杭州 --°C 消息 发布作品
hao1123

hao1123

当前位置:首页 > 科技 > 生物科技×AI融合,医疗健康迎来范式革命

生物科技×AI融合,医疗健康迎来范式革命

hao1123
hao11231794179402|155阅读

上周跟一个做药物化学的老哥吃饭,他掏出手机给我看了一张图。那是他们实验室刚跑完的一轮虚拟筛选结果,AI模型在三天里从十亿量级的化合物库里圈出了两百多个候选分子,其中三个已经进了体外验证。他说搁五年前,同样的活儿,二十个人的团队得干大半年,还不一定筛得干净。这话听着像吹牛,但我知道他没夸张。那套模型背后喂的是他们过去十几年攒下来的晶体结构和活性数据,不是通用大模型套个壳,是拿自家实验数据硬训出来的。

2生物科技×AI融合,医疗健康迎来范式革命

这件事让我琢磨了很久。大家聊AI医疗,总爱说影像识别、辅助诊断这些,其实真正在底层翻土的,是生物科技和AI的咬合处。它不像互联网产品那样三天两头开发布会,动静小,但动的是地基。

最直观的变化发生在靶点发现阶段。以前找一个新靶点,从文献里扒、从通路里猜,运气成分不小。现在组学数据铺开了,单细胞测序、空间转录组,一个样本能吐出几十万个细胞的状态信息。人眼根本看不过来,但AI能在这堆高维数据里找模式。我见过一个做自免疾病的团队,他们用图神经网络把患者外周血的免疫细胞互作网络建了模,发现了一个此前没人注意的亚群,后来验证跟疾病活动度强相关。这种发现在过去基本靠博士生的灵光一现,现在变成了可以批量跑的计算流程。

更狠的是蛋白质结构这块。AlphaFold把预测精度拉上来之后,很多小 biotech 的玩法变了。以前要做一个酶改造,得先结晶、打衍射、解结构,光这一步卡死多少项目。现在先拿序列跑个结构预测,心里有个底,再决定要不要砸钱做湿实验。有个做工业酶的哥们跟我说,他们现在立项前先跑模型,命中率从原来的两三成提到了六成往上。省下来的不光是钱,是决策周期。你想想,一个项目早三个月砍掉或者早三个月推进,对一家融了A轮的公司的意义是什么。

当然,湿实验不可能被替代,这点得说清楚。AI给的是概率排序,不是真理。模型说这个分子活性高,进到细胞里可能因为溶解度不够直接趴窝。所以现在跑得快的团队,都是干湿闭环做得紧的。计算那边出结果,实验那边快速反馈,数据回流再训模型。这个循环转起来之后,迭代速度是传统打法没法比的。我认识一个做ADC的团队,他们把这个闭环压缩到了两周一轮,一年能跑二十多轮,同行可能才跑五六轮。差距就是这么拉开的。

临床端也在变,只是慢一些。医疗数据散在医院各个系统里,标注质量参差不齐,这是老问题。但有些切口已经打开了。比如病理切片,数字化的基础相对好,AI辅助判读在几个癌种上已经进了指南或者接近进指南。再比如临床试验的患者匹配,以前靠研究者手动翻病历,现在用NLP去结构化电子病历,匹配效率提了不少。这些事不性感,但实实在在省了时间和人力。

不过我得泼盆冷水。这个领域现在有个不太好的倾向,什么都往大模型上靠。生物数据跟文本不一样,样本量小、维度高、噪声大,很多通用架构直接搬过来效果并不好。真正跑出结果的,往往是针对特定数据类型做了架构调整的。而且生物实验的可重复性问题,AI解决不了。你模型再漂亮,湿实验做不出来就是零。所以那些宣称AI能颠覆药物研发的,听听就好。它是在改变研发的效率和决策方式,不是在变魔术。

还有一个容易被忽略的点,人才。现在最缺的不是会调参的,也不是会养细胞的,是两种话都能说清楚的人。一个项目里,计算和实验两边经常鸡同鸭讲,各说各的。能 bridging 的人,市场上抢得厉害。我见过几个团队,核心就是一个既懂分子生物学又能写几行代码的人,把两边的节奏捏在一起。这种人不好找,但找到了就是杠杆。

说到底,这轮融合的本质是把生物实验从经验驱动往数据驱动推了一步。它不是要替代谁,是让做实验的人少走弯路,让做计算的人别飘在天上。那些跑得快的团队,没有一个是纯靠AI或者纯靠湿实验的,都是两边咬合得紧。这个趋势不会停,但也不会像媒体标题写得那么快。它是一轮一轮迭代出来的,每一轮都得拿实验数据说话。