{"id":13455,"url":"\/distributions\/13455\/click?bit=1&hash=8bce2c32fc522b9cfe1ab89089eff75ab558dbec8812c3dda390faecf1c743f2","title":"\u00ab\u0410 \u0442\u044b \u0442\u043e\u0447\u043d\u043e \u0440\u0438\u0435\u043b\u0442\u043e\u0440?\u00bb \u0438 \u0434\u0440\u0443\u0433\u0438\u0435 \u043d\u0435\u043b\u043e\u0432\u043a\u0438\u0435 \u0432\u043e\u043f\u0440\u043e\u0441\u044b \u0431\u0440\u043e\u043a\u0435\u0440\u0443","buttonText":"\u041f\u043e\u043a\u0430\u0436\u0438\u0442\u0435","imageUuid":"ca4cf1a1-a5ed-5aca-9f34-357accc11bb1","isPaidAndBannersEnabled":false}
Финансы
UnderdogNotes

Schrödinger: инвестиции в drug discovery и materials science. Есть ли перспективы после падения акций на 70%?

Для инвесторов в биотех и фармацевтические компании последний год выдался непростым. Популярный ETF SPDR S&P Biotech, он же XBI, состоящий в основном из биотехов малой и средней капитализации, потерял уже более 40% с пиковых значений в феврале прошлого года.

Отдельные компании растеряли 70-90% от всей капитализации. Одна из них - Schrödinger ($SDGR): разработчик ПО для вычислительной химии.

Я слежу за компанией около двух лет - примерно с даты их IPO в феврале 2020. Хотя я не являюсь экспертом в области drug discovery и химии, за последний год погрузился в эту тему и, в частности, как устроен бизнес Schrödinger.

В этой статье я решил поделиться всем, что, на мой взгляд, может быть полезно инвесторам $SDGR. И попробую ответить на вопрос - есть ли перспективы у компании после такого значительного падения акций.

Про клинические испытания

Думаю, что за счет ковида и массовой вакцинации многие, кто никогда не интересовался этим рынком, узнали чуть больше про клинические испытания, регуляторов, вроде FDA или EMA и т.д. Но попробую коротко рассказать про процессы в фармацевтике и как это работает.

Если открыть сайт любой публичной компании из области фармы, вы быстро найдете раздел «Pipeline». Например, так выглядит часть онкологического направления у AstraZeneca:

3 первых столбца — это стадии испытаний, а элементы в столбцах — определенное действующее вещество или комбинация из нескольких. Часто их называют "сandidate drug": химическое соединение, которое может быть полезным в лечении.

Стадии клинических испытаний отличаются числом участников и ограничениями. На первой стадии проверяется гипотеза: наблюдается ли в целом ожидаемый результат от препарата, нет ли серьезных побочных эффектов.

На второй стадии, чаще всего, решаются следующие задачи: подтвердить результаты первой фазы на большем числе участников, выявить подходящие дозировки и побочные эффекты.

Для третьей фазы необходимо определить конкретное заболевание, для которого будет применяться препарат. Главное — ответить на вопрос: эффективен ли препарат по сравнению с плацебо?

Чаще всего, проводят "double blind placebo controlled randomized trial", что означает:

  • Все участники разбиваются случайным образом на две группы
  • Первым дают препарат, вторым — плацебо, или пустышку
  • Ни участники, ни ученые не знают заранее, кто в какой группе

Успех — если эффективность препарата статистически значима по сравнению с плацебо. Часто анонс третьей фазы испытаний — ключевое бинарное событие, которое ждут все инвесторы.

Пример: пресс-релиз о результатах 3 фазы

Дальше — подача заявки на одобрение препарата со стороны регуляторов и старт продаж.

Drug discovery и до-клинические испытания

Инвестиции в фарму — занятие весьма рискованное. Компании тратят десятки лет и сотни миллионов долларов на поиск подходящего вещества, проведения КИ. Однако, большинству направлений не суждено дойти до финала. В некоторых источниках авторы оценивают вероятность перехода препарата от первой фазы до одобрения около 14%. В онкологии это значение еще ниже — 3.4%.

Источник: Wong C. H. et al. Estimation of clinical trial success rates and related parameters

Но даже до первой фазы испытаний дойти невероятно трудно. Например, с 90-х годов в науке начали появляться предпосылки, что эндоканнабиноидная система в организме влияет на работу нервной системы. Грубо говоря, каннабидиолы могут помочь в лечении болезней ЦНС.

Чтобы проверить эту гипотезу, нужно найти подходящее химическое соединение, синтезировать его и провести лабораторные испытания. Этот процесс может занять куда больше времени, чем провести все испытания.

Потенциальное химическое соединение должно обладать рядом свойств: растворимость, токсичность, проницаемость и др.

Источник: презентация Schrödinger

На этом этапе работают Schrödinger — компания помогает ускорить процесс поиска подходящих молекул, комбинируя классические методы вычислительной химии и машинного обучения.

Суть бизнеса Schrödinger

Бизнес компании можно разделить на три направления:

  • Разработка ПО для вычислительной химии и физики
  • Совместные исследования с другими фармацевтическими компаниями
  • Разработка собственного пайплайна лекарств

Софт Schrödinger — это несколько десятков модулей, объединенных в десктопном приложении с полноценным GUI. Можно сказать, что это платформа. Чтобы лучше понять в общих чертах, как это выглядит, стоит посмотреть промо-ролик про последний релиз.

Release notes последнего релиза Schrödinger

Полный список модулей доступен здесь. Например:

  • LiveDesign: среда разработки для химиков, связывает большинство модулей: запуск экспериментов, визуализация результатов и т.д.
  • PyMOL: open-source библиотека для визуализации молекул на Python. Поддерживается разработчиками Schrödinger.
  • AutoQSAR: позволяет автоматически строить регрессионные модели для предсказания физическо-химических свойств на биологических признаках. В какой-то степени, автоматическое машинное обучение.

Подробнее про продукты Schrödinger и на сколько они востребованы, поговорим чуть ниже.

Помимо продажи лицензий на софт, ученые Schrödinger участвуют в совместных исследованиях. В основном, это среднесрочные и длительные контракты с фармацевтическими компаниями — они платят деньги Schrödinger за помощь в исследованиях, но эксклюзивные права на потенциально найденные лекарства остаются за заказчиком. Но не всегда: при успехе, в некоторых случаях Schrödinger могут рассчитывать на проценты от будущих продаж.

Среди клиентов есть очень крупные и известные фарм-компании:

  • С 2017 года Schrödinger ведут исследования совместно с японской компанией Takeda в области нейродегенеративных заболеваний
  • В 2019 году AstraZeneсa и Schrödinger запустили пилотный проект в области вычислительной биологии, а через год его расширили. Сумма сделки не разглашалась
  • В 2020 году Bristol Myers Squibb заключили долгосрочный контракт со Schrödinger на $2.7 млрд, в том числе, с упором на онкологическое направление
  • В прошлом году был заключен контракт с китайской компанией Zai Lab. По условиям сделки, Schrödinger в общей сложности может получить около $340 млн и 50% от продаж на территории США

Также у компании есть собственный пайплайн, но большинство направлений пока на ранних стадиях. Наиболее проработаны сейчас две программы исследований в области онкологии — MALT1 и CDC7. Находятся на стадии до-клинических испытаний, в середине 2022 года подать заявку на старт первой фазы испытаний по MALT1.

Собственный пайплайн Schrödinger

Хорош ли продукт от Schrödinger?

Софт Schrödinger ориентирован на решение научных задач, например, из области вычислительной химии, физики или биологии. Не являясь экспертом в этом, оценить качество продукта трудно. Однако, я попытаюсь это сделать по косвенным признакам.

  • Цитируемость в научных публикациях

Сотрудники Schrödinger активно публикуют свои результаты, и по конкретным продуктам есть отдельные статьи. По ним можно косвенно оценить интерес сообщества. Выделю несколько из них.

В молекулярном моделировании возникает задача — вычислить силовое поле (force field) между атомами внутри и между молекулами. У Schrödinger есть модуль для решения подобной задачи — OPLS4, четвертая версия вышла в прошлом году.

Статья про OPLS4 в GoogleScholar уже была процитирована 31 раз, а предыдущая версия OPLS3 набрала 1800 цитирований с 2016 года.

Некоторые цитирования OPLS3

Или Jaguar: модуль для моделирования квантовой химии. 1200 цитирований с 2013 года.

Другой пример — Desmond, модуль для молекулярной динамики. Оригинальная статья была опубликована в 2006 году, более 1800 цитирований за все время.

В целом, если поискать остальные продукты Schrödinger в GoogleScholar, можно найти тысячи упоминаний в научных публикациях.

  • Работа с сообществом

Компания инвестирует средства в поддержку своего сообщества, проводит тренинги и митапы, запустили онлайн-курс для студентов. Есть отдельные курсы и демо для преподавателей.

В целом, коллаборация с университетами видна. Например, в Университете Шеффилда есть совместная со Schrödinger магистерская программа в области drug discovery.

  • Интеграции и технические аспекты

Хотя софт Schrödinger походит на standalone приложение, у него есть точки для расширения и интеграции.

Например, есть полноценное Python API, что позволяет встроить некоторые функции модулей Schrödinger в свои системы. Реализована интеграция с платформой KNIME — популярная система управления workflow для моделирования. Пример воркфлоу, где используются модули Schrödinger, выглядит так:

Компания сотрудничает с GoogleCloud и Nvidia, и это дает возможность масштабировать свои вычисления на CPU и GPU.

Таким образом, я думаю, что продукты от Schrödinger технически хорошо реализованы и признаются сообществом.

Это правда работает?

На мой взгляд, гибридный подход Schrödinger весьма работоспособен. Используя классические методы вычислительной физики и химии можно получать характеристики молекул. Они понятны специалистам и имеют ценность сами по себе.

При этом, никаких вычислительных ресурсов не хватит, чтобы перебрать все возможные конфигурации молекул и найти лучших. Но можно существенно снизить пространство поиска, зная что-то о физико-химических свойствах соединений, которые мы хотим найти.

А чтобы не просматривать сотни тысяч возможных молекул, можно применить машинное обучение. Например, решать задачу классификации, используя в качестве признаков результаты моделирования.

Но это лишь один из примеров, возможностей для ML здесь куда больше. В частности, я упоминал ранее про модуль AutoQSAR: он помогает строить модели регрессии для предсказания свойств соединений. Грубо говоря, можно немного снизить точность результатов (моделирования физики/химии даст более точный результат), но в разы ускорить время расчетов.

На практике видно как идет прогресс у клиентов Schrödinger - молекулы, полученные на этапе drug discovery при помощи софта, продвигаются в испытаниях.

Прогресс в исследованиях сторонних компаний - клиентов Schrödinger

Однозначно успехом можно назвать кейс с Agios Pharmaceuticals ($AGIO), где две молекулы были найдены c использованием софта от Schrödinger и дошли до стадии одобрения FDA. Если я не ошибаюсь, сейчас они продаются под брендами Idhifa и Tibsovo и предназначены для лечения острого миелоидного лейкоза.

Nimbus и Morphic Therapeutics - это примеры, где выходцы или близкие к Schrödinger ученые нашли несколько перспективных молекул, основали отдельные компании и привлекли сотни миллионов внешних инвестиций. Morphic даже успели пройти IPO, сейчас торгуются на NASDAQ под тикером $MORF.

А Schrödinger, как инвесторы на ранних стадиях, заработали деньги на продаже их акций.

Конкуренты и аналоги

Schrödinger работают на стыке между software, моделирования и фармацевтики, что затрудняет подбор прямых аналогов. Но по отдельности примеров хватает.

Крупные игроки:

  • Dassault Systemes ($DSY) — разработчик ПО для моделирования из Франции, известны в т.ч. за счет SolidWorks. Есть отдельный продукт для drug discovery — Biova. Акции доступны на европейских биржах.
  • Thermo Fisher Scientific ($TMO) — американский производитель медицинского оборудования. Среди множества продуктов, есть и софт для поиска лекарств и моделирования клинических испытаний.

Бигтехи тоже занимаются drug discovery. Alphabet ($GOOGL), а точнее их дочерняя компания DeepMind преуспела в предсказании фолдинга белков. А в конце 2021 это направление выделили в отдельную компанию — IsomorphicLabs.

У Nvidia ($NVDA) есть отдельный продукт для drug discovery — Clara. Точнее, это коллекция фреймворков, которые можно подключать в виде NGC-контейнеров.

Research-подразделение Microsoft ($MSFT) также занимаются drug discovery. Можно найти примеры customer-stories как ученые ускорили моделирование за счет ресурсов Azure.

Также стоит выделить две нишевых публичных компании, которые продают софт для моделирования клинических испытаний: Simulations Plus ($SLP) и Certara ($CERT). Обе компании имеют в своем портфеле софт для фармакокинетики и фармакодинамики (PK/PD). Не вдаваясь в подробности, PK/PD позволяет понять, как препарат будет взаимодействовать с организмом человека.

Как выглядит GastroPlus: софт от Simulations Plus для моделирования PK/PD

Если интересно глубже погрузиться в это, советую прочитать мой лонгрид про продукты Simulations Plus.

Наконец, можно отметить несколько компаний, которые комбинируют ИИ, машинное обучение для drug discovery:

  • AbCellera Biologics ($ABCL) — разрабатывают платформу для поиска антител с использованием методов машинного обучения
  • Recursion Pharmaceuticals ($RXRX) — компания с большим пайплайном (все на ранних стадиях), компоненты которого были получены при помощи собственной разработки — Recursion OS. Активно нанимают дата-саентистов в США и Канаде

Помимо перечисленных, в области AI-driven drug discovery присутствует множество компаний на ранних стадиях. Например, под конец 2021 года британская компания BenevolentAI вышла через SPAC на биржу Амстердама с оценкой в €1.5 млрд.

Среди интересных стартапов я бы отметил:

  • Insilico Medicine — разрабатывают платформу для ускорения разработки лекарств на нескольких стадиях. Команда с российскими корнями
  • Causaly — поисковый движок для определения взаимосвязей между препаратами, болезнями и др.
  • Healx — нацелены на поиск лекарств для редких заболеваний. В текущем пайплайне два десятка направлений на ранних стадиях

Что пошло не так в 2021?

Примерно год назад компания отчиталась по итогам 2020 года. Результаты оказались рекордными: $108 млн выручки, что выше на 26% чем годом ранее; software направление выросло почти на 40%. Стабильный gross margin около 80%, что сравнимо с hyper-growth SaaS-сектором.

Отдельно удалось заработать $35 млн на инвестициях, продав часть акций Relay ($RLAY) и Morphic Therapeutics.

Также компания раскрыла метрики по контрактам, здесь тоже видим хороший рост ACV. Примечательно, что увеличилось число крупных клиентов (> $1 млн), а для когорты > $100 тыс коэффициент удержания 99% - это 80% от всей выручки.

Метрики по контрактам за 2020

И вроде бы все неплохо. Если не смотреть прогноз на 2021. Цифры неожиданно консервативные: ожидаемый рост выручки - 15-31%, а software-направление - 10-19%. Также прогноз предполагает, что сильно снизится gross margin.

Комментарий фин. директора по итогам 2020 года

Компания объясняет это тем, что удачно закончились крупные контракты, и это дало возможность зафиксировать значительную выручку по итогам года. Также, по словам менеджеров, они хотят получать больше денег с крупных клиентов. Но для этого им необходимо инвестировать средства в масштабирование своего решения, и это займет время.

Собственно, это охладило котировки $SDGR, перед отчетом убыточная компания оценивалась почти в 80 выручек!

А дальше - вы, наверное, слышали: рекордное по продолжительности падение всего индекса биотехов XBI, снижение отдельных акций роста на 50-70% (привет фонду Кэти Вуд).

Состояние на конец Q3 2021

В целом, за весь год ничего плохого с компанией не произошло, скорее наоборот:

  • Ученые участвуют во множестве конференций, появились новые направления в собственном пайплайне
  • Заключили новые контракты на совместные исследования (один, два)
  • Компания ShouTi, в которую инвестировал Schrödinger закрыли второй раунд инвестиций на $100 млн
  • Подписали соглашение с Nvidia и GoogleCloud

У компании устойчивое финансовое положение, на конец 3 квартала 2021 на руках (кэш + ценные бумаги) около $600 млн. За последние 4 квартала было потрачено 70 млн, так что в перспективе 2-3 года я не ожидаю проблем с финансированием операций.

Текущие активы компании

Маржа снижается, убытки растут - компания активно инвестирует в R&D, нанимает много новых сотрудников с научным бэкграундом (и раздает им опционы).

Показатели маржинальности

Это видно и по расходам: судя по всему, компания не планирует вкладываться в продажников, расходы на S&M практически не изменились на последний год.

Можно сделать вывод, что агрессивно искать новых клиентов Schrödinger не планируют: можно ограничиться текущими крупными заказчиками и увеличивать суммы контрактов.

Мультипликаторы и сравнение с аналогами

Среди аналогов для сравнения я выбрал AbCellera Biologics ($ABCL) и Simulations Plus ($SLP) - они примерно схожи по капитализации ($1-2.5 млрд) и имеют ненулевую выручку.

Намеренно не стал добавлять в этот список Recursion Pharmaceuticals ($RXRX), т.к. они используют свою платформу для собственных нужд и ничего не продают.

Относительно показателей за последние 12 месяцев видно, что P/S у всех снизился. Особенно здорово выглядит падение AbCellera: компания вышла на биржу в январе прошлого года на пике с космической оценкой в районе P/S = 400!

За год котировки $ABCL снизились на 80% и текущий P/S в районе 6. Но здесь возникает вопрос: компания заработала $17 млн за 9 месяцев, почему такой низкий P/S и капитализация в $2.6 млрд?

Оказывается, дело в Royalty около $200 млн, которые компания получает от Eli Lilly ($LLY). Судя по всему, AbCellera помогли в разработке препарата для лечения коронавируса - бамланивимаба.

Мало того, с этой выплатой компания еще и прибыльна с P/E около 14. Но фактически основной бизнес AbCellera пока убыточен.

Теперь про $SLP. Фактически компания провела IPO еще в 1997 году, и последние 15 лет генерируют прибыль и платят символические дивиденды. Однако рост EPS нельзя назвать впечатляющим, а с 2018 года цифры примерно на одном уровне.

Динамика EPS. Источник: macrotrends 

На самом деле, если подробнее погрузиться в суть бизнеса Simulations Plus, можно понять, что это скорее холдинг. Компания поддерживает свою выручку и прибыль за счет поглощений небольших компаний-разработчиков ПО в области фармы. Последнее крупное приобретение было в 2020 году: поглотили небольшую компанию из Франции - Lixoft.

Отдельный нюанс про $SLP - это расходы на R&D. Они не растут совсем :) Компания тратит ресурсы на покупку новых продуктов, но не особо инвестирует в их дальнейшую разработку. У Schrödinger за последние 12 месяцев та же статья расходов в 20 раз больше (по AbCellera пока слишком мало данных, чтобы сравнить).

Расходы на R&D: сравнение $SDGR и $SLP

P/B у $SDGR и $ABCL выглядит недорого - уже около трети от всей капитализации, большая часть из этого составляет кэш или ценные бумаги.

Сравнение по P/B

Если сравнить цифры за последние 9 месяцев, получается более наглядно:

  • Schrödinger: выручка $92 млн, текущая капитализация $1.94 млрд
  • AbCellera: выручка от основной деятельности $25 млн, капитализация - 2.7 млрд.
  • Simulations Plus: выручка $35 млн, $7 млн прибыль, капитализация - $850 млн

Таким образом, $SLP мне кажется оцененным дорого с учетом стагнирующих показателей.

AbCellera требует дополнительного рисерча: хочется понять - можно ли доходы от Royalty считать регулярными и какие перспективы у основного бизнеса компании. На данный момент, капитализация в $2.7 млрд у меня вызывает вопросы.

Перспективы Schrödinger

  • Эффект от масштабирования

Фарм. компании тратят огромные ресурсы на R&D, включая все испытания и поиск подходящих соединений. В некоторых свежих статьях медианная стоимость вывода нового лекарства на рынок оценивается в $1 млрд. При этом, этап drug discovery является заметной статьей расходов.

Этапы разработки лекарств. Источник

Если у Schrödinger получится эффективно масштабировать свои разработки, то стоит ожидать кратного увеличения выручки (и со временем, капитализации).

  • Рынок AI в drug discovery растет

Некоторые аналитики прогнозируют, что рынок ИИ в поиске лекарств вырастет в 3.4 раза с 2021 по 2025. Количество стартапов и публичных компаний в этой области растет, и у Schrödinger здесь вполне уверенная позиция: у них уже будет достаточная экспертиза и масштабы к этому времени.

Прогноз рынка AI in drug discoverу до 2025 года
  • Спин-офф отдельных направлений

Команда Schrödinger лучше всех знают как эффективно использовать свой софт. Мало того, они могут в более короткие сроки доработать недостающие функции, если это нужно для внутренних исследований.

И если глянуть на список вакансий компании, в нем можно увидеть большое разнообразие научных должностей. Компания ищет себе специалистов по полимерам, вычислительной биологии, химии, геномики, плазме и т.д.

Некоторые вакансии компании

Я думаю, что Schrödinger хотят вести исследования самостоятельно, увеличивая штат ученых. И в будущем это может их значительно продвинуть в собственном пайплайне.

И, самое главное - при успехе по некоторым направлениям можно их можно выделять в отдельные компании и привлекать внешние средства. А для Schrödinger это будет отличным доходом от инвестиционной деятельности.

  • Materials Science - темная лошадка?

Помимо drug discovery, компания еще занимается компьютерным дизайном новых материалов. Если очень коротко, то это подход к поиску ранее неизвестных сложных структур с заданными свойствами.

Например, Schrödinger ведут исследования в области литий-ионных батарей: при помощи моделирования они пытаются найти более эффективные и дешевые компоненты для аккумуляторов.

Пока что компания не раскрывает каких-то цифр по этому направлению, но звучит перспективно.

Выводы

Schrödinger - это интересная публичная компания с достаточно сложной, но востребованной технологией. Софт для моделирования химии широко известен у предметников и технологически его крайне трудно повторить.

Компания активно инвестирует в R&D, нанимает ученых и развивает собственный пайплайн из лекарств. Ведется работа по масштабированию софта, что в будущем позволит запускать более крупные проекты с фарм. компаниями.

Однако, по текущим показателям, Schrödinger - это скорее венчурная инвестиция. Безусловно, текущая капитализация в $2 млрд не отражает возможных перспектив: даже если сложить все анонсированные за последние 1.5-2 года заключенные контракты, получится сумма больше. Но в ближайшие годы стоит ждать больших убытков, благо текущий кэш позволяет смотреть на это спокойно.

Думаю, если работа по масштабированию в ближайшие год-два даст результаты, компания приятно удивит обновлением своих прогнозов роста. Оценка компании за год стала значительно ниже. А для долгосрочных инвесторов - это хорошо :)

Если вы дочитали этот текст до конца и вам понравилось - можете заглянуть ко мне в Телеграм.

0
Комментарии
Читать все 0 комментариев
null