Vivodyne称AI药物研发需要更好的人体组织数据
TechCrunch AI··作者 Tim Fernholz
关键信息
Vivodyne 表示，其组织模型与真实人体器官高度接近：肝脏毒性测试的预测准确率为 94%，气道组织行为一致性为 96%，骨髓在 20 种化疗药物测试中达到了 100% 一致。该公司于 2021 年从宾夕法尼亚大学分拆出来，称已通过两轮融资募集近 8000 万美元，并在旧金山附近开设了其所谓的全球最大“人类数据中心”。
资讯摘要
TechCrunch 报道称，Vivodyne 认为 AI 药物研发领域的根本问题不是模型不够强，而是数据存在缺陷。该公司表示，其 HIVE 模块化机器人实验室可以培养 20 种人类组织，并对这些组织进行自动给药和监测，从而生成当前 AI 系统所缺乏的因果生物数据。如今药物研发中使用的大量数据，主要来自动物实验，或者来自单细胞和蛋白质层面的研究，而不是活的人体组织。Vivodyne 首席执行官兼联合创始人 Andrei Georgescu 认为，如果没有人体层面的测试，AI 模型最终大多只是在“治愈小鼠中的癌症”。文章指出，尽管一些知名 AI 领导者曾对“AI 将治愈癌症”作出大胆表述，但现实进展仍然有限，许多药物候选物在获得批准之前就失败了。
报道还提到，AlphaFold 是一项重要的科学突破，但至今还没有直接产出一款新药，而 Isomorphic Labs 仍在等待其首批临床试验。Vivodyne 认为，其平台有助于在进入成本高昂、通常花费数千万美元的临床试验前，提高临床前阶段的把握。公司称它已与多家大型制药公司合作，Georgescu 将这种方法比作汽车行业的碰撞测试，认为药企也需要在进入人体试验前拥有类似的信心。与此同时，他认为这些自动化生物实验室还可以生成训练更好人体生物学模型所需的因果数据，尤其是在有研究提示，基于现有细胞数据训练生成式 AI 可能并不存在清晰的数据扩展规律的情况下。
资讯正文
一家名为 Vivodyne 的生物科技初创公司表示，AI 药物发现行业存在数据问题，而它已经造出了一台能解决这个问题的机器。
由该公司打造的模块化机器人实验室 HIVE 可以培养 20 种人体组织，然后自主进行给药和监测，生成当下 AI 模型所缺失的那类因果生物学数据——这些数据如今大多来自动物实验，或来自单细胞和蛋白质研究，而不是来自活组织。
“如果没有人体测试，这些 [AI] 模型能做什么？”Vivodyne 的 CEO 兼联合创始人 Andrei Georgescu 问道。“它们会去治愈小鼠身上的癌症。”
就连 Anthropic CEO Dario Amodei 也在上周末写道，AI 将治愈癌症的说法已经比起可信更像陈词滥调——“真正会起作用的，其实是治愈癌症，”他如是说。
公平地说，AI 将治愈癌症这一想法本就是 Amodei 自己在此前文章中抛出的；Sam Altman 也多次把治愈癌症作为 OpenAI 推动 AGI 以及不断扩大算力建设的理由；Google DeepMind 的 Demis Hassabis 去年则表示，AI 有可能在十年内治愈所有疾病。
但实际成果依然平平。少数由 AI 设计的药物已经进入人体试验——其中一款甚至推进到了 III 期，也就是大规模人体测试——但现实是，障碍并不一定是 AI 目前能够解决的那种。
诺贝尔奖得主 AlphaFold 在理解生命基本构件方面取得了重大进展，但它至今还没有真正产出一款新药。基于 AlphaFold 进一步构建的 Isomorphic Labs 预计，其最初原定于 2025 年进行的首批试验，将在今年年底前启动。今年 2 月，该公司写道，真正的药物发现将需要“在广泛的生化性质和相互作用范围内具备高度准确的预测模型”。
Georgescu 说，这个领域需要“冷静一下”——现有模型并没有足够的数据来捕捉人体生物学的复杂性。这也是制药行业早已面临的挑战：在动物实验中已足够有效、足以进入临床试验的药物，有 90% 最终无法获得面向人体的监管批准。
Vivodyne 的方案不同。Vivodyne 于 2021 年从宾夕法尼亚大学分拆出来，当时 Georgescu 在那里获得了生物工程博士学位。公司表示，其培养的组织与真实人体器官的行为高度一致——其肝细胞在针对毒性的人体试验中具有 94% 的预测准确率，其气道组织与真实人体组织的行为在 96% 的情况下相符，而其骨髓在 20 种不同化疗药物的测试中实现了 100% 的一致性。
上周，这家公司在两轮融资中累计筹集了略低于 8000 万美元，领投方为 Khosla Ventures，并在旧金山郊外开设了其所谓的全球最大“人体数据中心”。Georgescu 说，他的团队目前已经实现了美国所有动物试验总吞吐量的两倍。
这个想法是通过在进行临床试验之前，更好地判断哪些候选药物会有效，从而加快药物候选物的推进路径，而临床试验通常要花费数千万美元。虽然 Vivodyne 不会公开点名其合作伙伴，但该公司表示，它正在与多家大型制药公司合作，解决一个 Georgescu 拿汽车碰撞测试来类比的问题：汽车制造商通常会在测试前对自家车辆通过 NHTSA 要求充满信心，但制药公司在进入临床试验时却很少拥有同样的信心，而临床试验中绝大多数药物最终都未能获得 FDA 批准。
但更大的愿景是：Georgescu 认为，他的自主生物实验室是生成那种可用于训练新的人体生物学模型的因果数据的关键。他指出，上个月发表在《Nature Methods》上的一项研究发现，在利用现有细胞数据训练生成式 AI 模型时，并没有明显的数据规模扩展定律。
“所有训练都是基于这些细胞的静态快照完成的，而且模型根本没有被细胞是如何到达那个状态的过程所约束，”Georgescu 告诉 TechCrunch。“换句话说，模型学到的是‘这是细胞状态 A’、‘这是细胞状态 B’，但从来没有学到‘细胞状态 B 是细胞状态 A 受炎症影响后的结果’。”
不过，Vivodyne 的 HIVE 机器正在追踪数十万项持续进行的实验，在这些实验中，患病组织会暴露于某种刺激之下。Georgescu 预计，这将提供一种强化学习，进而产出能够更好理解人体生物学的 AI 模型，并在医疗保健领域推动更有意义的进展。
Georgescu 认为，这不仅对当今的医学挑战至关重要，对未来也同样关键；在那个未来里，复杂疾病需要的药物将不像今天大多数药物那样只针对单一通路，而是要同时靶向多个通路。
“如果我们想要联合疗法，需要搜索的空间会爆炸式增长——这不可能靠实验式的方法来完成，”他告诉 TechCrunch。“你必须说，‘我想要这个效果发生，那么我应该调用什么原因？’在人体生物学中建立因果关系，是这一切的基础。”
来源与参考
收录于 2026-08-20