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.

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:

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

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

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%.

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.

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

Бизнес компании можно разделить на три направления:

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.

Полный список модулей доступен здесь. Например:

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:

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.

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.

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.

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.

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.

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.

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.

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.

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

Крупные игроки:

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.

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:

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:

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.

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.

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).

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

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.

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

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.

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.

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).

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

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

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.

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.

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

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.

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.

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.

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.

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.

#инвестиции #фондовыйрынок #pharma #pharma_bio