薛定谔 (SDGR)

在产业链中的位置

主属行业：L5-05-智慧医疗

公司定位一句话 智慧医疗龙头 —— “软件+服务”向“共同发现”模式跃迁 + 计算平台壁垒与网络效应

主营业务关键词：智慧医疗、“软件+服务”向“共同发现”模式跃迁、计算平台壁垒与网络效应 与本行业的关联点：作为 L5-05-智慧医疗 龙头，核心软件业务增长韧性 + 合作管线价值验证窗口

公司近况（2026-05-05 更新）

薛定谔2024年第一季度财报显示，公司总营收为1.629亿美元，同比增长29.7%（其中软件板块营收1.164亿美元，同比增长25.5%）。截至最新交易日，公司市值约60亿美元，基于2024年预期营收的市销率（P/S）约为7.5倍。华尔街分析师覆盖较少，但近期共识评级为“持有”，目标价中位数约为35美元。公司当前定位为“物理模拟驱动的药物发现平台型公司”，处于从传统软件授权向高潜力、高价值的联合研发合作模式转型的关键阶段。

公司业务结构

盈利方式

公司主要通过两种模式赚钱：1）软件授权与服务：向制药、生物技术和学术机构销售基于物理模拟的药物发现软件套件（如Schrödinger Suite），并提供相关技术服务；2）药物研发合作：与药企共同发现和开发药物，通过收取前期许可费、研发资金支持、里程碑付款以及未来上市后的销售分成获利。

分板块业务（口径：年报披露）

公司的主营业务分为“软件”和“药物研发”两大部分。软件业务是基本盘，提供稳定现金流；药物研发业务是价值放大器，潜在回报高但风险也更高。

核心投资逻辑

短期逻辑（6-12 个月）

• 核心软件业务增长韧性：预计2024全年软件营收增长将维持在20%-25%区间，主要驱动力来自与前20大制药企业（如百时美施贵宝、默克等）的多年期企业协议续约与扩容，以及新客户的持续渗透。
• 合作管线价值验证窗口：公司核心合作药物管线（如与百时美施贵宝合作的SHP2抑制剂、与Mirati合作的KRAS G12C抑制剂）预计将在2024年至2025年初读出关键临床数据（如Phase 1/2）。若数据积极，将直接验证其平台在First-in-class和Best-in-class药物发现中的价值，并可能触发新的里程碑付款。
• 运营效率改善：随着研发规模效应显现及合作管线向后期推进，预计2024年下半年研发费用率（研发费用/营收）有望环比收窄，向市场展示其平台的长期盈利潜力。

长期逻辑（1-3 年）

• “软件+服务”向“共同发现”模式跃迁：预计到2026年，公司来自联合研发项目（药物权益分成、里程碑付款）的营收占比将从2023年的约25%提升至40%以上，驱动营收结构升级和利润率长期上行。
• 计算平台壁垒与网络效应：公司的FEP+、LiveDesign等核心物理模拟技术处于行业领先地位，其算法精度和速度构筑了深厚的技术护城河。随着合作客户和成功案例积累，平台的数据网络效应将增强，吸引更多药企合作。
• 新治疗领域拓展：公司平台正从传统小分子药物发现向抗体、靶向蛋白降解（TPD）、RNA等更广泛的生物大分子领域拓展。预计在2025-2026年，该等领域将产出首批进入临床验证的合作管线，打开新的增长曲线。

产销链分析

主要客户（口径：年报）

公司客户主要为全球大型制药和生物技术公司。2023年，前五大客户合计贡献营收约2.85亿美元，占总营收的54.6%。其中，第一大客户为百时美施贵宝（Bristol Myers Squibb），其相关营收占比约为15-18%（基于多年期协议）。客户集中度较高，但多为签署多年期合作的头部药企，订单能见度较好（通常为3-5年合作周期）。关键客户还包括默克（Merck）、再生元（Regeneron）等。

主要供应商（口径：年报）

公司的供应链主要是云计算基础设施供应商，以支持其大规模计算需求。前五大供应商（主要包括亚马逊AWS、微软Azure等）合计采购额占总采购成本的85%以上。公司高度依赖云计算服务，但具备一定的多云部署能力以管理风险。关键物料（算力）不存在单源依赖。公司的备货策略主要是根据客户需求预测和计算项目规模，以滚动方式采购云服务资源，资本支出较轻。

关键财务指标

财务健康解读 成长性分析：公司营收保持稳健增长（2023年同比+18.5%），主要由软件业务驱动。亏损持续收窄，2024Q1净利率为-39.9%，较2023Q1的-47.5%有改善，表明随着收入规模扩大，规模效应初显。然而，公司仍处于战略性亏损阶段，高额的研发投入是主因。

现金流质量：经营活动现金流持续为负，2023年为-1.25亿美元。这主要是由于药物研发合作项目需要大量前期现金投入，且软件部分客户的付款周期较长。公司依赖股权融资和债务融资来支持运营，截至2024Q1持有约13亿美元现金及等价物，短期内无流动性风险。

资产负债结构：资产负债率保持在30%左右的健康水平，无重资产负担。总资产中，现金及短期投资占比很高，提供了充足的“弹药”以支持其长期研发战略。无形资产（主要是软件和技术专利）是重要资产组成部分。

费用端分析：研发费用是最大的支出项，2023年占总营收比例高达约65%，这反映了其“以研发换增长”的核心战略。销售及管理费用率相对稳定。需要关注的是，随着合作管线推进，临床前及临床开发成本是否会导致研发费用增速失控。目前看，管理层对费用增长控制在收入增速范围内有信心。

注：表格列名必须明示口径（YYYY 年报 / YYYYQ?）。

海外对标对比

对标公司具体数字依赖 _AP-Agent海外财报追踪.md 周扫填充

行业分析

需求端驱动：全球制药研发面临“生产力危机”，传统高通量筛选（HTS）的产出效率下降，而对全新靶点（如蛋白-蛋白相互作用）和复杂疾病（如神经退行性疾病）药物的需求迫切。AI/计算驱动的药物发现能显著缩短苗头化合物发现周期（从数年缩至数月），降低失败率，成为药企降本增效的刚需。

技术迭代路径与当前节点：行业正从基于规则的早期计算机辅助药物设计（CADD），迭代至基于深度学习的AI生成模型（如AlphaFold2, DiffDock）。薛定谔的核心技术路径是基于物理的精确模拟（如分子动力学、自由能微扰）与机器学习相结合，在保证预测精度的同时提升速度，目前处于该路径的领先位置。当前行业节点是AI平台从“炫技”转向“产出”，进入临床验证的证据积累期。

供给瓶颈：1）高质量、标准化的生物数据：AI模型依赖海量高质量实验数据进行训练，但药企数据孤岛和格式不统一问题严重；2）复合型人才：既懂计算物理/化学，又懂药物研发的顶尖人才极其稀缺；3）验证周期：从计算预测到临床验证需要漫长的时间和巨大投入，初期证据链的建立缓慢。

同业对比

公司主要对标两类企业：1）传统CADD软件商（如Certara, OpenEye），薛定谔在物理模拟的精度和深度上优势明显，客户层次更高；2）AI制药新锐（如Recursion, Exscientia），薛定谔的差异化在于其底层拥有自主可控、基于第一性原理的物理引擎，而非完全依赖黑箱式的深度学习模型，这在药物发现的“可解释性”和“可设计性”上构成独特优势。相较于更偏向“干湿实验循环”模式的Recursion，薛定谔更偏向“计算先行”的模式。

逻辑链

AI capex → 环节 → 公司受益点 AI 商业化落地 → 智慧医疗 渗透率提升 → 公司 “软件+服务”向“共同发现”模式跃迁 业绩兑现

催化事件时间表

自动跟踪（dataview 拉 04-催化事件）

风险与跟踪点

风险

• 下游需求风险：全球大型药企的研发预算受专利悬崖、药品定价政策（如美国IRA法案）及宏观经济影响。若药企普遍削减早期研发预算，将直接影响公司软件新签合同及新合作项目的启动。
• 供应链风险：公司业务高度依赖云计算服务商。若主要云服务商（如AWS）出现大规模服务中断、大幅提价或终止服务，将严重影响其计算能力及运营成本。
• 技术迭代风险：AI/计算药物发现领域技术迭代极快。若基于Transformer架构的大型分子模型或其他颠覆性技术路径实现突破，可能削弱公司基于物理模拟的技术路线优势，导致其护城河被侵蚀。
• 市场竞争/价格战风险：赛道日益拥挤，包括谷歌DeepMind、微软等科技巨头均布局其中。若竞争对手为抢占市场份额采取激进的低价策略或免费策略，可能压缩公司的定价空间和软件业务利润率。

跟踪点（含频率）