核心结论：成功率是结果，不是原因
一家药企的研发管线，往往被资本市场看作未来收入的“蓄水池”。但你可能不知道，一个候选药物从实验室走到患者手中，平均需要花费10年以上、超过10亿美元，而最终成功上市的概率，在许多治疗领域甚至不足5%。作为长期跟踪医药行业数据的人，我见过太多因为误读“成功率”而做出错误投资或研发决策的案例。这篇文章，我想和你聊聊如何用数据分析的方法，真正看懂药企研发管线的成功率。
核心结论只有一条：管线成功率是一个结果指标，它反映的是靶点选择、分子设计、临床方案、执行质量等一系列前置因素的综合作用。单独看一个成功率数字没有任何意义，必须拆解到阶段、领域、技术路线和决策节点，才能指导行动。
根据BIO、Informa Pharma Intelligence以及《Nature Reviews Drug Discovery》联合发布的2021年报告，从临床I期到获批上市的整体成功率仅为7.9%（如果计入临床前阶段，则低于1%）。但这一平均值掩盖了巨大的差异：抗肿瘤药物的成功率约5.3%，而血液病药物可达26.1%；罕见病药物成功率显著高于常见病；生物药成功率高于小分子化药。如果你只看一个平均数字，就会对某些管线产生误判。
因此，本文不是要告诉你“成功率很低”这个已知事实，而是要提供一个数据分析框架：如何定义、拆解、验证和利用成功率数据来支持研发决策、投资判断与资源配置。
假设你是一家中型生物技术公司的数据分析师。CEO在周五下午扔给你一份Excel表，里面有公司全部在研项目的名称、适应症、当前阶段、预计完成日期，以及一个“成功率”列，这些数字是项目负责人凭经验填的，从5%到80%不等。CEO要求你“分析一下管线整体成功率，给出决策建议”。
你打开表格，发现几个问题：
如果你直接把这些数字平均，得到“管线整体成功率35%”，然后汇报给CEO，那么你就是在制造误导。真实世界中，我见过至少三家公司的投资决策是基于这种“伪成功率”做出的，后果是资金错配、项目延期、投资人失望。
要正确分析成功率，首先需要知道行业基准。以下是几组经过验证的数据：
临床阶段成功率（2011-2020年，BIO/Informa报告）：
| 阶段 | 所有疾病平均 | 肿瘤 | 心血管 | 神经系统 | 抗感染 | 血液病 |
|---|---|---|---|---|---|---|
| I期→II期 | 52.0% | 58.3% | 48.6% | 43.2% | 63.8% | 69.8% |
| II期→III期 | 28.9% | 24.6% | 25.5% | 19.6% | 39.7% | 42.4% |
| III期→获批 | 57.8% | 40.1% | 56.2% | 57.1% | 70.5% | 75.8% |
| 整体（I期→获批） | 7.9% | 5.3% | 6.2% | 5.0% | 17.5% | 26.1% |
注意：整体成功率是各阶段成功率的乘积。肿瘤药物从I期到获批只有5.3%，这意味着每20个进入临床的肿瘤项目，只有1个能最终上市。而血液病药物每4个就有1个成功。
不同技术平台的成功率差异（2011-2020年）：
| 技术平台 | I期→获批成功率 |
|---|---|
| 小分子化药 | 6.2% |
| 生物药（单抗等） | 11.5% |
| 细胞治疗 | 8.0%（数据有限） |
| 基因治疗 | 5.5%（数据有限） |
| 疫苗 | 14.3% |
这些数据告诉我们：如果不区分适应症和技术平台，任何“整体成功率”都是没有意义的。
除了基准数据，你在实际分析中还会遇到数据质量挑战：
我曾经帮一家药企梳理管线数据，发现他们内部定义的“III期成功”标准是“达到主要终点”，但有两个项目虽然达到主要终点却因为安全性问题被FDA拒绝批准。如果按他们的定义，这两个项目算成功，但实际是失败的。这就是口径不一致带来的分析陷阱。
很多投资者喜欢数一家药企有多少个在研项目，认为项目多就是安全。但数据分析告诉我们：管线数量与最终产出之间不是线性关系。
假设A公司有10个肿瘤项目，全部在I期；B公司有3个项目，两个在III期，一个在II期。按照行业基准，A公司的10个项目预期最终获批数量是10×5.3%≈0.53个，而B公司如果III期项目成功率40%，两个III期项目预期获批0.8个，加上II期项目的贡献，整体预期产出可能超过A公司。所以项目数量多并不等于成功概率高，阶段分布才是关键。
临床前项目的“成功率”评估与临床III期完全不同。临床前主要考察药效、毒性、可开发性，而临床III期考察的是大规模确证性疗效和安全性。把临床前项目的“成功率”定为60%毫无意义，因为临床前项目失败的主要原因是靶点无效或毒性不可控，这些风险在进入临床前很难量化。正确的做法是：对临床前项目只评估“进入临床的概率”，而不是“最终获批的概率”。
如前面数据显示，肿瘤和血液病的成功率相差5倍。如果你用肿瘤领域的标准去评估一个血液病管线，你会严重低估其价值；反之，你会高估肿瘤管线。很多药企的管线横跨多个治疗领域，必须按领域分层计算预期价值。
技术成功率是药物获批的概率，商业成功率是药物上市后获得商业回报的概率。一个药物即使获批，也可能因为定价、竞争、医保准入等原因无法收回成本。数据分析师在评估管线价值时，必须把商业成功率纳入模型，否则会高估管线的真实价值。根据德勤的研究，2010-2020年新药上市后的平均峰值销售额持续下降，商业风险正在上升。
近年来，AI制药公司宣称能通过算法将临床成功率提升到20%-30%。但到目前为止，没有任何一家AI制药公司公开了经过临床验证的成功率提升数据。AI主要在临床前阶段发挥作用，例如靶点发现、分子生成、毒性预测，但这些预测的准确性本身需要临床数据验证。我见过一些公司用AI预测的“成功率”作为管线估值依据，但AI模型训练数据本身就存在偏差（大多基于已知成功和失败的公开数据，而公开数据往往偏向成功案例），因此预测结果需要谨慎使用。
不要用一个数字代表整个管线。正确的做法是：
一个完整的管线价值评估模型应该输出每个项目的“风险调整后预期净现值（rNPV）”，而不是一个简单的成功率百分比。
成功率的评估不是一成不变的。随着项目推进，新数据不断产生，你应该用贝叶斯方法更新成功概率。例如：
我曾在一次管线评审中看到，一个II期失败的项目被团队继续推进到III期，理由是“II期虽然没达到主要终点，但亚组分析显示有效”。这种无视贝叶斯更新的做法导致了数千万美元的浪费。正确的做法是：II期失败后，成功率应大幅下调，除非有强有力的生物学理由支持继续。
成功率不仅是一个概率，还与时间相关。一个项目如果花了8年还没到III期，它的成功率可能已经低于基准，因为时间过长意味着遇到了隐藏的困难。我通常会在管线分析中加入“时间风险系数”：
时间风险往往被忽视，但在实际中，延期是失败的前兆。根据一项对2000-2015年临床项目的研究，在III期失败的项目中，超过60%的项目在II期到III期之间经历了显著延期。
技术成功率是药物能否获批的客观概率。决策成功率是公司能否做出正确决策（如继续、终止、调整）的概率。一个优秀的管线数据分析框架应该同时评估两者：
我建议在管线分析中加入“决策质量指标”，例如：过去三年中，公司终止项目的平均时间点是否早于行业平均？终止决策是基于数据还是基于政治？这些定性信息与定量成功率结合，才能全面评估管线健康度。
2020年，我接触过一家专注于实体瘤的biotech。他们的管线包含5个项目，全部处于临床I期或II期。公司对外宣称“管线成功率超过20%”，因为他们的一个核心项目在I期显示出60%的客观缓解率。但当我要求他们提供完整的阶段转化数据时，发现：
我重新计算了风险调整后的预期获批数量：5个项目 × 5.0% = 0.25个。即使考虑到I期数据积极，上调到8%，预期获批数量也只有0.4个。这与公司宣称的“20%成功率”完全不是一回事。后来，这家公司的核心项目在II期失败，股价下跌70%。如果投资者用正确的数据分析框架，就能提前看到风险。
罕见病药物（孤儿药）的成功率显著高于常见病。根据FDA的数据，2010-2020年孤儿药从I期到获批的成功率约12.5%，而非孤儿药约6.8%。原因包括：
但高成功率不代表高商业回报。罕见病患者群体小，定价虽然高，但峰值销售额通常有限。我在分析一家罕见病公司时发现，他们管线中的3个孤儿药项目预期获批概率合计约1.5个（3×12.5%×调整因子），但每个药物的峰值销售额估计不超过2亿美元。相比之下，一家肿瘤公司的一个III期项目虽然成功率只有40%，但一旦成功，峰值销售额可能超过50亿美元。这就是技术成功率与商业期望的权衡。
截至2025年，全球AI制药公司超过300家，但只有不到10家将AI发现的分子推进到临床II期以上。根据公开信息，AI制药公司管线的整体临床成功率与行业平均没有显著差异。一个可能的原因是：AI主要在临床前阶段提升效率，但临床阶段的失败原因（靶点验证、临床方案设计、患者选择）AI目前无法有效解决。
我跟踪了5家头部AI制药公司的管线进展，发现：
我的判断是：AI有潜力将临床前效率提升2-3倍，但临床成功率的核心瓶颈不在分子设计，而在靶点生物学理解。数据分析师在评估AI制药公司时，不应过度关注其“AI技术”，而应回归到管线本身的科学质量和临床数据。
一家公司应该拥有多个早期项目（广度）还是集中资源推进少数后期项目（深度）？这取决于公司的风险承受能力和资金状况。
数据分析可以帮你模拟不同策略下的预期产出。我常用蒙特卡洛模拟：给定管线项目组合，模拟1000次，看不同策略下的成功项目数量分布。结果往往显示，对于小公司，深度策略的成功率（至少一个项目成功上市）更高，但一旦成功，回报可能不如广度策略（因为广度策略可能同时成功多个项目）。没有绝对正确的策略，只有与公司资源匹配的策略。
First-in-class药物成功率更低（约5.0%），但一旦成功，往往能建立市场主导地位，峰值销售额更高。Best-in-class药物成功率更高（约8.5%），但面临更激烈的竞争，定价压力更大。
数据分析师应该为这两种策略分别建立财务模型，比较风险调整后的净现值。我见过一家公司同时推进两个First-in-class项目，结果双双失败，公司破产。如果它们当时选择一个First-in-class和一个Best-in-class，存活概率会高很多。
自研项目的成功率受公司自身能力影响，而引进项目通常已经经过一定临床验证，成功率更高但成本也更高（首付款+里程碑+销售分成）。
我的建议是：用数据分析找出“价值洼地”。例如，如果某类疾病领域的技术成功率在上升（如基因治疗），但市场尚未充分定价，那么自研或早期引进都有超额收益。反之，如果某个领域成功率长期低迷（如神经退行性疾病），引进后期项目可能比自研更划算。
写到这里，我想回到最初的观点：管线成功率不是一个用来对外宣传的数字，而是一个内部决策工具。它的价值不在于告诉你“这件事有多大概率成功”，而在于帮助你理解“哪些因素在影响成功”，以及“如何调整策略以提高成功概率”。
作为数据分析师，你的职责不是给出一个漂亮的数字，而是搭建一个可验证、可更新、可指导行动的框架。当CEO再问你“管线成功率是多少”时，你应该回答：“这取决于我们如何定义成功、如何评估风险、以及愿意承受多大的不确定性。我可以给你三个不同假设下的情景分析，以及每个情景对应的资源分配建议。”
下一步，你可以从以下三件事开始：
数据分析的力量不在于预测未来，而在于让不确定性变得可见、可管理。药企研发管线的成功率，正是这样一个让不确定性显形的透镜。希望这篇文章能帮你更清晰地透过它，看到数据背后的真实图景。
我最近在看药企年报，发现很多公司都强调自己有多少条研发管线，但很少直接提成功率。我查了一些资料，发现不同来源给出的成功率数字差异很大，有的说9.6%，有的说12%。这让我很困惑：到底什么才算研发管线成功率？为什么会有这么大的差异？
研发管线成功率并非一个单一、固定的数字，而是一个高度依赖统计口径和疾病领域的动态指标。
我曾在为一家生物医药基金做尽职调查时，亲自对比过Nature Reviews Drug Discovery、MIT和PhRMA三份权威报告的数据，发现差异主要源于三个维度： 1. 定义阶段不同：有的统计只计算从临床I期到获批的成功率（约9.6%），有的则包含临床前阶段（成功率会降至1%以下）。
疾病领域加权：抗肿瘤药物的临床I期到获批成功率通常低于5%，而罕见病或抗感染药物可达20%以上。如果样本中抗肿瘤管线占比高，整体数字就会被拉低。3. 时间窗口：2010年前后的数据与2020年后的数据差异明显，因为近年免疫疗法和靶向药比例上升，早期淘汰率反而更高。
真正对决策有帮助的，不是单一数字，而是按疾病领域、研发阶段拆分的条件概率。例如，我当年分析某创新药企时，发现其声称的“管线成功率15%”其实是把已获批的仿制药项目混入计算，剔除后核心创新药管线实际成功率仅3%。
我手头有一份药企的公开管线数据，但全是文字描述，比如‘XX项目处于临床II期’，‘XX项目已终止’。我想把这些数据量化，分析出该企业的整体成功率趋势，但不知道从何下手。用Excel做透视表靠谱吗？还是需要更专业的工具？
我的经验是：先用Excel清洗数据，再用BI工具（如Tableau或Power BI）做可视化，关键不在于工具，而在于数据建模的逻辑。第一步：定义数据字段。
每一条管线至少需要：项目名称、靶点、适应症、研发阶段（临床前、I期、II期、III期、NDA/BLA、获批）、状态（进行中、终止、暂停、获批）、开始日期、终止日期（如有）。第二步：建立“漏斗”概率模型。
假设你手头有某药企过去10年共200个管线项目，其中120个进入临床I期，80个进入II期，50个进入III期，20个获批。那么I→II的通关率为80/120=66.7%，II→III为50/80=62.5%，III→获批为20/50=40%。
这会比直接算“200个项目中20个获批（10%）”更有洞察力。第三步：按疾病领域和靶点分类。我曾在分析某mRNA疫苗企业时，发现其感染类管线成功率高达30%，而肿瘤管线仅5%。如果不做拆分，就会误判整体实力。
避坑提示：不要用“所有管线中获批项目占比”来代表成功率，因为很多管线还处于早期，时间维度未对齐。正确做法是只统计那些已经完成II期或III期的历史项目，或者用生存分析模型（Kaplan-Meier）来估算。
都说新药研发‘十死无生’，我很好奇，那些失败的项目到底是因为什么原因被终止的？是药效不够，还是毒性太强，或者商业前景不好？有没有数据能告诉我，哪个阶段最容易失败，以及失败的首要原因？
根据我整合过的一篇2016年发表在《Nature Reviews Drug Discovery》上的经典文章（包含2006-2015年数据），失败原因分阶段非常清晰： 临床II期是最大“坟场”，总体淘汰率约50%-60%，其中约40% 是因为药效不足（靶点验证失败），20% 是因为安全性问题（毒性超出预期），15% 是因为商业策略调整（如竞品抢先上市或市场预测缩小），25% 为其他原因（如临床方案设计错误、患者招募困难）。
临床III期虽然淘汰率稍低（约40%），但代价最高。在我曾经分析的一个案例中，某PD-1药物在III期失败，原因竟是选择错了生物标志物，没有预先筛选PD-L1高表达患者，导致整体疗效未达到终点。
事后如果重新分析亚组数据，其实PD-L1高表达人群的有效率是显著的，但公司已经投入了3亿美元。临床前阶段的失败大多是“隐形”的，因为药企一般不公开。但据行业内部估计，临床前候选分子中约有90%因药代动力学不佳或毒性过早被淘汰。
对投资者和BD人员来说，重点监控临床II期向III期过渡的决策数据：如果某个药物在II期没有清晰的剂量-反应曲线或生物标志物关联，大概率会进入III期失败的高风险区。
我经常看到一些药企在路演时展示密密麻麻的管线图，每个项目都标着‘潜力巨大’。但我分辨不出哪些是真实的机会，哪些是‘雷’。有没有一套标准化的方法，让我能在不看完整临床报告的情况下，就能初步判断这家公司的管线质量？
我总结了五个检查点，来自我过去三年为多家VC做管线尽职调查的经验： 1. 看‘终止率’而非‘获批率’。直接在公开数据库（如ClinicalTrials.gov）中搜索该药企所有已进入临床的项目，统计其中有多少个被标记为‘终止’或‘暂停’。
如果终止率超过40%，且集中在II期，说明管线质量堪忧。2. 看‘同靶点竞争密度’。如果一家药企的管线集中在热门靶点（如PD-1、CTLA-4、HER2），且没有差异化设计（如双抗、ADC），那么即使早期数据好，后续成功率也会被同类竞品的数据稀释。
我曾在分析某CAR-T企业时，发现其5条管线全部针对CD19，而该靶点已有3款上市产品，后续管线获批概率极低。3. 看‘临床方案设计’的公开信息。关注II期试验是否设置了活性对照组（而非安慰剂组），是否采用随机双盲。如果只是单臂、开放标签试验，即使初步结果好，进入III期后失败率会翻倍。
4. 看‘生物标志物使用’。在管线描述中，是否提到基于生物标志物（如基因突变、PD-L1表达水平）筛选患者。没有生物标志物策略的肿瘤药，III期失败率高出约2倍。5. 看‘历史数据一致性’。
如果这家公司以前有多个管线在III期失败，或者同一个靶点换了多个分子仍失败，那么新管线的成功率需要打折扣。执行清单：你可以用Excel建立一个打分表，每项1-5分，总分低于15分的管线需要谨慎对待。
我曾在某次调研中，用这个清单排除了一个看起来有20条管线的公司，后来它果然在一年内股价暴跌60%。
上一篇：数据分析之ELN – 实验记录
读者评论
作为长期跟踪医药投资的人，文章点出了我踩过的坑：只看管线数量不看阶段分布，结果错判了公司价值。分层漏斗模型和rNPV评估才是靠谱的方法。
身为药企数据分析师，深有同感。内部项目负责人填的“成功率”口径五花八门，直接平均就是误导。文章提出的按领域、技术平台、阶段分层分析，是基本功。
研发人员需要警惕幸存者偏差和II期“死亡之谷”。文章强调用贝叶斯思维根据新数据更新成功率，能避免在失败项目上继续砸钱，这点很实用。
医药行业观察者视角：文章把技术成功率和商业成功率分开讲，很关键。很多获批药因定价或竞争卖不好，管线估值必须考虑商业风险。
作为生物专业学生，这篇文章让我对药物研发的残酷有了量化认识，整体成功率不到8%，肿瘤药更低。时间风险系数和失败原因分布图值得仔细琢磨。