人工智能+器官芯片：醫藥領域彎道超車新機會

生物醫藥的AI應用，前景廣闊

“AI人工智能除了聊天、畫畫還能有哪些應用？”

這是筆者今年向人工智能領域的專家學者提出最多的，也是被問到最多的問題。

站在一般用戶的視角來看，現階段人工智能最“看得見，摸得著”的便是以ChatGPT為首的生成式人工智能工具。而在之外，AI的場景適配性是其落地的關鍵，而現在很難找到這樣合適的場景。

不過，筆者近期在整理資料時發現，作為目前AI領域的“天選之子”，NVIDIA英偉達近期頻繁出手投資，除了與之業務強相關的芯片制造和云服務領域，自7月來更是參與了4起醫療健康領域的投融資，足以體現其對相關領域的重視與積極布局的姿態。

而在AI快速滲透入醫療健康領域，尤其是制藥領域之后，新的矛盾也開始出現了。筆者近期請教了有關人工智能與器官芯片結合研究的專家，來和大家一同探討醫藥領域的新機會。

藥物發現需要新工具

醫藥行業“燒錢又費時”，幾乎是行業公認的。

以藥物研發來說，一款藥物從研發到上市的流程大概是這樣：藥物發現、臨床前研究、臨床試驗、審批獲準后上市。

在藥物發現階段，針對特定疾病的藥物往往需要優先確認靶標，也就是藥物實際作用的目標點。此后再針對性的發現先導化合物，除了自然界天然存在的物質之外，還包括對已有藥物進行改進。

最近，谷歌DeepMind的創始人、首席執行官Demis Hassabis博士以及John Jumper博士獲得了被譽為諾獎風向標的“2023拉斯克獎”。其主要成就在于發明了預測蛋白質三維結構的革命性技術——AlphaFold。

（圖源：“2023拉斯克獎”）

長期以來，從氨基酸序列到對應蛋白質三維結構的預測問題被認為是生物學領域最具有挑戰性的問題之一。而人類已知的蛋白質序列何其繁多，能夠還原出來的確只是其中少數，在加上實驗方法成本高，時間久，限制了生物醫藥行業的發展。而這樣復雜且繁瑣的工作，正好是AI的用武之地。

（圖源：維基百科）

而采用AI技術的AlphaFold僅基于蛋白質的基因序列，就能預測蛋白質的3D結構，而且結果比以前的任何模型都要精確。

Demis Hassabis博士在接受媒體采訪時提到，希望藥物發現過程能夠在計算機中完成大部分研究，再以實驗室用作驗證，而不是通過實驗來尋找化合物，因為這樣的速度要慢得多。

臨床前實驗需要低成本

完成了初步的藥物發現之后，就進入到臨床前研究環節。其中涉及藥代動力、藥物安全、毒理的研究常常會用到動物實驗，最為常見的便是小鼠。

然而，這樣的實驗有諸多問題。江蘇運動健康研究院人工智能研發總監丁彥先生說：“一是基于動物模型的實驗通量（一定時間內的實驗樣本量；筆者釋）很低——小鼠的飼養需要時間。二是動物跟人本就有種屬差異，很多人類的病癥是動物沒有的。”

正因為種屬差異，動物實驗最終會聚焦到猴子猩猩等非人靈長類，因為它們與人的基因組最為接近。

在今年9月中旬，國藥集團旗下益諾思在上海證券交易所科創板IPO（首次公開募股）首發過會，擬募資16億元人民幣。其服務業務就涵蓋生物醫藥早期成藥性評價，非臨床研究以及臨床檢測及轉化研究三大板塊。

而實驗用猴正是益諾思開展業務的主要原材料。招股書顯示，2020-2022年，公司涉及使用實驗用猴的業務產生的收入分別為1.17億元、2.6億元和 4.1億元人民幣，占主營業務收入的比例分別為 35.12%、44.77%和 48.00%。

幾乎可以說是“實驗猴撐起的IPO”。

?

（圖源：益諾思申報稿）

同時，根據不同的試驗長度和復雜性，動物試驗的費用約為6500-800000美元。在此前新冠大流行期間，由于進出口野生動物受阻，而生物醫藥產業對實驗猴的需求卻又更多，在此背景下，實驗猴價格曾一度漲到20多萬元每只，漲幅近10倍。

器官芯片配AI實現能力互補

針對行業的痛點問題，“器官芯片”可能是一個不錯的解決思路。

筆者最早聽聞器官芯片這個詞，還以為是類似馬斯克Neuralink做的“腦機接口”那種在人體植入電子芯片的技術。

“不是這樣的”丁彥解釋，“器官芯片的基礎技術最早來自干細胞再生研究。”

2013年，北京大學鄧宏魁教授帶領的干細胞再生醫學研究團隊用4個小分子化合物的組合把成年鼠身上已經長成的表皮細胞成功逆轉為具有無限分化潛能，被譽為“生命起點”的全能干細胞。

這項研究的意義堪稱非凡，意味著人類可以將成體細胞逆轉成干細胞后，再通過基因編輯等技術培養出不同的組織細胞。這樣通過干細胞培養分化的2D細胞模型、類器官是純粹的人類模型，幾乎沒有種屬差異。

只是這類模型依舊不完美。“不管是人體還是動物的機體，內部都是有微環境的，像空氣、重力、血液流動等等，類器官的培養是不考慮這些的。”

（圖源：哈佛大學Wyss研究所）

而器官芯片技術則是利用“微流控”技術在一塊芯片大小的基板上呈現出微環境，比如在器官細胞的周圍加上流通的“血管”，模擬出器官真實的周邊環境。在此基礎上實驗得來的數據往往更具實際參考價值。

同時，能夠快速實現培養的器官芯片，也比動物實驗來得更快更便宜。

AI與器官芯片的結合應用則集中在數據處理端。

“人工智能可以參與到器官芯片研究的前后”丁磊表示，“人工智能既可以幫助器官芯片的設計和基底材料篩選，實驗數據產生后會由人工智能進行分析和處理，得出的結論再反哺給器官芯片的設計做出指導。”

一方面，器官芯片實驗產生的數據依賴人工智能的篩選和分析能力，另一方面，人工智能也能憑借器官芯片快速產生的大量數據得到更好地訓練，兩者相輔相成。

數據是“彎道超車”的機會

與互聯網行業類似，限制器官芯片或者說AI輔助藥物研究進一步發展的，同樣是數據，但又有些許不同。

雖然一定程度上，器官芯片解決了動物模型的差異問題，但基于個體的差異還是存在的，比如人種、生存環境等等。“公開的醫療數據比較有限，而且同樣有限制，比如說美國的數據，美國人跟中國人基因組也是有差異的，還會涉及到生物安全的問題等等。”

但好處是，在相關領域，各國的發展都處在起步摸索的階段。

丁彥以現在國內發展迅猛的新能源車舉例：“同樣都是車，歐美燃油發動機經營了上百年，像動物實驗、細胞實驗也是一樣，形成的數據壁壘非常高。但器官芯片不一樣，國內相比國外的差距并不大，大家都是在做底層數據的積累，恰好它又提供了一種新型的數據工廠。”

丁彥表示“某種意義上，這是我們‘彎道超車’的機會”。

算力吃緊，小公司亦有機會

隨著AI在生物醫藥領域持續滲透，依托資金支持的算力基礎也在逐漸“吃緊”。

NVIDIA在去年提到過，生物醫藥行業的AI平臺搭建，欠缺數據和算力。尤其是面對數十億級別的測序數據，虛擬篩選等的訓練，算力遠遠不夠。

Demis Hassabis表示：“我的夢想是，如果我們是正確的并且能夠實現另外六個AlphaFold級別的突破，我們可以將藥物研發所需的時間減少一個數量級，也許是成本和時間，并且在下一階段獲得更高的成功率。”而要擁有充足的算力支撐，就不得不考慮到資本問題。

乍一看，大規模的醫藥公司似乎更有機會。

但另一方面，人工智能的加入卻在沖擊傳統制藥行業的工作模式。

Demis Hassabis和他的團隊曾思考過這樣一個問題——如果從人工智能優先的角度進行藥物發現，將會是什么樣子的？而不是作為附加組件（輔助手段；筆者釋）。

“在我的印象中，在傳統制藥里人工智能都是可有可無的（nice-to-haves）?；瘜W家完成實際的試驗工作后，計算科學家才在模型中再次確認計算結果。我們想從頭開始重新思考這一點。這對大型制藥公司來說很難做到，因為他們幾十年來的工作方式根深蒂固。”

一些善用工具的小公司，如果能夠丟掉包袱，未嘗不能走上技術的風口。

丁彥同樣認為“單從資本的角度講，大家都會覺得應該是老牌的企業先走出來，但是從實際的效果講，還真不一定?，F在很多小公司就是做出一款產品后，讓大公司來收購，這是他們的盈利模式。”

寫在最后

而AI在生物醫藥領域同樣具備廣闊的應用前景，無論是通過數據分析進行化合物的快速篩選測算，還是以計算機視覺為代表的圖像檢測分析，都是極具前瞻性的應用。而AI發展最為需要的數據資源也因器官芯片的出現而被補足。

丁彥認為：“隨著器官芯片技術的成熟，我個人覺得會是一個打通化學式結構與人體中的真正效果關系的一個數據載體，未來可能會通過這個載體產生大量的高通量快速、低成本的人源性數據，這些數據能夠指導化合物結構跟藥跟藥效之間的這種關系。”

恰如李開復所說“AI賦能醫藥產業，未來潛力巨大”。

最后，非常感謝丁彥先生的幫助，作為生物醫藥與人工智能跨領域的研究者，他的諸多觀點為本篇內容的創作提供了支撐。

本文作者Visssom，觀點僅代表個人，題圖源：pixabay

最后，記得關注微信公眾號：鎂客網（im2maker），更多干貨在等你！