이미지: TechCrunch AI
摘要
- Vivodyne通过培养、给药并监测20种人体组织的机器人实验室HIVE,直接生产AI新药研发所需的人体数据
- 公司公布了验证结果:肝细胞毒性预测准确率94%,气道组织反应一致率96%,骨髓化疗反应一致率100%
- Dario Amodei上周末撰文称AI治愈癌症的宣言与其说是可信,不如说更像陈词滥调,Vivodyne CEO则反驳称如果没有人体实验,AI最终只能治好老鼠的癌症
- 회사
- Vivodyne, 2021년 펜실베이니아대에서 스핀아웃, CEO는 Andrei Georgescu
- 핵심 장비
- HIVE — 20종 인체 조직을 배양하고 자율적으로 투약·모니터링하는 모듈형 로봇 실험실
- 정확도 검증
- 간세포 독성 예측 94%, 기도 조직 일치 96%, 골수 화학요법 20종 100% 일치
- 투자
- 코슬라 벤처스 주도로 두 차례에 걸쳐 약 8천만 달러 미만 유치
- 시설
- 지난주 샌프란시스코 인근에 '세계 최대 인간 데이터센터'라고 자칭하는 시설 개소
- 처리량 주장
- 미국 내 전체 동물실험 대비 2배 처리량 달성
- 업계 통계
- 동물실험을 통과한 신약의 90%가 인체 대상 규제 승인을 받지 못함
只能治好老鼠癌症的AI
Anthropic CEO Dario Amodei上周末在自己撰写的文章中指出,"AI将治愈癌症"这类主张与其说令人信服,不如说已经沦为陈词滥调。讽刺的是,他本人过去也曾在文章中提出过相同的主张,而Sam Altman也多次以治愈癌症为由,为OpenAI推进AGI和大规模算力投资进行辩护。谷歌DeepMind的Demis Hassabis去年也曾表示,AI能在十年内治愈所有疾病。
但实际成果远未达到这些言论的高度。虽然部分由AI设计的药物已进入人体临床试验阶段,其中一项甚至进行到了大规模人体试验的三期,但有观点指出,新药研发的真正壁垒并非现有AI能够解决的问题。曾获诺贝尔奖的AlphaFold在理解生命基本结构方面取得了重大进展,但至今仍未真正推出一款新药。以AlphaFold为基础成立的Isomorphic Labs,已将原定于2025年的首次临床试验推迟到今年年底,并在今年2月的发布会上表示,真正的新药研发需要能够广泛涵盖生化特性与相互作用的高精度预测模型。
机器人培养的人体组织
Vivodyne将这一空白定义为数据问题。CEO Andrei Georgescu在宾夕法尼亚大学获得生物工程博士学位后,于2021年从该校分拆创办了这家公司。公司打造的HIVE是一套模块化机器人实验室,能够培养20种人体组织,并自主进行给药和反应监测。该公司认为,如今用于训练AI模型的生物学数据大多来自动物实验或单一细胞、蛋白质研究,这与真实活体组织的反应存在差异。
Vivodyne给出了以下数据,作为其组织表现更接近真实人体器官行为的依据。
| 组织 | 验证项目 | 一致率/准确率 |
|---|---|---|
| 肝细胞 | 相对人体临床的毒性预测 | 94% |
| 气道组织 | 与真实人体组织反应的一致性 | 96% |
| 骨髓 | 20种化疗方案反应一致性 | 100% |
在制药行业,通过动物实验进入临床试验的新药中,有90%未能获得针对人体的监管批准。Georgescu将此比作汽车碰撞测试:整车企业通常在有把握通过美国国家公路交通安全管理局(NHTSA)标准的情况下才进行测试,但制药公司在面对临床试验时,却很少拥有这种把握。
8000万美元与"人体数据中心"
Vivodyne在由Khosla Ventures领投的两轮融资中,共募集了近8000万美元资金。上周,公司在旧金山附近开设了一处自称为"全球最大人体数据中心"的设施。Georgescu表示,该设施的处理量已达到美国全国动物实验处理总量的两倍。公司并未公开合作伙伴名单,但透露正与多家大型制药公司展开合作。其目标是在进入耗资数千万美元的临床试验之前,更准确地筛选出候选物质的成功可能性,从而加快研发进程。
懂得因果关系的模型
Georgescu所描绘的更大目标,并非只是一项验证服务。他认为,HIVE产生的数据将成为训练理解人体生物学的新型AI模型的素材。他援引上月发表于《自然·方法》(Nature Methods)的一篇论文指出,用现有细胞数据训练生成式AI模型时,并未出现明确的数据规模法则。Georgescu解释称,目前的模型只学习了细胞的静态快照,能够区分"A状态"和"B状态",却完全无法学习"B状态是A状态发炎后的结果"这种因果关系。
相比之下,HIVE正在同时追踪数十万项针对病变组织施加特定刺激的实验。Georgescu表示,期待这些数据能以强化学习的方式积累,成为打造真正理解人体生物学的模型的基础。他说:"如果没有人体实验,这些模型能做什么?顶多只能治好老鼠的癌症"。他总结道,随着需要同时针对多条通路的复方疗法需求增加,需要探索的组合空间将呈指数级增长,因此必须先弄清因果关系再展开研发。
编辑视角
过去几年,关于AI新药研发的讨论一直建立在"模型变好,新药自然就会出现"这一前提之上。Vivodyne的主张动摇了这个前提本身——问题不在模型,而在于喂给模型的数据本身就是错的。这并非单纯的营销话术,而是AlphaFold之后整个行业实际撞上的一堵墙。即便拥有获得诺贝尔奖的模型,Isomorphic Labs的首次临床试验依然推迟了一年多,而与此同时,Amodei、Altman、Hassabis等人抛出的"十年内攻克疾病"之类的言论,却始终未能兑现为具体成果。
在这一格局中,值得关注的是Vivodyne并未将自己定位为AI公司,而是自称数据公司。过去两年间,新药研发初创企业大多在"我们的模型更准确"这一维度上展开竞争,而Vivodyne认为这种竞争本身就没有意义。因为无论用动物实验数据训练的模型变得多么优秀,只要无法预测人体反应,90%的候选药物在三期临床试验前折戟的结构就不会改变。这不是靠堆更多算力就能解决的问题,而是需要改变实验基础设施本身才能解决的问题,因此这与OpenAI、Anthropic式的"做更大模型"策略,属于不同性质的押注。
国内制药和生物企业从这一趋势中应汲取的实务教训十分明确:在投资AI新药研发管线时,比起模型性能指标,更应首先审视该模型是用什么数据训练的——是动物实验数据,还是真实人体组织数据。虽然像投入8000万美元建造机器人实验室这样的早期投资方式,目前在国内还难以复制,但在委托临床试验前的阶段,与已获取类人体组织数据的合作伙伴展开合作,仍是当下可以考虑的选项。
未来几个月值得关注的是,Vivodyne未透露名称的"多家大型制药公司"合作项目,是否能真正转化为实际的临床候选物质。在结果出炉之前,这次发布也仍将停留在与Isomorphic Labs"推迟的临床试验"相差无几的位置上。
