围绕“AI 能否加快治癌”这一话题，行业近年给出的预期很高，但真正进入临床并取得突破的案例仍然有限。生物技术初创公司 Vivodyne 认为，瓶颈不主要在模型能力，而在训练数据离真实人体生物过程仍有距离。

该公司表示，当前不少 AI 药物研发系统依赖的仍是动物实验、单细胞研究或蛋白质层面的数据。这些数据能帮助模型识别结构和状态，却很难解释人体组织在受到刺激、给药或病变后为何发生变化。

现有进展仍偏有限

过去几年，AI 被频繁用于药物筛选、靶点发现和分子设计。一些由 AI 参与设计的候选药物已经进入人体试验，其中个别项目推进到 III 期临床。但从整体结果看，这一领域仍未证明 AI 已能显著改写新药研发成功率。

文章提到，AlphaFold 在蛋白质结构预测上带来明显进展，但至今尚未直接产出一款新药。由 DeepMind 孵化的 Isomorphic Labs 也仍在等待首批试验推进。Vivodyne 的判断是，现有模型还不足以覆盖人体生物学的复杂性。

HIVE培养20种人体组织

Vivodyne 2021 年从宾夕法尼亚大学分拆成立。公司开发的 HIVE 是一套模块化机器人实验室系统，可培养 20 种人体组织，并自动完成给药、观察和记录过程。其目标是在进入临床前，更早识别哪些候选药物更可能有效或存在毒性风险。

• 肝脏组织毒性预测吻合度为 94%
• 气道组织行为匹配度为 96%
• 骨髓模型在 20 种化疗药测试中达 100% 一致

上周，Vivodyne 在旧金山湾区附近启用其所称全球最大的“人体数据中心”。公司称，已完成近 8000 万美元融资，资金来自两轮融资，Khosla Ventures 为领投方之一。

公司押注因果生物数据

Vivodyne 认为，药物研发真正缺少的是“因果数据”，也就是不仅知道细胞或组织处于什么状态，还要知道这种状态是如何形成的。按照这一思路，模型不能只学习静态状态，还需要理解刺激、炎症或给药与结果之间的关系。

公司称，HIVE 正在跟踪数十万组持续进行中的实验，记录病变组织在不同刺激下的变化过程。Georgescu 认为，这类连续数据更适合训练下一代生物模型，也更有机会帮助 AI 理解人体反应，而不是只做静态识别。

在他看来，这一点对未来的联合疗法尤其重要。随着疾病治疗越来越多地涉及多通路干预，候选组合数量会迅速增加，单靠传统实验方法很难完成筛选。Vivodyne 的押注是，先建立更接近人体真实反应的数据基础，再谈 AI 在医疗领域的大规模突破。