跳到正文
No Priors(youtube.com)· Elad Gil·· 10 天前品質評分58

以 AI 驅動藥物開發:專訪 Isomorphic Labs 總裁 Max Jaderberg

以 AI 驅動藥物開發:專訪 Isomorphic Labs 總裁 Max Jaderberg

重點導讀

Isomorphic Labs 總裁 Max Jaderberg 說明,AI 模擬模型如何透過預測人體毒性和脫靶效應,來解決製藥業研發生產力停滯的問題;他指出,大鼠模型的預測準確率僅約 30%。

AI 伴隨問答

自備 Key 深度分析

針對這篇報導有疑問?可直接點選快捷問題或向 AI 追問背景脈絡與技術細節:

Podcast 專家音訊節目

收錄於 888news Podcast 智庫專區,包含精華摘要與上市公司即時行情

正文

Isomorphic Labs 總裁暨創始團隊成員 Max Jaderberg 主張,藥物研發之所以停滯不前,是因為它至今仍是一套靠經驗反覆試錯的流程;要打破僵局,就得把疾病生物學與分子設計搬上電腦。整場對談大部分時間都花在幾件事上:為什麼製藥生產力在知識爆炸的同時卻原地踏步;模擬模型若能達到「實驗準確度」,對縮短那 15 年、15 億美元的開發週期意味著什麼;以及 Isomorphic 為了追求這個目標,組織與人事是如何安排的。長壽與健康餘命只在接近尾聲時短暫提及。

Jaderberg 出身 DeepMind——他先把一家電腦視覺公司賣給該實驗室,之後在那裡參與 AlphaGo 與 AlphaStar——他把 Isomorphic 定位為把這套通用深度學習應用到生物學,並以 AlphaFold 作為概念驗證。主持人 Elad Gil 擁有生物學博士學位、研究過老化路徑,他緊咬藥物開發中難以模擬的部分:對人體毒性預測力極差的動物模型、臨床失敗,以及這一切底下的資料問題。讀者讀完應該能掌握 Isomorphic 的營運模式(自有模型、部分自有專案、部分對外合作)、它自述的聚焦領域,以及 Jaderberg 用來描述這個產業失敗模式的具體數字。

製藥生產力停滯,因為研發仍停留在經驗階段

Jaderberg 的核心診斷是:製藥從未擺脫試錯。早期藥物多半是誤打誤撞發現的——他指出阿斯匹靈與普拿疼被使用了很長一段時間,才有人搞懂它們的作用機制——而這個產業至今仍靠著在真實世界中反覆驗證假設來運轉。問題出在維度:細胞是「一個龐大、複雜又混沌的系統」,而分子(小分子、抗體、胜肽)則是組合上極其龐大的設計空間。手邊僅有的工具就是篩選與試錯,這使得在有限預算或時程內能觸及的解法複雜度被牢牢封頂。

Gil 用數字點出這個悖論:每年新藥核准數大致持平,儘管科學文獻量成長了 10 到 20 倍、藥物模態不斷擴增(抗體、小分子、蛋白質、胜肽),成本與時間卻雙雙惡化——從每款藥數億美元、8 到 9 年,變成約 15 億美元、15 年。Jaderberg 的解讀是:靠經驗流程就能摘到的低垂果實正被採光,而剩下的每個問題所需的複雜度,都超出這套流程能觸及的範圍。

他也指出商業面的結構性成因:藥物專案是以量身打造的前沿科學專案方式在運作,因此一個專案的經驗很難轉移到下一個。研發沒有規模經濟,打造大型企業所需的複利效應就永遠啟動不了。Gil 補上產業年齡的論點——老產業會因官僚化與法規俘虜而慢下來——並指出距離上一家打造出數百億美元規模的生技公司已約 40 年,他舉 Regeneron、Vertex、Amgen 為 1980 年代那一批,而 Moderna 的崛起幾乎被當成 COVID 的意外產物。

「真正出問題的地方是在臨床,因為我們在把藥送進病人體內之前,根本看不到問題,直到那一刻才說:『糟糕,這毒性我們沒算到。』」

多數臨床失敗是「看不見」造成的,而模擬正是解方

Jaderberg 把 15 年、15 億美元的週期拆成幾個階段,主張成本主要來自失敗率,而非某個特別昂貴的環節。探索加上臨床前作業(用動物做安全性與療效研究)只佔一小塊;大宗是第一期到第三期。失敗集中發生在臨床,原因反覆出現三種:預料之外的毒性;脫靶效應,也就是分子打到別的東西並造成負面後果;或是中靶效應,也就是打到預定靶點本身反而傷害病人。

在他的框架裡,機會在於讓病人在被暴露之前就先理解這些問題——不只模擬「哪個分子結合到什麼」,還要模擬周遭的疾病生物學,以及調控某個靶點在細胞裡實際會怎麼演變。Gil 的質疑落在資料上:癌症在小鼠身上已被「治癒」過數百次,卻無法轉譯到人身上,而最關鍵的資料來自人體試驗。Jaderberg 在動物模型這點上爽快認帳——他說大鼠對人體臨床毒性的預測力大約只有 30%,沒有任何 AI 科學家敢推出這種準確度的模型。他提出的做法是以體外終點、AI 預測模型,以及類器官、器官晶片、合成人體組織等較新的實驗平臺,取代動物這個代理,然後直接模擬人體臨床毒性——同時也承認這方面的資料很薄,因為跑過的試驗數量終究有限。

階段約佔週期比重痛點所在
探索+臨床前(體外、小鼠)約 2–3 年、數千萬美元迭代緩慢;動物模型對人體預測力弱
臨床(第一期至第三期)約 15 年、約 15 億美元的大宗毒性、脫靶效應、中靶傷害、突變逃逸
成本的根本原因失敗率問題要等藥物送到病人身上才看得見

北極星是「實驗準確度」——走出真實世界

Isomorphic 自述的目標,是把藥物探索與設計工作搬上電腦,內部指標則是實驗準確度:預測模型好到讓你不再需要實體實驗。AlphaFold 就是範本——結構預測以往得靠 X 光晶體學花上數月甚至數年,如今在電腦上完成,直接把那段時間省下來。Jaderberg 說公司內部每一張排行榜都掛著一條實驗準確度的虛線,目標是當 Isomorphic 真的進實驗室時,是在做驗證,而不是在學習。

他講得很明白:濕實驗室自動化是互補,但不是答案。機器人與自動化實驗室進步很多,Isomorphic 也與它們合作了很久,但物理定律設下了地板:反應該花多久就花多久,培養細胞就是得等上幾天才能到理想狀態。Gil 提出閉環論點——快速回饋正是 AI 模型進步的關鍵——Jaderberg 的回應是把迴圈盡可能推進矽晶片裡,讓真實世界的時間花在驗證新假設,而不是反覆迭代假設。

談到資料,Jaderberg 描述一套「誇張地全面」的策略,立基於過去五年的關鍵教訓:自己產資料。公開資料庫與藥廠的資料庫都是多年被動蒐集的副產品,偏誤嚴重,若目標是泛化能力就會吃大虧。他說 Isomorphic 自行產生的資料,已經展現出強勁的資料規模化定律。

Isomorphic 自有引擎,並跑兩種專案

商業模式是垂直整合,而且刻意封閉。Isomorphic 自行打造 AI 藥物設計引擎,不賣模型、不授權、也不賣 Token——它只在內部用來製藥。這些藥走兩條路:全資自有、自籌經費的內部專案,以及與藥廠、生技公司合作的專案——後者帶來特定疾病領域的深厚專業,有時是為瞭解決一個卡了 10 到 20 年毫無進展的難題。

內部聚焦腫瘤、免疫與發炎。模型本身被形容為通用——不分疾病、不分靶點類別、不分模態——這正是合作案得以橫跨各疾病領域的原因。在腫瘤領域,Jaderberg 偏好「根節點」型問題,也就是解開之後能讓下游多個適應症的眾多病人受益。他的例子是 KRAS:Gil 提到 RAS 在癌症文獻中已出現 20 到 30 年,而 Jaderberg 舉 Revolution Medicines 的 KRAS 抑制劑為例——該藥在晚期胰臟癌的結果,曾在某場大型癌症會議上贏得全場起立鼓掌。他也點出癌症特有的難處——腫瘤會針對解法突變——這正是他對組合療法感興趣的原因。

flowchart TD
    A["Isomorphic AI 藥物設計引擎(自有、不對外授權)"] --> B["自有內部產品線(自籌經費)"]
    A --> C["與藥廠及生技公司的合作專案"]
    B --> D["腫瘤、免疫、發炎"]
    C --> E["合作方的疾病專業加上 Isomorphic 模型"]
    D --> F["KRAS 等根節點靶點"]
    E --> F

卡住組合療法的是分子不夠精準,不是生物學

Gil 拿 HIV 類比:愛滋病是靠雞尾酒療法壓制下來的,而腫瘤帶有一整譜系的突變,很可能需要同時壓制,否則疾病就會繞過治療演化。Jaderberg 同意,並點名真正的緊箍咒——藥物互動作用。個別分子往往有效,卻帶有肝臟影響或毒性,疊上好幾種就會傷到病人,這就封死了組合療法能被測試與使用的複雜度上限。他提出的解方是更好的工程:把分子做得夠精準、夠乾淨,讓組合變得安全,從而能一次調控複雜路徑上的一整組靶點,而不是一次只打一個。他把這定位成擴大醫學可作用的範圍,而不只是效率提升。

安全性的取捨該隨病人調整,而非隨監管者

Gil 轉述 Jan Janssen 的論點:藥物開發過度偏重安全,監管機構拖慢了進展;他舉例說,二戰期間一旦移除監管障礙,青黴素的重新發現與商業化只花了約九個月,COVID 疫苗則是現代版對照。Jaderberg 並不背書放寬安全標準。他說病人安全必須始終居於核心,但風險胃納確實該隨適應症而異——選擇所剩無幾的晚期癌症病人願意承擔的風險,慢性輕度發炎病人不會願意。他說 Isomorphic 定期與 FDA 及全球各地監管機構溝通,感受到雙方有共同意圖:讓病人拿到最好的藥。他的賭注是,設計出來的分子在統計上更好的成功率與安全性,終將改變監管的校準方式。

人才招募是這個幾乎還不存在的領域的最大瓶頸

Jaderberg 說,你根本找不到「AI 用於藥物探索」的世界級專家,因為這個領域太新——而少數存在的人用的技術也各不相同。因此 Isomorphic 的做法是:延攬最頂尖的核心 AI 與深度學習人才,其中有些沒有生命科學背景、但希望自己的工作對人類有影響;同時找來幾乎沒接觸過 AI 的核心生物學家與化學家;再建立一種文化,讓兩邊互相學習,直到跨領域專家自然長出來。Gil 自己在 Color 的經驗大約是五名 ML 人才配一名傳統研究科學家;Jaderberg 說這個一比五的比例,與 Isomorphic 各團隊的現況相當吻合。領域專家的職責,是別讓做模型的人去追虛胖的指標,並確保成果真的能轉化成藥。目前積極招募的重點是核心 AI 研究員,一方面做 AlphaFold++ 這類模擬模型,一方面把前沿與開源的推理模型改造成適用於生物學領域。

長壽是次要框架,健康餘命才是主軸

長壽的討論很短。Gil 指出,消滅癌症與心臟病或許只能讓平均壽命多五到七年;而在秀麗隱桿線蟲、果蠅或小鼠身上敲除某些基因,卻能延長壽命 20% 到 30%(線蟲可達三倍),而且在老化模型中,健康餘命是與壽命同步延長,而不是落後。Jaderberg 的回應緊扣疾病:主要死因對人能活多久有具體影響;而在這些死因之外,老化的慢性退化——骨質與肌肉流失、一跌就失去行動力、連帶的心理健康問題——侵蝕的是人生最後 10 到 20 年。他支援同時對付這些病痛與細胞、器官退化的根本原因,但不願對任何延壽倍數做出承諾。

值得觀察的重點

本集未解的張力,在於 Jaderberg「走出真實世界」的論點,與藥物開發中只有人類能裁定的那些環節之間。他自己那個「大鼠預測力 30%」的數字,是整份逐字稿中支援「模擬必須進步」最有力的論據——同時也提醒我們,驗證這一步永遠不會消失。有兩個具體指標可以看出這套論點是否奏效:一是 Isomorphic 的首個臨床試驗,Jaderberg 不願給出時間表,只說公司正在建置臨床開發能力並全力推進;二是他自訂的五年檢驗——對疾病生物學的預測性理解,以及設計出精準、低毒性分子的能力,屆時是否已躍進到足以開始攻克大部分疾病。如果屆時兩者都沒動靜,那麼他對經驗流程的批評,同樣會套用在 Isomorphic 自己身上。

來源: No Priors (youtube.com)
開啟原文

讀者討論

理性交流 · 即時討論