<mark id="oztn4"></mark>
0
| 本文作者： 吳思夢 | 2026-07-13 11:06 | 專題：ICML：國際機器學習會議 |
作者丨吳思夢
編輯丨岑 峰
“Transformer 能寫詩、能編程、能證明數學定理，為什么遲遲造不出真正上市的 AI 新藥？”
7月8日，在 ICML 2026 大會上，Genentech（基因泰克）執行副總裁兼研發負責人 Aviv Regev 登臺發表主旨演講，直面了這個困擾 AI 制藥圈已久的核心質疑。
在這場題為Lab in the Loop for drug R&D（面向藥物研發的“實驗閉環/干濕實驗閉環”）的分享中，Regev 系統闡述了如何將 AI 深度嵌入藥物研發全流程，并首次公開了多項 AI 賦能的真實臨床試驗數據。
Regev 坦言，AI 制藥之所以屢屢受挫，根本原因在于人們低估了生物學的蠻荒與復雜。藥物研發是一場嚴苛的系統長跑，必須同時答對靶點、分子、劑量與患者四道關口，任何一個環節掉隊，付出的都是數億美元的折損與數年的等待。
在演講中，Regev 展示了 Genentech 將算法融入真實產業流程后的突破：
打破數據孤島（Lab in the Loop）： 僅憑一張有150年歷史的普通組織學染色圖，AI 即可高精度還原出復雜的單細胞與空間表達圖譜；
重塑臨床評估（Clinic in the Loop）： 利用歷史數據訓練疾病演進模型。回溯分析表明，如果在 lampalizumab 的二期臨床中就引入 AI 矯正患者基線差異，這項原本耗資5億美元、讓患者等待多年的三期失敗本可提前被止損或逆轉。
從 37 萬億細胞的龐大維度，到個性化癌癥疫苗的“一人一藥”探索，Regev 展現了頂尖藥企對 AI 的理性審視：算法的終極價值，在于充當串聯實驗室、臨床與物理世界的“系統翻譯層”，將海量混亂的生物學觀測轉化為精準的研發決策。
以下是Aviv Regev在ICML 2026大會發表的主旨演講精編稿，雷峰網(公眾號：雷峰網)·AI科技評論基于英文演講內容進行了不改原意的翻譯編輯：
《Lab in the Loop for drug R&D》
主講人：Aviv Regev，Genentech執行副總裁、研發與早期開發負責人
01
今天我要講的，對ICML來說可能有點不太一樣，我要談的是藥物研發。我在Genentech工作，我們是一家生物技術公司，專注于為患者發現和開發變革性藥物。讓我舉幾個例子來說明什么是“變革性”。
第一個是inavolisib。它靶向PI3激酶α亞基，這是癌癥中最常見的突變蛋白之一。此前有很多人嘗試靶向PI3Kα，但inavolisib在實驗室中表現出了更高的效力和選擇性。在聯合palbociclib和fulvestrant的一線三期試驗中，它給HR陽性、HER2陰性且PIK3CA突變的乳腺癌患者帶來了變革性的治療結果。
第二個是duradestrant。它是一種口服、強效、選擇性的雌激素受體降解劑。它能結合并鎖定雌激素受體、抑制信號傳導。在實驗室中，duradestrant展現了對靶點的最佳覆蓋度，讓我們能夠在臨床中使用盡可能低的人體劑量。去年底公布的三期Lidera試驗結果顯示，與標準治療相比，它將浸潤性復發和死亡風險降低了30%。
第三個，轉向肺癌——divarasib。它靶向KRAS G12C突變，將該致癌蛋白鎖定在非活性狀態。在實驗室中，它的效力比其他抑制劑高出25倍，選擇性高出10到50倍。在一期臨床試驗中，它展現了強勁的單藥活性。就在一周多前，我們公布了三期CRESCENDO-1試驗的結果：與已獲批的其他G12C抑制劑相比，divarasib幫助晚期轉移性非小細胞肺癌患者活得更久，無論是在無進展生存期還是總生存期上。
最后一個是fenabrutinib，用于多發性硬化癥，一種自身免疫性疾病。它選擇性抑制BTK基因，在多發性硬化癥中至關重要的兩種細胞類型——小膠質細胞和B細胞——中抑制免疫信號傳導。fenabrutinib也是唯一能在中樞神經系統內實現接近最大抑制效果的BTK抑制劑。三期試驗中，與特立氟胺相比，它顯著減少了復發率和腦部病變。換算下來，患者平均每16到19年才經歷一次復發。
這就是我們所說的“變革性藥物”。我們在五大治療領域持續進行這樣的工作，但我想讓各位記住的一點是：做到這一切依然極其困難。這不只是Genentech的問題，也不是藥物研發中某一個特定步驟的問題，是每一步都很難。找到對的靶點、對的分子、對的劑量、對的患者，所有這些環節都必須對齊。而這些事情不僅耗時，更關鍵的是，它們在大多數時候根本不會成功。
02
為什么會這樣？因為生物學和醫學本身就是極其復雜的，具體體現在四個方面。
第一，數字巨大。人體大約有37萬億個細胞，目前已繪制出10萬個疾病相關基因位點，這些位點可能的五種組合方式約有101?種。當你開始考慮藥物分子時，數字變得更嚇人：大約有10??種可能的類藥物小分子，大約20的32次方種相關的治療性抗體序列。而我們面對的是數十億人口和數千種疾病。我們永遠不可能在實驗室或整個人群中測試所有這些可能性。所以，找不到靶點、做不出藥，一點都不奇怪。
第二，多尺度。我們有數千種細胞類型存在于復雜的組織結構中。它們由所有這些基因調控，這是另一個組織層面。而這些基因的各種變異通過影響蛋白質來增加疾病風險，蛋白質又有多種形態、分布在不同的位置，關聯到不同的疾病表型。
第三，多模態，但我們無法同時測量。即使在同一個生物學組織層級——比如細胞層面，也有許多不同的測量方式，但我們無法一次完成所有測量。有很多個視角，但每個視角都是片面的。
第四，高度異質。即使是一些我們似乎已經學會如何解決的問題，它們也從來不會完全相同。每一個案例都有其獨特性。所以在實驗室里、在數據分析中，你很難自動化，無論是預測、解讀還是生成數據。最終，我們人類不得不在所有這些混亂中摸索前行。
現在，拿這四個維度去對比我開頭講的四個成功案例。它們看起來如此渺小，與這些巨大的數字完全不成比例。這就是為什么做出變革性藥物如此困難。
但好消息是，這四個維度的特性恰好讓AI高度相關。是的，名義上的搜索空間巨大，但它有結構，真實維度要小得多——這正是AI擅長的地方。是的，它是多尺度的，所有層級之間的轉換和映射都是非線性的——AI也擅長這個。是的，它是多模態的，我有大量不同視角的數據——AI很擅長處理這個。是的，它是高度異質的，我無法精確自動化——但智能體AI（Agentic AI）正在這方面展現出越來越好的前景。
所以問題變成了：AI能否讓這個近乎不可解的問題變得更好一些？
對于任何難題，人們總是有很多觀點：有人說關鍵在模型，有人說關鍵在數據，還有人說關鍵在實驗、在合成、在人類生物學。他們某種程度上都對，也都錯。每一個環節都是必要的，但沒有一個單獨就足夠。
03
在臨床試驗中，進行“一切、無處不在、同時”的測量不僅成本高昂、耗時漫長，而且在臨床背景下往往根本不可能。即使可能，也給患者本身帶來巨大的負擔——他們需要接受各種各樣的檢測和采樣。
那么，如果我們能回到一種極其簡單的技術——組織學染色，這項有150年歷史的技術，幾乎所有患者都有——然后從這張簡單的染色圖像中，生成這些豐富的分子圖譜呢？
我們訓練了一個名為SHAFT的模型，從組織學圖像中生成組織的單細胞或空間表達數據集。我們可以用配對樣本（同一組織切片同時用兩種方法測量）或非配對樣本（來自同一組織但不同標本的兩個樣本）來訓練它。在推理階段，我們可以輸入一張來自新患者、新組織的組織學染色圖像，就能生成豐富的分子數據。
目前，這些模型是按組織或疾病類型分別訓練的，每種類型匹配一個獨立模型。在推理中，針對轉移性乳腺癌的配對SHAFT生成了與新患者新腫瘤的真實測量數據高度匹配的空間圖譜，而非配對SHAFT在小細胞肺癌數據上的單細胞RNA圖譜也同樣表現良好。
04
接下來是最關鍵的信息——臨床和患者層面的數據。這在多模態建模中實際上出奇地稀缺，因為歷史上同時擁有患者級別記錄和深度分子圖譜的數據集非常有限。我們的策略是利用羅氏和Genentech自身臨床試驗中的數據，以及來自大型臨床基因組來源的真實世界數據。
有一個示例模型聯合學習來自文本形式的縱向患者數據和分子圖譜，這讓我們能夠從組織學和臨床軌跡中生成分子圖譜。一旦擁有這樣的模型，我們就可以提出反事實問題。例如：生成合成患者隊列，比較不同患者組之間表達狀態的差異，這對我們的生物標志物計劃和試驗設計至關重要。
這種對疾病進展的建模能力對解讀試驗結果同樣至關重要。這就是“Clinic in the Loop”：我們從既往臨床試驗的海量數據出發，訓練真正建模疾病進展表型的AI模型，然后用這些模型來設計和解讀下一輪試驗的患者數據。
以眼科為例。在地圖狀萎縮（Geographic Atrophy，年齡相關性失明的一個主要原因）中，來自早期試驗的2000多名患者的3D OCT成像數據讓我們能夠訓練AI來預測病灶生長。然后，我們可以用這個模型來評估患者進入試驗時的疾病進展狀態，并矯正研究組和對照組之間的基線差異。
我想用一個回顧性分析來說明它的價值。lampalizumab這款分子曾被推進到三期臨床試驗，依據的是未經調整的歷史分析結果。但三期試驗失敗了，這意味著5億美元和患者多年的時間付諸東流。而AI模型輔助的基線矯正。在當時我們做不了，但今天可以，而這本可以讓我們避免推進這項試驗。AI在估計療效存在與否方面帶來的統計效力提升，相當于將研究規模擴大兩倍以上。
我們現在不僅回顧性地使用這些模型，也在前瞻性地使用它們。
05
最后，我要用一個AI賦能的個性化醫療案例來收尾——我們的腫瘤新抗原疫苗。
我們對患者腫瘤進行DNA測序，識別出其中的突變，然后使用基于既往數據訓練的AI模型來預測哪些突變最有可能觸發免疫系統。這些被預測出的突變，就構成了專為該患者定制的個性化癌癥疫苗的基礎。
這款疫苗名為INEST，我們與BioNTech合作開發，目前正在臨床試驗中。Memorial Sloan Kettering的首席研究員Vinod Balachandran發表的一期試驗結果顯示：在胰腺癌中，所有患者都接種了疫苗，但那些顯示出免疫應答的患者，其無復發生存期顯著長于未顯示T細胞應答的患者。這款疫苗現已進入胰腺癌的隨機二期試驗。
06
實驗室閉環、臨床閉環、基礎模型、自主智能體。它們只有組合在一起才能發揮作用。你需要實驗室、需要數據、需要臨床、也需要算法。當所有這些要素匯聚在一起時，它們就有潛力去攻克那些真正巨大的問題，即使像疾病這樣的龐然大物，也能讓它變得對患者來說稍稍可控一些。
謝謝大家。
Q&A 問答環節
▎聽眾：您的演講展示了覆蓋多種模態的廣泛基礎模型。您如何展望未來？是否會出現一個統一的多尺度、多模態基礎模型，實現"虛擬細胞"的愿景？另外，您認為在計算預測與實驗驗證之間，哪個模態的差距最大？
Aviv Regev：我先回答第二個問題，因為答案比較簡短。我認為蛋白質層面是我們在大規模實驗生物學中真正缺失的一環，而這導致所有后續環節都受到影響。我說的不是蛋白質結構，我說的是蛋白質的表達水平、定位、翻譯后修飾，這是一個我沒在幻燈片上展示的、組合爆炸級的龐然大物。它絕對至關重要。這就是為什么我們從因果推斷走向機制理解時會遇到困難，而沒有機制理解，制藥就難得多。
關于第一個問題，這種問題總是讓人反復思考，最終你只能采取“所有方向都試試”的策略，因為你很難提前知道哪條路會走通。同時作為一個務實主義者，我們每天早上醒來要推進我們的藥物研發管線，也就是我們為患者制造的分子。因此，我們既有長遠愿景，這是我們對最終收斂方向的基本信念并為之投入。也有務實路徑，這是我今天就能做的事并為之投入。所以我們的做法是兩端同時發力。
但我認為還有一個原則性的思考方式。當你考慮所有這些類型的問題時——我只談生物學這一端，不談分子端，你必須意識到實驗世界中仍有極其巨大的部分從未被觸及。沒有相關數據，沒有人寫過論文，什么工作都沒有做過。系統中仍然存在大量的盲區。
因此，無論你開發出什么方案，你都必須預見到你的模型將需要大量更新，需要與物理世界持續交互。對于那些做機器人和世界模型研究的人來說，這一點應該很有共鳴。從建模的角度來看，以正確的方式做這件事，讓長尾真正發揮作用，變得至關重要。
一個人讀論文太孤單，一群人刷頂會才好玩。
ICML 2026 召開在即，我們正在召集一波含金量極高的 AI 研究者。群內主打實時論文跟蹤與硬核技術探討，拒絕灌水。
? 進群傳送門： 掃碼進群或添加微信Vin_Vivid，備注：論文群 + 關注的 AI 方向。
搞科研/搞技術，信息差很重要。
來，一起快人一步！
上車，帶你看遍全球 AI 頂會精華
可獨家暢覽：
專家演講PPT
大會報告全文
熱門論文解讀
學術新星訪談
掃描上方二維碼
或點擊「閱讀原文」關注專區。
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
專題
