생명 공학 분야에 관심이 있거나 경험이 있는 경우 수익이 거의 또는 전혀 없는 생명 공학 회사의 가치가 여전히 수십억 달러일 수 있다는 사실은 놀라운 일이 아닙니다. 길리어드가 카이트 파마를 거의 120억 달러에 인수했을 때 가장 눈에 띄는 2017년 생명공학 M&A 거래를 생각해 보십시오. 거래 당시 카이트는 누적 적자액이 6억 달러 이상으로 여전히 적자였지만 암을 치료하는 CAR-T 세포 치료제 파이프라인도 보유하고 있었다. 연은 반드시 변칙적인 것은 아니었습니다. Nasdaq Biotech Index(NBI) 기업의 구성 기업 중 거의 80%는 수익이 없습니다. 시가 총액이 2,500억 달러 이상인 150개 이상의 회사. 그리고 생명공학에 대한 평균 VC 투자는 2005년 46억 달러에서 2015년 129억 달러로 지난 10년 동안 두 배 이상 증가했습니다. 기관 주식 투자자로서 이것이 단순히 투자자의 열광으로 설명될 수 없다는 것이 분명합니다. 오히려 파이프라인이 종종 회사의 가치를 정당화한다는 것을 보여주기 위한 것입니다.
이 기사에서는 특히 제약 회사(약물 개발에 중점을 두지 않고 다른 의료 기기에 중점을 두는 회사)에 중점을 두고 이러한 바이오제약 회사의 파이프라인을 평가하는 방법을 조사합니다. 생명 공학 회사의 평가가 다른 자산의 평가와 어떻게 다른지부터 시작하겠습니다. 그런 다음 위험 조정 NPV 평가 방법론에 초점을 맞추고 (i) 여러 약물 후보의 포트폴리오에 대해 생각할 수 있는 방법 및 (ii) 가치가 투자자 또는 인수자의 특성
약물 개발은 비용이 많이 듭니다. 한 저명한 연구에서는 성공적인 약물 개발의 총 비용(일반적으로 많은 실패한 시도 중)가 25억 달러를 초과합니다. 다른 연구(아래 표 참조)에 따르면 총 비용은 약 14억 달러입니다. 이 수치는 위의 25억 달러 추정치보다 낮습니다. 후자는 투자된 자본의 기회 비용 추정치도 포함하고 전자는 현금 지출 비용만을 나타내기 때문입니다.
따라서 약물 개발에는 초기부터 많은 자본이 필요합니다. 간단히 말해서, 제약 회사를 부트스트랩하는 것은 거의 불가능하므로 개발 주기의 초기 단계와 다양한 시점에서 투자자를 필요로 합니다. 이러한 투자자에는 벤처 자본가(예:Domain, HCV, MPM 및 기타 여러 사람), 전략적 투자자(예:기타 제약 회사), 공개 시장 투자자(이 때문에 우리는 NBI). 생명공학을 위한 기금 마련은 그 자체로 쉽게 기사가 되지만, 투자자와 설립자/생명공학 경영진 모두 가치 평가를 마스터해야 합니다. 승인이 되더라도 시장성 있는 제품은 앞으로 몇 년이 걸릴 수 있습니다.
시의적절한 참고 사항:아시아에서 이 글을 읽고 계시다면, 최근 홍콩 증권 거래소에서 수익이나 이익 없이 생명 공학 회사를 상장할 수 있도록 허용했다는 사실을 알고 계실 것입니다. /P>
생명 공학 회사는 MBA 및/또는 CFA 과정에서 가치를 배운 표준 위젯 제조업체가 아닙니다. 해당 산업의 고유한 특성을 이해하려면 계속 읽으십시오.
이미 언급했듯이 많은 생명 공학 회사는 수익성이나 현금 흐름 측정은 고사하고 아직 수익이 없습니다. 사실, 의약품 승인 이전의 현금 흐름은 상당히 마이너스가 될 것입니다. 이는 EV/EBITDA 또는 P/E와 같은 "표준" 평가 배수가 덜 관련성이 있음을 의미합니다. 본질적으로 비용 기반 평가인 EV/투자된 R&D와 같은 몇 가지 대체 배수가 있습니다. 비교 평가 방법론은 공개 시장 비교 또는 비교 가능한 M&A 거래를 활용하는 또 다른 인기 있는 방법입니다. 대부분의 생명 공학 회사가 특이하여 사용이 제한된 비교 분석을 제공하기 때문에 적용되지 않는 경우가 많습니다. 아래에서 대체 평가 방법을 검토하겠습니다.
더 확립된 생명 공학 회사의 경우에도 과거 수익은 일반적으로 예측을 위한 가이드 레일로 과거 회사 내 경험/데이터 또는 심지어 다른 비교 가능한 회사의 데이터에 의존하기보다는 추정치를 처음부터 새로 구축해야 할 정도로 일반적으로 독특합니다. 다시 말해 과거 추세를 추정하는 일반적인 접근 방식은 거의 벗어났습니다. 예를 들어, 아래에서 스위스 제약 연구 회사 Idorsia의 현재 파이프라인을 참조하고 작용 기전(약물이 약리학적 효과를 생성하는 과정)과 표적 적응증(치료를 위한 해당 약물의 사용)의 범위와 다양성에 주목하십시오. 특정 질병).
생명 공학 회사는 또한 업계 고유의 긴 개발 기간에 직면해 있습니다. 임상시험용 신약(미국의 IND) 제출부터 규제 승인 후 시장 진입까지 신약의 일반적인 기간은 아래 그림과 같이 약 8년입니다. 그 8년 동안 프로세스는 연구, 테스트 및 FDA 검토의 구조화된 단계를 따르며 이 기간 동안 약물이 실패할 수 있습니다.
간단히 말해서 약물은 결국 치료에 효과가 있거나 없는 것입니다. 효과가 있더라도 규제 기관의 승인을 받을 수도 있고 그렇지 않을 수도 있습니다. 승인 전에 약물은 실패할 수 있는 모든 시점에서 구조화된 프로세스(전임상 및 임상 시험)를 거칩니다. 실패하면 프로세스를 되돌릴 수 없는 경우가 많습니다. 이는 결과 분포가 덜 이분법적인 대부분의 다른 비즈니스와 다른 위험 프로필을 나타냅니다. 실리콘 밸리에서는 일반적으로 실패한 약물을 "피봇(pivot)"하는 것이 매우 어렵습니다. 사실, 생명 공학이 아닌 스타트업의 초기 단계에서 실패도 가능한 결과이지만 스타트업이 실패하지 않으면 결과가 상당히 광범위하게 분포됩니다. 새로운 모바일 앱은 수천 번의 다운로드 또는 수천만 번의 다운로드를 얻을 수 있습니다. , 수익, 현금 흐름 및 가치에 대한 결과적인 영향. 그리고 비생명공학 스타트업이 어려움을 겪을 때 생존을 위해 거의 일상적으로 비즈니스 모델을 조정합니다. Netflix가 스트리밍 서비스가 되기 전에 DVD 통신 판매 회사였을 때, 또는 Instagram이 오늘날의 지배적인 사진 앱으로 변모하기 전에 게임과 사진 요소가 포함된 체크인 앱이었던 때로 추억을 되돌려 보세요.
결과적으로, 우리는 할인된 현금 흐름(DCF)을 생성하고 적절한 할인율을 선택할 때와 같은 평가 분석에서 이러한 다양한 위험 프로필을 반영해야 합니다. 일반적으로 이 문제에 대해 두 가지 방법을 사용할 수 있습니다.
위험 조정 NPV에는 예상 현금 흐름과 시나리오의 확률이라는 두 가지 주요 구성 요소가 포함됩니다. 먼저 시나리오에 대한 현금 흐름을 예측한 다음 다양한 시나리오에 대한 확률을 예측하는 방식으로 접근합니다.
이전에 언급했듯이 약물은 이러한 현금 흐름 예측을 처음부터 구축해야 할 만큼 고유합니다. 먼저 일반적이고 양식화된 현금 흐름 프로필을 살펴본 다음 각 현금 흐름 동인을 살펴보겠습니다.
초기에는 의약품에 대한 연구개발비로 인해 유출만 있을 뿐이다. 이러한 비용은 발견 및 전임상 단계 동안의 반복 횟수, 전임상 및 임상 시험 중에 필요한 실험 설계 등과 같은 요인에 따라 각 약물에 대해 다릅니다. 기본적으로 위의 차트에서 유출을 보여주는 연도로 구성됩니다.
약이 시장에 출시되면 수익(및 이익) 예측을 도출하기 위해 추정해야 하는 주요 동인이 있습니다. 분명히 이 프레임워크를 훨씬 더 복잡한 하위 드라이버로 개발할 수 있지만 이 개요 기사에서는 가장 중요한 드라이버에 초점을 맞출 것입니다. 다음 섹션에서는 수익을 추정하기 위해 Arthur Cook의 책인 Forecasting for the Pharmaceutical Industry(회색 상자에 표시된 일부 동인을 사용)에 나와 있는 단계를 대략적으로 따릅니다.
약물에 대한 잠재 고객의 수는 목표 상태로 고통받는 사람들의 하위 집합입니다. 우리는 깔때기에서 일련의 필터를 실행하여 대략적인 추정값에 도달했으며 다시 대략 Arthur Cook을 따릅니다.
가격 책정은 매우 중요하며 무엇보다도 치료제에 대한 R&D 투자에 대한 적절한 수익을 창출해야 하는 제약 회사의 필요성과 치료제의 가치 대 경쟁 치료제 옵션(있는 경우)에 따라 달라집니다.
기존 의약품의 경우에도 신뢰할 수 있는 가격 정보를 얻기가 매우 어렵기로 악명이 높지만, Drugbank와 같은 웹사이트나 여러 유료 데이터 제공업체에서 일부 정보를 찾을 수 있습니다. 일반적으로 정가에는 상당한 차이가 있음을 기억하십시오. 제약 회사, PBM, 보험사, CMS. 실제 평균 요금을 알아보는 것은 비행기에 올라 평균 승객이 자신의 요금에 대해 지불한 금액을 알아보는 것과 다소 비슷합니다. 그리고 공식 정상 요금을 아는 것은 그다지 도움이 되지 않습니다!
잠재적인 요인으로 약가 책정에 대한 거시적 관점, 특히 미국의 약가 책정에 대한 영구적인 정치적 논쟁을 언급하지 않는 것은 제가 태만한 일이 될 것입니다. 투자자와 생명공학 경영진은 분명히 여기에서 진행 상황을 주시해야 합니다.
약품의 총 마진은 일반적으로 매우 높습니다. 수백 개의 제약/생명공학 회사를 대상으로 한 Stern School의 연구에 따르면 회사 전체에 대한 평균으로 70대 후반에 들었습니다. 그러나 개별적으로 총 마진은 최대 90%까지 올라갈 수 있습니다. 동일한 Stern 연구에 따르면 평균 판매, 일반 및 관리(SG&A) 비용이 매출의 약 26-28%이지만 물론 판매 및 마케팅 비용이 아닌 많은 비용을 포함하여 "G&A" 부분도 포함됩니다. 이 Statista 테이블은 일부 대형 제약 회사의 순수 마케팅 비용이 수익의 비율로 20대 중반에서 100% 사이임을 보여줍니다. 그러나 이는 전체, 대규모, 다각화된 제약 회사의 평균 수치입니다. 이 기사에서 지적한 바와 같이 특정 약물의 경우 마케팅 비용의 범위가 넓을 수 있으며 약물이 직면한 경쟁과 같은 여러 요인에 따라 달라질 수 있습니다.
수익/현금 흐름 곡선의 모양은 종종 위의 그림 XYZ에서 양식화된 곡선을 따릅니다. 램프업은 다양한 지역의 규제 승인, 제조 구현 및 마케팅 전략 실행과 같은 요인에 따라 달라질 수 있습니다. 예를 들어 경쟁 브랜드 치료 옵션의 출현으로 램프 다운이 영향을 받을 수 있습니다.
위의 양식화된 곡선의 수익은 결국 0이 됩니다. 이는 특허 만료와 이에 따른 제네릭 의약품 경쟁의 영향 때문이다. 미국의 표준 특허 보호 기간은 20년입니다. 그러나 신약은 일반적으로 초기에 특허를 받습니다. 예를 들어, 전임상 단계의 동물 실험 중에는 약물이 실제로 시장에 출시되기까지 일반적으로 여전히 8-10년이 걸리므로 실제 "보호된" 수익 단계는 약 10년에 불과할 수 있습니다. 특허 만료 후 약품의 가격 하락은 일반적으로 신속하고 심각합니다.
다음과 같은 잠재적인 완화 요인이 있습니다.
그럼에도 불구하고 의약품에 대한 현금 흐름 예측은 특허 만료 후 현금 흐름(따라서 최종 가치)을 가정하지 않는 경우가 많습니다.
현금 흐름 예측이라는 주제와 관련하여 일반적인 수익/현금 흐름 곡선에 대한 잠재적인 조정도 염두에 두어야 합니다. 그 중 대표적인 두 가지 예만 언급하겠습니다.
치료 후보가 반복 투여를 통해 상태를 치료하거나 관리하는 대신 상태를 완전히 치료할 것을 제안하면 어떻게 됩니까(위에서 암시적으로 가정)? 특히 최초의 승인된 유전자 치료법의 출현으로 이것은 이제 점점 더 관련성이 높은 가능성이 되었습니다. 이는 아래에 요약된 바와 같이 현금 흐름 예측에 대한 몇 가지 흥미로운 결과를 나타냅니다.
현금 흐름 예측의 고려 사항을 검토했으므로 이제 이러한 현금 흐름의 무게를 측정하는 데 사용할 확률에 대해 알아보겠습니다.
그렇다면 약물 후보에 대해 어느 정도의 성공 확률을 가정해야 할까요? 일반적인 원칙으로서 우리는 합리적인 기본 성공률에서 시작하여 새로운 증거를 위해 지속적으로 조정하는 "좋은 베이지안"이 되어야 합니다.
주제에 대한 다양한 연구를 종합한 아래 표는 임상부터 신약 개발 과정(상단)의 각 단계의 대략적인 성공 확률과 신약 승인의 누적 확률(하단- 예를 들어, 1상을 통과할 확률은 약 65%이지만 1상 시작부터 승인된 약품이 될 전체 확률은 90% × 65% × 40 × 65% =15%입니다. , 하단 행에 표시된 대로). NDA는 신약 신청을 의미하며 백분율은 NDA가 성공했음을 나타냅니다.
물론 이것은 우리가 사용할 수 있는 가장 일반적인 기본 요율이며 Bank of America Merrill Lynch의 다음 그래프에서 볼 수 있듯이 약물 후보의 치료 영역 또는 신규성을 고려하여 향상되어야 하고 향상될 수 있습니다.
회사(R&D 및 규제 팀)의 약품 승인 실적과 같이 약품 자체와 관련이 없는 경우에도 기본 요율에 대한 추가 잠재적 조정이 있습니다.
그런 다음 관련 증거를 사용할 수 있을 때마다 기본 요율을 조정해야 합니다. 가장 확실한 예는 임상 시험 단계를 통과하고 위의 표와 같은 표가 이미 새로운 조정 확률을 제공하는 것입니다(그러나 다행히도 Bayes 계산은 표 번호와 일치합니다. 예를 들어 1단계 통과:15% × 100% / 65% =23% ). 사소한 조정이 훨씬 적습니다. 예를 들어, 같은 경로를 목표로 하는 경쟁사의 약물이 임상 시험에서 문제에 부딪힌다고 상상해 보십시오.
기본 요금이 도움이 되지만 두 가지 시나리오(성공/실패)만 가정하는 것은 종종 너무 단순합니다. 1단계에 진입하는 약물 후보가 있다면 적어도 아래 시나리오 트리에 설명된 시나리오 - 이 트리에 캡처되지 않은 다른 많은 결과가 분명히 있습니다. 미국 달러 금액은 백만 단위이며 각 노드에서 예상 NPV를 나타냅니다. 여기의 성공 확률은 위의 요약 표에 있는 것과 일치하지 않으므로 다양한 추정치가 있음을 알 수 있습니다.
첫째, 약물이 실패했을 때 분명히 중요하다는 점에 유의하십시오. 나중에 R&D에 더 많은 돈이 쓰일 것입니다. 다시 말해, "빨리 실패하고 자주 실패하십시오"라는 실리콘 밸리의 만트라를 수용하는 것이 (문자 그대로) 가치가 있습니다. 이는 R&D 지출에 대한 ROI 감소를 경험한 부문의 맥락과 관련이 있습니다(예:12개의 선도적인 바이오 제약 회사에 대한 Deloitte 연구에서 2010년 10.1%에서 2016년 3.7%). 어떻게 효율적으로 빠르게 실패하고 종종 그 자체로 기사가 될 수도 있습니다. 빅 데이터가 이 문제를 해결할 수 있는 방법에 대한 이 Toptal 기사를 확인하십시오.
둘째, 이 시나리오 트리는 NDA 승인 후 중지되지만 승인 후(즉, 수익) 단계에 대한 시나리오도 개발할 수 있습니다. 그러나 그 단계의 결과 분포는 기대값을 사용하여 하나의 시나리오로 종종 단순하게 작업할 수 있도록 보다 연속적일 것입니다.
시나리오와 각각의 현금 흐름 및 확률을 개발한 후에는 현금 흐름을 현재로 다시 할인해야 합니다. 한편으로는 시나리오를 통해 이미 일부 불확실성/위험을 포착했다는 점을 염두에 두어야 하므로 지나치게 높은(벤처 캐피털 방식) 할인율을 사용해서는 안 됩니다. 반면에 초기 단계에 있을수록 더 많은 잔여 위험(시나리오를 통해 포착되지 않음)이 있으므로 더 높은 할인율을 정당화합니다. 다음은 다양한 성숙 단계에 있는 생명공학 기업에 대한 할인율의 예입니다.
이 위험 조정 NPV를 올바르게 해석하는 것이 중요합니다. 이 값은 이진법에 가깝거나(예:파이프라인에 하나의 3상 약물이 있는 회사) 훨씬 더 복잡할 수 있는 기본 결과 분포를 마스킹하는 예상 값입니다. 개발 파이프라인에 여러 약물이 있는 회사의 경우 - 다음 주제인 여러 약물 후보를 관리하는 방법으로 이동합니다.
하나의 약물 파이프라인이 여러 약물이 있는 파이프라인과 어떻게 다른지 이해하기 위해 예를 사용하겠습니다. 생명공학 투자 컨퍼런스로 가는 길에 길거리 사기꾼이 당신을 붙잡고 동전 던지기 게임을 제안합니다. 당신은 아무것도 얻지 못한다 - 당신은 게임을 하기 위해 얼마를 지불하시겠습니까? 그런 다음 다른 거리의 사기꾼이 나타나 약간 다른 게임을 제안합니다. 그는 동전을 10번 던지고 앞면이 나올 때마다 10달러를 받습니다. 이 경우 게임을 하기 위해 얼마를 지불하시겠습니까? 수학적으로 말하면 왼쪽의 Bernoulli 분포와 오른쪽의 이항 분포와 같은 잠재적인 결과 분포를 살펴보겠습니다.
예상 상금은 실제로 두 게임에서 $50입니다. however, you can easily see and intuitively understand that the 1-coin flip game is “riskier.” In order to quantify this risk, we can look at the standard deviation of your winnings—$50 for the 1-coin flip game and approximately $16 for the 10 coin-flip game. Therefore, if you were forced to play and pay the “fair” price of $50, most people would pick the second game—its risk-adjusted return is superior to the first game’s, a point to which we will return below.
Of course, by now you have understood that we can substitute “coin flip” with (e.g.) “phase III drug” and set the probability to the appropriate one, in that case, say 65% as per the table above (ignoring the subsequent NDA stage)—a coin that is biased in our favor! The one coin flip case would be a company with only one such phase III drug in its pipeline, whereas the ten coin flip case may be one company with ten phase III drugs, or (from, e.g., a biotech investor’s point of view) several companies with a total of ten phase III drugs in their pipelines (each single company may have as few as just one pipeline drug).
Even if we just stick to a simple fail/success binary outcome, you can see that the number of potential outcomes scales exponentially with the number of drugs (n), specifically:2 n . Once we add in all necessary intermediate scenarios, as per the discussion above, things can get unwieldy quickly and too cumbersome to calculate by hand or on a spreadsheet. My choice would be to run a Monte Carlo simulation in an appropriate computing environment—not Excel!—e.g., R. The simulation essentially “flips coins” (respecting the input probabilities the user provides) at every outcome node and runs a large number of trials, eventually covering/providing a meaningful sample of outcomes that could happen in the real world. The Monte Carlo simulation hence outputs a distribution of outcomes (specifically, NPVs) on which you can then calculate statistics like the mean and standard deviation.
One caveat:The probabilities of success for several drugs may not be statistically independent of each other—e.g., imagine a company that has two (or even more) drugs that use the same innovative therapeutic approach, focusing on different conditions. In that case, the math becomes more complex and goes beyond the scope of this overview article.
So, in the line of comparing the coin flip games at the beginning of this section, how can one compare (in a quantified way) pipelines with several drugs against each other? This also goes beyond the scope of this article, but suffice to say we can borrow metrics from finance that are designed to adjust returns for risk—e.g., the Shape ratio or Sortino ratio. In general, though, one takeaway from this section should be that multiple drugs (especially if independent of each other) de-risk the drug portfolio, which is also the reason why a one-drug, pre-clinical biotech startup may have to offer 100%+ expected IRRs to its venture investor, whereas that same venture fund, benefiting from diversification, may get away with offering 20-30% IRRs to its investors.
Does this mean every biotech company should try to have several candidate drugs? 반드시는 아닙니다. This is a complex question that depends, inter alia, on things like the company’s scientific, management, and financial capacity. If you have the world’s best team to work on a specific therapeutic approach, you can intuitively see that forcing that team to diversify into other areas may be distracting and therefore possibly even increase risk. If a biotech company wants to de-risk, there are, of course, also other ways—notably, via partnerships whereby, e.g., the company gives up some upside (revenue share) in exchange for limiting downside (sharing R&D and/or eventual marketing cost). In such a partnership, a biotech company’s drug may also help to de-risk the other company’s overall pipeline, which brings us to final discussion.
There is standalone value (the subject of this article up to this point) and then there is the value of a company to somebody else (like a partner, investor, or acquirer), which takes into account factors such as:
As a finance professional and enthusiastic hobby biologist who loves to read biology books and take open online medicine courses, I am inclined to close on the following note:I hope that while the scientific work is the most important value driver of a biotech company, there is room for savvy financial experts to add value, such as tasks like conceiving and negotiating partnerships that increase risk-adjusted returns and hence value to all sides. As prominent biotech investor Stephen Diggle noted in a recent Bloomberg article:“Bringing financial expertise to fledgling biotech companies helps create value because management consists mostly of scientists who focus on research and development.” Of course, if the financial expert has some domain expertise and is passionate about the science, all the better!