Twist Bioscience 預期本季調整後 EBITDA 達損益兩平，受 AI 驅動藥物發現訂單激增帶動，目標 2031 年營收翻倍
投資人日，2026年5月21日 — 奧勒岡州威爾森ville製造廠
Twist Bioscience 在多年來首場大型投資人日中，公布了一份財務藍圖，預期現行會計第四季調整後 EBITDA 將轉正，毛利率隨時間推移攀升至 60% 以上，營收則預計從 2026 會計年度的 4.42 億至 4.47 億美元出口水準，在 2031 會計年度倍增至約 9 億美元。管理階層多次強調，此目標「是地板，而非天花板」。財務長 Adam Laponis 向在場人士表示，公司過去 3 年的營運支出「維持相對持平」，而自 2023 年以來營收以年複合成長率 22% 成長；他指出，隨著製造平台在現有廠房規模化運作，此一動能將延續下去。
AI 藥物發現訂單顯著急升
備受市場關注的新數據點為 Twist 旗下 AI 賦能藥物發現業務的成長軌跡。執行長 Emily Leproust 透露，來自 AI 原生藥物發現客戶的訂單去年總計達 2,500 萬美元，今年正朝著三位數百分比成長邁進，意味著 2026 會計年度的訂單規模可能超過 5,000 萬美元。首席科學官 Colby Souders 詳細說明了這個新興客戶群的經濟效益：典型的 AI 合作夥伴從試驗性研究開始，涉及數十到數百個序列，成本約 1 萬至 10 萬美元；接著升級至數千個序列的訓練輪次，成本低於 100 萬美元；最終進入涵蓋數十萬候選物的治療性發現專案。Twist 表示，僅在此一類別中，公司已為「數十家客戶」生產超過 20 萬種蛋白質、完成逾 13 万種檢測，並產生 700 萬個數據點。
公司將 2030 年總潛在市場（TAM）預估值從目前的 70 億美元（2020 年為 20 億美元）上調至 130 億美元。在此基礎上，Twist 目前預估到 2030 年將新增 5,000 萬美元營收，該部分專門與 AI 驅動的抗體發現服務掛鉤，並疊加在現有 DNA 合成、抗體發現與蛋白質表達市場的有機成長之上。管理階層明確指出該數字背後潛藏的風險：此預測假設不會出現單一主導的 AI 模型，且 AI 驅動的藥物發現能持續發揮作用。「如果它行不通，市場就不會這麼大，」Leproust 表示。
客戶的證言印證支撐這項押注的模型效能論述。Chai Discovery 共同創辦人兼執行長 Joshua Meier 指出，該公司已籌集約 2.5 億美元資金且未營運自己的濕實驗室（wet lab），其抗體設計成功率從 2025 年 5 月的 0.1%（在實驗室中設計 1,000 個抗體有 1 個結合）提升至同年 6 月發布 Chai-2 模型時的約 16%，在大約 12 個月內實現了超過 100 倍的改善。Meier 稱模型迭代與 DNA 合成速度之間產生的回饋迴圈為「非常完美的飛輪」，並歸功於 Twist 不斷縮短的周轉時間，才得以實現更快的實驗驗證。
合成經濟效益大幅改善，超出先前揭露水準
技術長 Siyuan Chen 提供了當天最細緻的營運揭露，將支撐公司毛利率走勢的三年平台改善成果予以量化。寡核苷酸（oligo）合成成本在 2023 年至 2026 年間下降 60%，每百萬個 100-mer 寡核苷酸的溶劑消耗量從 51 公升降至 14 公升——這意味著單一 500 毫升化學試劑瓶現在大約可產出 35,000 個寡核苷酸。同規模生產批次的周轉時間從 26 小時縮短至 7 小時，降幅達 73%；Chen 表示，這相當於在使用相同數量合成儀器（Twist 內部稱為「riders」）的情況下，有效產能提升了 4 倍。錯誤率維持在大約每 3,000 個鹼基對 1 個，最佳表現達到每 4,000 個鹼基對 1 個——Chen 斷言，相較於傳統基於管柱的合成器，這樣的表現「簡直聞所未聞」。
公司亦已將生產中的合成長度推升至 500 個鹼基對，而產業常模則接近 80 至 100 個鹼基對，這使得新近推出的超複雜基因（Ultra-Complex Gene）產品得以問世；Chen 表示，該產品正是複雜 mRNA 建構體的核心骨幹。自動化整合的腳步相當積極：Twist 目前在其製造廠房營運 20 套整合式生產系統，高於兩年前的 7 套，同時將原始基因組裝線的廠房佔用面積縮減 80%，並在此過程中使片段產出倍增。
MRD 面板周轉時間從數週縮短至 5 天以内
在診斷業務方面，產品與行銷資深副總裁 Jimmy Jin 詳細說明瞭分子殘存疾病（MRD）檢測經濟效益的結構性轉變。Twist 重新設計了 MRD 面板的生產流程，使其完全在矽晶片上運作，在固定人力編制下，將周轉時間從一週縮短至單日，產能則大幅提升 10 倍——僅第一年就省下了超過 200 萬美元的耗材成本。Jin 論證指出，儘管定序成本不斷下降，但數學模型顯示靶向面板（targeted panels）仍優於全基因組方法：從標準癌症面板轉向全基因組定序，所需的定序數據大約是靶向面板的 1,500 倍；這意味著自 2021 年以來，每千鹼基對（gigabase）定序成本雖已降低 6 倍，但對於此應用而言，全基因組定序的成本依然高得驚人。Jin 估計，若以每年約 230 萬次檢測計算，產業在未來兩年內將需要生產 4.6 十億個寡核苷酸才能滿足預期的 MRD 面板需求；他指出，若沒有 10 倍的產能擴充，使用標準寡核苷酸合成基礎設施（典型產能為每日 150,000 個寡核苷酸）的競爭對手根本無法達到此一產量。
再生元（Regeneron）提出反對大規模全基因組定序的論點
在當天較具針鋒相對意味的客戶簡報中，再生元遺傳學中心（Regeneron Genetics Center）首席定序官 John Overton 利用英國生物樣本庫（UK Biobank）的數據——這是一個完美配對的世代群組，涵蓋 50,000 名同時進行了基因分型、外顯子定序與全基因組定序的參與者——論證儘管全基因組成本下跌，靶向定序仍是更具效率的藥物發現工具。透過比較編碼區變異檢測，Overton 展示了推算基因組（結合基因分型晶片與 Twist 的外顯子捕捉）與真實全基因組在檢測到的編碼變異上有 97% 的重疊率，且在測試的 100 種臨床性狀中，下游性狀關聯發現率幾乎完全相同。在預算相同而非樣本數相同的情況下，Overton 指出，以低於全基因組定序約 3 倍的成本執行外顯子加基因分型實驗室，能在相同的支出下產生大約 5 倍以上的可用研究成果；若成本優勢達到 10 倍，此差距更會擴大到 20 倍。Regeneron 與 Twist 合作共同開發了 600,000 個探針的 SNP 多樣性面板，完全取代了傳統的基因分型基因晶片；Overton 表示，這是當時沒有任何競爭供應商願意承接的專案。
核酸療法定位為下一成長支柱
Twist 明確將核酸療法——個性化癌症疫苗、反義寡核苷酸與 siRNA——定位為疊加在其 2030 年預測之上的全新可服務潛在市場（SAM）。商業長 Patrick Finn 指出，建立 CDMO 規模的核酸製造基礎設施通常需耗資約 10 億美元，隨著該領域從大量製造轉向小批量個性化劑型，Twist 現有的分銷與品質基礎設施構成了結構性優勢。客戶端的背書來自 OncoRNA 共同創辦人 Christophe Huffel，其個性化新抗原疫苗平台利用 Twist 的寡核苷酸庫技術，為每支疫苗編碼超過 100 種患者特異性新抗原——比莫德納（Moderna）與生技納（BioNTech）早期平台典型的約 30 至 34 種新抗原高出三倍以上。Huffel 表示，此方法在 90% 個別測試的新抗原中引發了 CD8 細胞毒性免疫反應，並已獲得歐盟 3,100 萬歐元的無稀釋性補助金以推進二期臨床試驗，其明確目標是將疫苗從樣本到注射的周轉時間壓縮至三週。「沒有其他競爭對手能夠同時具備這種速度、合適的格式以及符合此療法需求的價格點，」Huffel 說道。
產能餘裕與資本紀律
Laponis 表示，Twist 目前在其威爾森ville與南舊金山廠房營運 8 個合成 rider，產能利用率約為 50%，另有 4 個訂購中的 rider，且在不進行新建築工程的情況下，物理空間最多可容納 22 個 rider——這意味著在現有廠房空間內，約有現行 rider 3 倍的產能潛力可資利用。結合已簽署擴建至南舊金山第四層樓的選擇權，管理階層重申了在 2030 年前支援超過 10 億美元年營收產能且無需進行重大新資本支出的目標，預期維持性資本支出將與折舊保持一致。在併購方面，Laponis 描述了嚴格的 mandate（授權範圍）：收購必須能為矽晶片平台帶入增量產量並改善單位經濟效益，他並以近期的 Invenra 雙特異性抗體授權交易（B-Body 平台）作為範本，而非轉向規模更大、會造成稀釋的交易。
科學顧問對 AI 侷限性的觀點
諾貝爾獎得主、長期擔任 Twist 科學顧問的 Frances Arnold 提出了平衡的觀點，為當天佔主導地位的 AI 熱潮降溫。當被問及 AI 驅動的藥物發現是否具備持久性時，Arnold 直言這並非「曇花一現」，但她同時警告，諸如 AlphaFold 等結構預測工具「除非你將其與這些優化方法結合，否則還不夠好」——亦即她贏得諾貝爾獎的定向演化技術——且訓練功能性模型而非結構性模型的數據「我們目前還沒有」。她也反駁了 AI 將減少合成 DNA 需求的觀點，反而主張不完美的模型將需要更多的實驗迭代，而非減少：「DNA 是你將運算轉化為真實世界的交匯點……我認為永遠都會是如此。」