十字路口的Schrödinger

其基于物理的“护城河”虽未干涸，但已被多方围攻。公司的长期成功，不仅取决于其能否持续保持技术领先，更取决于其能否有效解决软件与药物研发双重业务模式带来的战略和执行层面的根本性矛盾。

尽管面临开源工具和AI-native模型的激烈竞争，Schrödinger凭借其物理方法的高精度，在建模复杂的小分子-蛋白相互作用方面仍保有技术优势，但其商业模式正面临严峻挑战。

1. 物理方法 vs. 生成式AI：核心优势与局限

A. 物理方法（FEP+）

核心优势： 精度更高。通过使用力场（force fields）和真实的X射线/cryo-EM结构作为起点，能提供更可靠的结合自由能预测（误差约±1 kcal/mol），尤其适用于新颖靶点和小分子。

关键局限：依赖高质量结构：若无高分辨率的蛋白结构，则难以应用。计算成本高昂：限制了其在大规模筛选中的应用。难以预测机制性毒性：如CDC7项目失败所示，物理模型擅长预测靶