, dengan pengurangan berterusan setelah tiga bulan berhenti rawatan. Selain itu, pengurangan beban polip dilihat pada kedua-dua penyakit duodenal di saluran GI atas dan juga saluran GI bawah. Saluran GI atas khususnya adalah kawasan yang mempunyai keperluan yang tinggi yang tidak dipenuhi, kerana kira-kira 90% pesakit FAP akan mengembangkan polip GI atas. Apabila penyingkiran polip GI atas ini menjadi perlu, dinding mukosa nipis saluran GI atas meningkatkan kemungkinan komplikasi, termasuk pendarahan dan perforasi.

REC 4881 mempunyai profil keselamatan yang dapat dikendalikan dengan kejadian buruk yang kebanyakannya ringan hingga sederhana selaras dengan profil keselamatan perencat MEK yang lain. Kami terus mendaftarkan pesakit pada percubaan TUPELO Fasa 2, termasuk pesakit berumur 18 tahun ke atas, serta kohort pengoptimuman dos. Kami gembira untuk berkongsi bahawa data REC 4881 tambahan akan dibentangkan semasa Sesi Pleno Presiden di Persidangan CGA-IGC pada bulan November. Seperti yang disebutkan Najat sebelum ini, persidangan ini memberi tumpuan khusus kepada sindrom kanser GI yang diwarisi, dengan khalayak sasaran termasuk doktor yang merawat pesakit FAP.

Kami juga berharap dapat memberikan kemas kini mengenai perbincangan FDA akhir tahun ini. Sekarang saya akan beralih ke REC 7735. PI3 kinase sering bermutasi dalam beberapa kanser dan merupakan sasaran terapeutik yang disahkan secara klinikal. Kekurangan selektiviti untuk bentuk bermutasi berbanding jenis liar adalah cabaran utama bagi agen sedia ada, kerana penghambatan kinase PI3 jenis liar mendorong hiperglikemia. Peningkatan glukosa darah adalah masalah keselamatan, yang sering mengehadkan dos, dan masalah keberkesanan, kerana hiperinsulinemia yang dihasilkan dapat mengaktifkan semula isyarat melalui jalur kinase PI3, menjejaskan keberkesanan ubat yang kurang selektif.

REC 7735 direka dengan ketepatan untuk lebih besar daripada 100 kali ganda selektif untuk mutasi H1047R, yang merupakan mutasi pengaktifan yang paling kerap dalam kinase PI3. Platform AI asli Recursion Pharmaceuticals mengenal pasti tapak pengikat yang belum diterbitkan sebelumnya dan menyampaikan calon pembangunan dalam 10 bulan tanpa liabiliti luar sasaran yang dikenal pasti. Oleh kerana hiperglikemia dan hiperinsulinemia yang dihasilkan didorong oleh penghambatan PI3K jenis liar, selektiviti 7735 dijangka menghasilkan profil keselamatan yang lebih baik berkenaan dengan hiperglikemia dan boleh memungkinkan pengembangan ke pesakit seperti pesakit diabetes dan pra-diabetes yang tidak dapat bertolak ansur dengan pilihan penyasaran kinase PI3 semasa. Indeks terapeutik yang lebih baik, seperti yang telah saya jelaskan, mungkin membolehkan kita mengembangkan populasi pesakit yang boleh dirawat baik dalam petunjuk perencat alpha PI3 kinase sedia ada serta tumor pepejal tambahan di mana mutasi PIK3CA lazim, termasuk barah payudara berpotensi tiga negatif, kanser ovari, dan kanser endometrium, untuk menamakan beberapa. Selain itu, indeks terapeutik yang lebih baik mungkin memungkinkan pengembangan ke peringkat awal penyakit dalam onkologi serta populasi bukan onkologi seperti anomali vaskular yang didorong oleh kinase PI3.

Dengan IND kini dibebaskan oleh FDA, kami berhasrat untuk memulakan percubaan Zinnia Fasa 1 akhir tahun ini. Peningkatan dos akan bermula pada pesakit dengan tumor pepejal mutan PIK3CA H1047R. Setelah toleransi disahkan pada dos aktif, kami berhasrat untuk berkembang ke dalam kohort pesakit yang rentan hiperglikemia untuk mengesahkan peningkatan toleransi dalam populasi pesakit ini. Pengoptimuman dos dua dos aktif dan diterima kemudian akan dilakukan pada pesakit barah payudara ER-positif, HER2-negatif.

Kami juga boleh berkembang menjadi jenis tumor tambahan berdasarkan data yang muncul. Kami menjangkakan untuk berkongsi data pertama dari bahagian peningkatan dos ini dalam percubaan pada separuh pertama tahun 2028 dan dengan itu saya akan menyerahkannya kembali kepada Najat.

Najat Khan, Ketua Pegawai Eksekutif & Presiden, Ahli, Lembaga Pengarah

Terima kasih, Vicki, dan menukar gear sedikit, kami sering ditanya sama ada kemajuan dalam AI sempadan dapat mengurangkan atau meningkatkan kelebihan daya saing Recursion Pharmaceuticals. Kami percaya kami mempunyai kelebihan daya saing yang benar-benar unik. Apabila model dan ejen penaakulan terus bertambah baik - slaid seterusnya - mereka menjadi lebih berkuasa secara dramatik apabila dipasangkan dengan data proprietari, makmal automatik, dan maklum balas eksperimen sebenar. Itulah sistem yang telah kita bina selama bertahun-tahun sekarang.

Kami menggunakan ejen merentasi biologi, kimia, dan pembangunan klinikal, merentasi enjin dan juga bersama saintis kami dalam biologi. Berikut adalah beberapa contoh yang sangat cepat. Penyambung penemuan sasaran kami membantu saintis menyoal siasat peta biologi proprietari kami dalam beberapa jam dan bukannya minggu. Ini adalah peta besar yang baru kita bicarakan sebelumnya dalam perkongsian kami dengan Roche Genentech, tetapi juga peta dalaman yang telah dibina oleh Recursion Pharmaceuticals selama bertahun-tahun, mempercepat penemuan sasaran baru.

Dalam kimia, ejen reka bentuk kami menganggap struktur, SAR dan data eksperimen untuk mengutamakan hipotesis reka bentuk seterusnya pada titik infleksi kritikal dalam program. Ini membantu saintis kami memutuskan apa yang harus dibuat seterusnya dan memampatkan kitaran reka bentuk dari kira-kira empat jam analisis struktur hingga kira-kira 30 minit. Dan dalam pembangunan klinikal, aliran kerja agentik sudah meningkatkan pendaftaran pesakit, menyumbang kepada peningkatan sekitar 1.3 hingga 1.6 kali ganda berbanding penanda aras sejarah.

Itu penting. Ini masih merupakan contoh awal, tetapi saya akan mempunyai Chris Radu, Pengarah Teknologi Berasaskan Struktur kami, yang berada dalam hari ini, membimbing anda melalui contoh sebenar dalam amalan.

Chris Radu, Pengarah Teknologi Berasaskan Struktur

Bagaimana kita merancang ubat kita penting sama seperti ubat-ubatan itu sendiri. Ini bukan mengenai satu kaedah. Ini mengenai ekosistem — alat, pengiraan, data dan UI yang meningkatkan produktiviti sambil menangkap niat setiap keputusan, setiap langkah. Bekerja pada sasaran yang sukar untuk diubatkan boleh terasa seperti berjalan dengan ketat melalui ruang kimia. Kami sangat sengaja tentang ke mana kita melangkah. Kami meminimumkan bilangan sebatian yang kami buat melalui penerokaan mendalam dalam silico. Kami telah menangkap 97 bilion ramalan merentasi 5.5 bilion rekod kompaun, dapat dikesan kepada larian reka bentuk yang membuatnya dan masalah yang cuba diselesaikan oleh pereka bentuk. Ini menjadi buku permainan untuk ejen masa depan. Automasi dan pengiraan yang banyak bermakna kami dapat menjalankan pengiraan secara proaktif untuk setiap kompaun projek. Ini memastikan ejen reka bentuk mempunyai konteks yang kaya untuk mentafsir data eksperimen. Di sini, seorang ahli kimia bertanya bagaimana untuk meningkatkan potensi.

Dalam beberapa saat, ejen mengenal pasti pandangan dari sebatian yang telah diketepikan oleh pasukan kerana masalah keterlarutan. Kemudian mereka menjelaskan mengapa. Ejen menarik pengiraan berasaskan fizik yang telah dikira untuk menunjukkan bahawa keuntungan ini bukan interaksi baru; ia adalah ketegangan konformasi. Itu memberitahu pasukan dengan tepat bagaimana mereka bentuk semula - hubungan yang tidak dapat dipegang oleh saintis tunggal - muncul, dijelaskan, dan berubah menjadi reka bentuk seterusnya. Begitulah cara pasukan kami bergerak lebih cepat. Pendekatan kami untuk reka bentuk sentiasa sesuai dengan automasi. Input kami jauh lebih mudah direkodkan daripada inspirasi di bangku. Beberapa tahun menangkap kerja reka bentuk ubat kami sendiri telah membina katalog pengetahuan reka bentuk yang besar, dan ejen membantu kami membuka kuncinya.

Najat Khan, Ketua Pegawai Eksekutif & Presiden, Ahli, Lembaga Pengarah

Terima kasih, Chris. Apa yang baru anda lihat bukanlah chatbot yang menjawab soalan. Ia adalah ejen AI yang menimbulkan data eksperimen proprietari kami, data in silico kami, pengetahuan projek sejarah kami dan biologi struktur untuk memperluas pandangan yang sebaliknya memerlukan para saintis masa yang lama, tetapi kemudian juga pandangan yang tidak jelas. Itu kerana dalam penemuan dadah, kesesakan sebenarnya hanya menghasilkan idea. Ia mencari idea yang tepat cukup cepat untuk memastikan kitaran membuat, menguji, belajar bergerak.

Oleh kerana ejen ini terus bertambah baik bersama model sempadan, kami percaya mereka akan menjadi pengganda yang sangat kuat dari apa yang telah kita bina. Dan akhirnya, saya ingin menyerlahkan aspek lain dari strategi AI kami. AI maju dengan sangat cepat dan tidak ada model tunggal yang akan kekal canggih selama-lamanya. Strategi kami tidak bergantung pada mana-mana model; ia adalah untuk membina enjin produk asli AI yang dapat berkembang dengan cepat dan menggunakan kemajuan terbaik, sama ada ia dibangunkan di Recursion Pharmaceuticals atau oleh komuniti sumber terbuka yang lebih luas.

NESO1 adalah contoh yang hebat. Kami membangunkan dan membuka sumber model ini. Ini adalah model pertalian mengikat yang memberikan ketepatan tahap peningkatan dengan kesimpulan 10 hingga 20x lebih pantas, membantu memajukan bidang sambil membolehkan kitaran reka bentuk yang lebih cepat secara dramatik. Tetapi lihat, kelebihan sebenar bukanlah model itu sendiri. Ini adalah sistem operasi kami. Ia adalah model operasi kami. Keupayaan kami untuk mengintegrasikan model-model ini dengan cepat ke dalam data proprietari kami yang meningkatkan prestasi ramalan, mempercepat pembuatan, ujian, gelung belajar dan membolehkan kita menilai banyak lagi sebatian dengan kos yang lebih rendah.

Dan akhirnya, teknologi hebat hanya mencipta nilai jika anda mempunyai orang yang tepat untuk menterjemahkannya ke dalam perubatan. Kami yakin itu dan itulah sebabnya kami telah mengukuhkan pasukan kepimpinan kami dalam dua bidang kritikal. Pertama, Dr. Hoifung Poon menyertai kami sebagai Ketua Pegawai AI. Hoifung adalah salah satu penyelidik AI terkemuka di dunia dengan lebih daripada 15 tahun di Microsoft Research, di mana beliau mengetuai kerja perintis dalam model asas bioperubatan dan AI untuk penjagaan kesihatan. Walau bagaimanapun, yang penting, dia bukan hanya seorang penyelidik; dia telah berulang kali menterjemahkan AI sempadan ke dalam aplikasi dunia nyata dan menggunakannya secara berskala. Di Recursion Pharmaceuticals, beliau akan menyatukan strategi AI hujung ke hujung kami, menyatukan penyelidikan sempadan dan AI yang digunakan merentasi biologi, kimia dan klinik. Kedua, Dr. Donovan Chen menyertai kami untuk mengetuai reka bentuk ubat. Donovan telah menghabiskan lebih dari dua dekad menyelesaikan beberapa masalah paling sukar dalam penemuan dadah. Daripada molekul kecil dan terapi yang disasarkan RNA kepada ubat-ubatan berasaskan kedekatan dan modaliti peptida di seluruh Parabolas, Arrakis dan Novartis, dia berulang kali membantu membuka kunci sasaran yang sebelumnya dianggap sukar atau bahkan mustahil untuk diubat. Keluasan merentas modaliti dan kedalaman dan pengalaman menterjemahkan reka bentuk pengiraan ke dalam ubat-ubatan adalah jenis keupayaan yang kita perlukan untuk terus membina di Recursion Pharmaceuticals. Bersama-sama, Hoifung dan Donovan mengukuhkan dua enjin yang akan terus menentukan masa depan kita: AI bertaraf dunia dan reka bentuk saintifik bertaraf dunia. Sekarang saya akan menyerahkannya kepada Ben untuk memberi kami kemas kini kewangan.

Ben Taylor, Ketua Pegawai Kewangan dan Presiden Recursion UK

Terima kasih, Najat. Seperti yang telah saya katakan pada masa lalu, kami mahu terus meningkatkan kesan setiap dolar yang kita belanjakan. Kami menunjukkan ini hari ini dengan menurunkan panduan perbelanjaan operasi tunai tahun penuh tahun 2026 kepada 375 juta. Secara keseluruhan, panduan 2026 kami yang disemak semula mewakili pengurangan hampir 40% daripada perbelanjaan pro forma 2024 yang setanding. Melalui pengurusan berasaskan data yang berdisiplin, kami dapat terus menurunkan OPEX sambil masih memajukan saluran paip dalaman kami yang berbeza, mencapai satu siri tonggak perkongsian dan mengekalkan kedudukan kepimpinan dalam penemuan dadah yang dikuasakan AI.

Kami telah dapat meningkatkan pulangan pelaburan kami melalui pelbagai tuas di seluruh syarikat. Dalam saluran klinikal kami, kami menggunakan platform clintech kami untuk mendorong pendaftaran dan perancangan ujian klinikal kami yang lebih cekap, mengurangkan masa dan kos untuk setiap bacaan data penting. Najat dan Chris menerangkan beberapa sistem yang kami gunakan untuk menjadikan penemuan dalaman kami lebih cekap dan lebih berkesan. Kami juga memfokuskan teknologi kami untuk meramalkan dan menjawab soalan sukar terlebih dahulu supaya kami dapat mengutamakan program-program tersebut dengan potensi pembezaan klinikal dan komersil yang jelas seawal mungkin.

Kerana kami memberikan hasil yang benar-benar baru dan dibezakan, seperti tonggak Roche/Genentech kami, hari ini perkongsian kami telah mencapai lebih dari 500 juta aliran masuk tunai, termasuk lebih daripada selusin tonggak penemuan yang berjaya. Semua perkongsian kami dirancang untuk menjadi keuntungan atau menguntungkan berdasarkan kos langsung dari awal dengan pertumbuhan nilai yang besar apabila kami mencapai tonggak tonggak. Dalam enjin produk kami, kami dapat membina, menguji dan mengintegrasikan model AI pada projek sebenar menggunakan skala saluran paip dalaman dan perkongsian kami.

Kami tahu bukan sahaja jika model menandakan penanda aras dengan baik, tetapi jika penting apabila ia digunakan untuk program dadah. Aplikasi langsung ini membolehkan kita menentukan lebih awal pelaburan teknologi mana yang mungkin memberi kesan dunia nyata. Kami menggunakan gaya pengurusan berdisiplin yang sama untuk operasi korporat kami. Kami telah dapat mengekalkan G & A pada peratusan jumlah kos yang agak rendah, yang membantu kami memaksimumkan ROI saintifik setiap dolar yang kita belanjakan. Kami menamatkan suku tahun ini dengan kira-kira 557 juta wang tunai dan setara, yang kami percaya menyediakan kami dengan landasan operasi hingga awal tahun 2028.

Dan dengan itu, saya akan menyerahkannya kembali kepada Najat.

Najat Khan, Ketua Pegawai Eksekutif & Presiden, Ahli, Lembaga Pengarah

Terima kasih, Ben. Saya akan tutup dengan melihat ke hadapan. Kami membina enjin produk asli AI. Sekarang tumpuan memperluas kesannya sambil terus menerjemahkan keupayaannya ke dalam program yang betul dan titik bukti yang boleh diulang. Jadi pada portfolio kami yang dimiliki sepenuhnya, anda harus mengharapkan untuk melihat kemajuan berterusan merentasi pelbagai program: data Fasa 2 tambahan untuk REC 4881 dan kemas kini peraturan sebelum akhir tahun; kemajuan berterusan REC 1245 dengan kemas kini yang lebih sihat pada akhir tahun ini; permulaan REC 7735 yang baru disebutkan oleh Vicki; dan kemajuan merentasi saluran paip yang lebih luas. Kami berada di landasan yang melintasi pelbagai bidang tersebut. Dengan rakan kongsi kami, kami menjangkakan untuk membina momentum tahun ini berikutan kemajuan sasaran neurosains pertama yang belum diterokai sebelumnya. Dengan Genentech, kami melihat potensi program tambahan muncul dari peta kami. Dan dengan Sanofi, kami menjangkakan potensi untuk meneruskan perkembangan molekul yang direka AI ke arah calon pembangunan dan tonggak peringkat akhir.

Kami memasuki tempoh yang menarik dengan pelbagai peluang untuk menunjukkan kuasa enjin kami. Dengan itu, terima kasih sekali lagi untuk masa hari ini, dan saya dengan senang hati akan menjawab soalan anda. Hebat, jadi saya hanya akan meneliti beberapa soalan. Soalan pertama yang datang dari Alec dari BofA dan Sean dari Morgan Stanley: Terima kasih. Bagaimanakah kerjasama dengan Roche/Genentech membentuk templat untuk bagaimana anda boleh memanfaatkan platform anda dengan rakan kongsi lain?

Mungkin dua hingga tiga aspek yang anda fikir boleh dipindahkan dan memberikan titik bukti? Ya, maksudku, soalan yang bagus. Terima kasih berdua. Gambaran besar, anda tahu, cara kami membangunkan set data novel kami untuk membuat peta novel dan kemudian kami membawa sasaran baru dan sebatian reka bentuk tersebut ke klinik - semacam makmal dalam gelung itu adalah sesuatu yang kami gunakan untuk kedua-dua program dalaman kami dan untuk program rakan kongsi kami. Jadi templat itu adalah sesuatu yang hanya akan menjadi lebih baik, lebih cepat semasa kami meneruskan dan kami boleh, anda tahu, dari segi rakan kongsi baru atau rakan kongsi semasa, kami akan terus menskalakannya.

Seperti yang saya nyatakan sebelum ini, anda tahu, pembezaan kami benar-benar terletak pada tiga bidang. Salah satunya ialah kilang data. Maksud saya, terutamanya memandangkan banyak perkara yang tidak diketahui dengan baik, mempunyai akses kepada biologi dan data yang hebat sangat penting dan memerlukan masa bertahun-tahun untuk dibina. Saya ingin menekankan bahawa memahami cara menjana data itu, mengesahkan data itu, mengembangkan model, dan juga mempunyai komputer super - yang kita ada di lokasi tersembunyi di Salt Lake City - mempunyai keseluruhan timbunan itu untuk memahami data itu kembali ke makmal dan mengesahkannya, saya fikir itu adalah sesuatu yang kita adalah salah satu daripada sedikit syarikat yang boleh melakukannya dan kami terus mendorong momentum di sana. Soalan seterusnya - dan ini adalah soalan dari Sean dari Morgan Stanley, Gil dari Needham dan Brendan dari Cowen: Bolehkah anda memberikan kemas kini mengenai penglibatan FDA pada REC 4881 di FAP, laluan pendaftaran dan data yang muncul di CGA IGC? Vicky, kau nak buat kita mulakan?

Vicki Goodman, Ketua Pegawai Perubatan

Pasti, saya akan gembira. Mungkin saya akan mulakan dengan data yang akan datang di CGA IGC. Oleh itu, kami membentangkan data dari percubaan Fasa 2 TUPELO untuk pertama kalinya pada bulan Disember tahun lalu melalui webinar. Kami fikir sangat penting untuk meletakkan data ini di hadapan doktor yang merawat pesakit dengan FAP. Oleh itu, ini akan menjadi set data yang dikemas kini sekali lagi dibentangkan dalam persembahan lisan pada sesi pleno presiden pada mesyuarat itu, yang berlaku pada bulan November, di mana anda mungkin melihat analisis tambahan yang membantu mengkontekstualisasikan relevansi klinikal data serta pesakit tambahan yang berpotensi dalam analisis itu juga.

Oleh itu, kami tidak sabar-sabar untuk berkongsi butiran tersebut dengan komuniti merawat FAP akhir tahun ini. Berkenaan dengan penglibatan FDA, seperti yang telah kami katakan, ini berterusan. Saya rasa penting untuk diingat terdapat preseden pengawalseliaan yang sangat terhad dalam FAP. Oleh itu, penglibatan kami di sini benar-benar adalah untuk memastikan bahawa kami menghilangkan risiko reka bentuk kajian dari sudut pengawalseliaan, termasuk perkara seperti apa yang merupakan titik akhir utama yang sesuai untuk menunjukkan manfaat klinikal.

Dan saya akan mengatakan, anda tahu, sebagai seseorang yang bekerja di FDA bertahun-tahun yang lalu, perbincangan itu, perbualan itu produktif dan saya rasa membantu kami mencapai tahap yang lebih baik dari segi reka bentuk kajian. Jadi tidak ada yang luar biasa di sana. Sekali lagi, ini hanyalah penyakit yang jarang berlaku dengan preseden yang terhad. Dan, anda tahu, kami terus mengadakan dialog produktif dengan FDA dan tidak sabar-sabar untuk berkongsi, setelah kita mempunyai sesuatu yang lebih konkrit untuk dikongsi. Tidak sabar-sabar untuk berkongsi maklumat lanjut mengenai perkara itu pada akhir tahun ini.

Najat Khan, Ketua Pegawai Eksekutif & Presiden, Ahli, Lembaga Pengarah

Terima kasih, Vicky. Baiklah, saya akan beralih ke soalan seterusnya. Ben, ini untuk awak dari Priyanka, JPM, dan Gail dari Neeta. Bolehkah anda memberikan lebih banyak warna mengenai kecekapan operasi yang dilakukan untuk mengurangkan panduan OPEX? Adakah terdapat potensi untuk mengetatkan tali pinggang selanjutnya pada OPEX pada separuh kedua tahun 2026?

Ben Taylor, Ketua Pegawai Kewangan dan Presiden Recursion UK

Ya, soalan yang bagus. Dan saya rasa seperti yang anda lihat dalam persembahan yang dibincangkan oleh Najat, kami tidak mengubah sebarang panduan sepanjang tahun kami mengenai hasil yang kita cuba capai sepanjang tahun ini. Dan saya fikir itu sangat penting untuk diingat kerana pengurangan panduan ini sebenarnya adalah dari melakukan jumlah yang sama atau lebih dengan lebih sedikit. Oleh itu, apa yang benar-benar kami cuba fokuskan ialah bagaimana kita boleh mendapatkan jawapan yang paling penting terlebih dahulu - anda mendengar beberapa penerangan mengenai teknologi yang dilalui oleh Chris, yang membawa kami melalui Najat - dan itu benar-benar membuat perbezaan bagaimana kita boleh beroperasi dan bagaimana kita boleh menyampaikan hasil tersebut.

Jadi saya fikir kami memulakan tahun ini dan kami mempunyai beberapa idea di mana kita boleh pergi. Apa yang kita lihat ialah mereka sebenarnya mempunyai kesan. Kami sebenarnya mendapat jawapan dengan lebih cepat dan lebih murah. Saya fikir nombor yang harus digunakan oleh semua orang adalah nombor yang kita berikan sebagai panduan, iaitu 375. Itulah jangkaan kami di mana kita akan beroperasi. Tetapi pada inti kita, kita sentiasa mencari cara yang lebih baik dan cepat untuk melakukan semua yang kita lakukan. Kami adalah syarikat teknologi dan kita sepatutnya semakin cekap dari masa ke masa.

Oleh itu, kami akan terus mencari dan mengemas kini anda kerana kami tahu lebih lanjut.

Najat Khan, Ketua Pegawai Eksekutif & Presiden, Ahli, Lembaga Pengarah

Terima kasih, Ben. Ya. Dan hanya untuk mengulangi bahawa, anda tahu, kami mempunyai, kami selalu mempunyai komitmen untuk memastikan setiap dolar melangkah lebih jauh dengan beberapa penambahbaikan yang kita lihat dalam enjin kami. Anda tahu, anda melihat beberapa contoh di sekitar fakta bahawa, anda tahu, kami merancang 90%, kami membuat, secara fizikal membuat 90% kurang sebatian. Untuk yang masuk ke klinik, kami mengambil masa kira-kira satu setengah tahun berbanding empat tahun berbanding industri.

Itu adalah peningkatan yang bermakna dalam halaju yang kita lihat dalam enjin kita dan kami memastikan bahawa itu sebenarnya melibatkan perbelanjaan kita. Kami menyebut awal tahun ini bahawa kami mengubah anggaran kami kepada anggaran berasaskan hasil supaya setiap aspek, seperti Alec dan Sean, kembali kepada soalan anda, apabila kami melakukan perkongsian, kami tahu sepenuhnya kos membina peta program dan sebagainya. Dan itu benar-benar membantu kita untuk memastikan kecekapan tersebut direalisasikan.

Perkara lain yang saya juga akan katakan, kami terus memberi tumpuan kepada G & A kami dan memastikan bahawa setiap dolar sebenarnya akan pergi ke program dan perkongsian kami. Oleh itu, kita akan terus memberi tekanan. Itulah komitmen kami. Sama seperti komitmen kami adalah untuk menyampaikan titik bukti dari apa yang benar-benar boleh menjadi titik infleksi nilai bagi komuniti yang lebih luas dari segi program dan penggunaan AI untuk mencipta nilai. Baiklah. Dengan itu, saya akan pergi ke soalan seterusnya, soalan platform dari Alec, dari BFA dan banyak lagi.

Baiklah. Dengan pelbagai syarikat teknologi memasuki pengembangan dadah dan apabila AI generatif menjadi semakin tersedia, bagaimana Recursion membezakan dirinya hari ini dan di masa depan? Dan apa yang anda percaya kekal sebagai kelebihan daya saing tahan lama Recursion yang pesaing akan merasa sukar untuk ditiru dalam tempoh lima tahun akan datang. Soalan hebat, Alec dan semua orang lain yang memilikinya. Saya rasa itulah sebabnya anda melihat slaid kedua dalam persembahan itu benar-benar sekitar parit tahan lama kami dan pembezaan kami dan itu berkembang dari masa ke masa.

Saya rasa nombor satu adalah kilang data. Lihat, anda hanya mengatakan AI generatif semakin tersedia, mungkin ada yang mengatakan bahkan komoditi. Di manakah perbezaan itu berasal? Sekiranya 80, 90% biologi tidak diketahui, ia mesti datang dari penjanaan data berkualiti tinggi. Model bergantung pada data berkualiti untuk dilatih. Dan anda melihat dengan contoh dengan Roche Genentech yang kami kongsi hari ini, tetapi juga secara keseluruhan, bermula dengan set data yang berkaitan dengan penyakit juga penting.

Itu tidak wujud. Jadi untuk membina itu, seperti trilion sel neuron yang berasal dari iPSC, itulah kapasiti pembuatan sel yang kita ada di makmal Salt Lake City kami. Selama bertahun-tahun kita telah melalui kesakitan dan penderitaan apa yang berfungsi dan apa yang tidak berfungsi. Oleh itu, fikirkan ia sebagai kemampuan yang benar-benar matang dan semakin disahkan. Jadi itu adalah salah satu kilang data dan itu bukan hanya untuk biologi. Anda mendengar daripada Chris Radu, 10 tahun benar-benar melakukan reka bentuk molekul kecil.

Berjuta-juta hingga berbilion sel maya, molekul maya yang telah dihasilkan juga memberi kita banyak data kaya, bukan hanya di kawasan yang diketahui oleh dunia seperti kinase, tetapi sebenarnya sasaran lain yang kurang dikenali dan tidak tersedia dalam pangkalan data protein, PDB, misalnya, dan lain-lain. Jadi itu satu tiang besar. Kedua, saya tidak dapat menekankan cukup ialah makmal dalam gelung, model operasi itu. Kerana, anda tahu, satu perkara untuk mempunyai data yang hebat, satu lagi perkara untuk mempunyai model yang hebat.

Tetapi sangat penting, kita perlu mengesahkan ramalan ini. Satu-satunya cara kami menjadikan ini sebagai utiliti berguna pada penghujung hari untuk membuat ubat adalah jika anda mengesahkannya kembali ke makmal dan maklum balas itu, baik atau buruk, kembali ke model untuk menjadikannya lebih baik dan lebih pintar. Kami melakukan perkara yang sama dengan ejen AI. Semakin banyak anda terlibat dengan mereka, semakin banyak anda memberi mereka maklum balas, mereka menjadi lebih baik. Saya fikir makmal bersepadu dalam gelung itu - di sana - sukar untuk dibina kerana dua sebab.

Ia memerlukan banyak kepakaran teknikal. Ya. Ia mengambil masa bertahun-tahun untuk mengetahui apa yang berfungsi, apa yang tidak berfungsi. Ia memerlukan banyak pengulangan. Dan dengan rakan kongsi yang merupakan antara yang terbaik dalam industri, kami belajar lebih cepat. Tetapi sebahagian besarnya juga budaya. Ia budaya. Saya selalu menyebut karya bahawa kita mempunyai saintis dwibahasa yang memahami - lebih memahami, saya katakan - kedua-dua sains dan teknologi, yang menghargai cabaran dan peluang dengan kedua-duanya, pemikiran terbuka di mana ejen memberi anda hipotesis yang berbeza dari apa yang anda mulakan.

Apabila anda berada dalam kimia perubatan yang telah bekerja di ruang itu selama beberapa dekad, itu memerlukan pemikiran yang berbeza dan saya tidak dapat menekankannya dengan cukup. Dan kemudian bahagian ketiga ialah, apa yang sebenarnya kita buat dari enjin? Awak tahu, FAP, kelas pertama, oral untuk penyakit di mana tiada apa yang diluluskan. Ia adalah aset bernilai tinggi yang mandiri. RBM39, kelas pertama. Sasaran, kelas pertama. Degrader dibina dari platform ini dengan persaingan yang terhad. Oleh itu, anda tahu apa yang akan anda lihat dalam saluran paip kami adalah peningkatan tambahan.

Tetapi mana-mana satu atau dua ubat yang sebenarnya boleh menjadi aset yang dibezakan sendiri dengan sendirinya, dan kita semua tahu itu memerlukan masa. Oleh itu, saya fikir itu adalah tiga bidang besar yang bukan sekadar kelebihan untuk hari ini, tetapi berterusan kerana setiap minggu kami melakukan 2 juta lagi eksperimen di makmal kami. Parit data tumbuh. Setiap minggu kita sebenarnya mempunyai orang yang menjalani makmal itu dan mereka belajar, itu berkembang. Dan seperti yang anda lihat, dengan setiap minggu, bulan, kami membuat kemajuan dalam talian kami dan itu memerlukan masa, daya tahan, fokus, dan disiplin.

Dan itulah yang kita lakukan. Baiklah, satu soalan lagi untuk Vicki. Soalan PI3K dari Brendan dari Cowen dan Dennis di Jefferies. Nampaknya 7735 melepasi kriteria dalaman anda untuk keputusan go/no-go dengan Fasa 1 untuk bermula pada separuh kedua tahun 2026. Bolehkah anda memberitahu kami lebih lanjut mengenai proses go/no-go, apa mengenai profil praklinikal yang memberi anda keyakinan bahawa ini adalah calon yang tepat, dan juga apa yang telah diberitahu oleh platform AI Recursion kepada anda mengenai jalan pembangunan terbaik ke hadapan dari segi reka bentuk kajian, pemilihan pesakit, dan sebagainya?

Dan kemudian ada satu lagi soalan sub, tetapi saya akan mulakan dengan itu.

Vicki Goodman, Ketua Pegawai Perubatan

Pasti. Jadi mula-mula mungkin bermula dengan mengatakan bahawa kami percaya bahawa ada ruang untuk peningkatan dalam ruang kinase PI3. Jadi sekali lagi, ini adalah mutasi yang sangat biasa dalam keganasan tertentu, termasuk kanser payudara positif reseptor hormon, tetapi juga melampaui kanser payudara ke dalam keganasan GYN lain serta kanser kepala dan leher dan kanser kolon dan lain-lain. Sasaran yang sangat penting, masih belum dipenuhi keperluan dari segi memaksimumkan indeks terapeutik dan akhirnya keberkesanan yang dilihat oleh pesakit.

Oleh itu, proses go/no-go benar-benar melibatkan penilaian yang ketat dan pembinaan keyakinan dalam set data praklinikal kami. Jadi selektiviti yang membolehkan kita mencapai sasaran dengan keras tanpa melihat ketoksikan tambahan. Jadi sekali lagi, baik dari segi keberkesanan yang kita lihat dalam model praklinikal yang kelihatan serupa dengan-sekurang-kurangnya serupa, jika tidak bertambah baik - profil pesaing, profil keselamatan, termasuk kekurangan hiperglikemia, tetapi juga tentu saja kajian GLP tox kami, semua ini, anda tahu, membantu kami membina keyakinan bahawa ini adalah molekul yang tepat untuk bergerak maju ke dalam ujian klinikal.

Sudah tentu, akhirnya, anda tahu, setelah menilai data ini, kami membuat keputusan untuk terus maju. Kami telah menyerahkan IND dan IND itu kini telah dibersihkan dan kami berharap lagi untuk memulakan kajian itu tahun ini. Dari segi platform AI, anda tahu, saya rasa salah satu bahagian utama dari perspektif klinikal adalah, anda tahu, pesakit ini akan dipilih berdasarkan mutasi H1047R. Jadi biomarker yang memerlukan diagnostik. Dan salah satu bidang utama di mana saya fikir platform ini membantu kami adalah dari segi kemampuan kami untuk mencari pesakit ini, mencari geografi dan tapak yang tepat untuk menjalankan percubaan klinikal kami, dan membantu kami mempercepat pendaftaran populasi pesakit ini.

Najat Khan, Ketua Pegawai Eksekutif & Presiden, Ahli, Lembaga Pengarah

Terima kasih, Vicki. Mungkin hanya beberapa perkara untuk ditambah. Kami membincangkan perkara ini pada awal, iaitu untuk sebatian ini secara khusus, selektiviti melebihi 100x berbanding jenis liar. Jadi ia menjimatkan jenis liar. Mengapa itu penting? Penting dari perspektif bolehkah kita benar-benar meminta pesakit kekal pada peningkatan intensiti dos, tempoh dos, seperti yang disebutkan oleh Vicki. Oleh itu, benar-benar cuba meningkatkan hasil untuk pesakit dan TI. Tetapi juga dengan peningkatan gred 1/2 dalam hiperglikemia, dan sebagainya, kami telah melihat unsur-unsur yang boleh membawa kepada mengaktifkan semula laluan yang tepat, laluan PI3K, yang anda cuba menekan, dan yang berpotensi untuk juga menjejaskan beberapa keberkesanan yang dapat dilihat. Oleh itu, terdapat banyak elemen mengapa, ketika kita melihat sebatian ini, apa yang ingin kita uji di klinik adalah, adakah ia sebenarnya memberi kita profil keselamatan yang lebih baik dan pada gilirannya bolehkah ia memberi kita profil keberkesanan yang lebih baik yang akan meningkatkan indeks terapeutik? Perkara lain yang akan saya katakan dari platform AI juga, seperti yang disebutkan oleh Vicki, satu adalah pengambilan. Kami tahu ini adalah bidang yang kompetitif. Kami bermula dengan tumor pepejal, seperti yang disebutkan oleh Vicki, tetapi ia memberi kita pilihan berdasarkan apa yang akan kita lihat dalam profil untuk pergi ke tanda-tanda onkologi atau bukan onkologi juga.

Dan itu juga satu lagi kawasan di mana platform dapat membantu, benar-benar memikirkan kumpulan pesakit yang tepat dan petunjuk yang mungkin kita pilih yang mungkin belum diterokai oleh orang lain hingga kini. Jadi banyak lagi kerja yang akan datang. Tetapi langkah pertama adalah pergi ke klinik dan memastikan bahawa kita melihat unsur-unsur yang benar-benar direka untuk sebatian itu. Dan ingat sebatian itu direka dalam 10 bulan, 242 sebatian disintesis, 13 kitaran. Dan poket itu adalah poket yang belum diterbitkan sebelumnya.

Oleh itu, kami tidak akan mengejar kawasan yang sama, itulah sebabnya anda melihat selektiviti hampir 130x berbanding jenis liar-sangat tepat, berasaskan ketepatan super. 1047 adalah salah satu mutasi yang paling kerap anda lihat di ruang angkasa, salah satu yang paling berkaitan dengan penyebab penyakit dan perkembangan. Kami teruja, tetapi sekali lagi, ini adalah sebahagian daripada pelbagai program berbeza yang kami lihat dan berdasarkan data kami akan membuat keputusan go/no-go yang betul juga. Satu mungkin hanya sub-soalan, bilakah kita harus mengharapkan data monoterapi awal?

Saya rasa Vicki telah menyebut separuh pertama tahun 2028, jadi nantikan. Dan dengan itu saya tidak melihat soalan lagi di skrin. Terima kasih sekali lagi kerana menyertai kami hari ini. Menantikan kemajuan dalam beberapa minggu dan bulan berikutnya dan, seperti biasa, kami akan bercakap dengan anda tidak lama lagi.

Penafian: Transkrip ini disediakan untuk tujuan maklumat sahaja. Walaupun kami berusaha untuk ketepatan, mungkin terdapat kesilapan atau ketinggalan dalam transkripsi automatik ini. Untuk penyata syarikat rasmi dan maklumat kewangan, sila rujuk pemfailan SEC syarikat dan siaran akhbar rasmi. Kenyataan peserta dan penganalisis korporat mencerminkan pandangan mereka pada tarikh panggilan ini dan tertakluk kepada perubahan tanpa notis.