Vivodyne的HIVE实验室，试图补上AI制药缺失的人体数据

Vivodyne的核心判断是：AI制药首先遇到的是“数据问题”，其次才是“模型问题”。AI系统如今可以快速提出潜在靶点、分子和实验方案，但如果训练数据主要来自动物、孤立细胞、蛋白质或观察性研究，模型就很难可靠预测复杂人体组织在接受药物干预后会发生什么。

Vivodyne首席执行官安德烈·乔治斯库（Andrei Georgescu）曾表示，目前由AI设计的药物还没有明显优于人类设计的药物，原因之一正是可供模型学习的相关实验室数据远远不够。25

公司的解决方案是HIVE：一个模块化的自主实验室平台，用机器人系统大规模培养、给药、监测和分析人体组织。

AI制药的真正瓶颈：相关性不等于因果性

药物研发模型可能发现某种生物特征与疾病结果之间存在关联，但这并不等于它已经知道：在特定组织环境中，以特定剂量改变某个因素后，系统究竟会怎样反应。

因此，Vivodyne强调“扰动”（perturbation），也就是主动改变一个条件，再测量组织的反应。按照公司的说法，这类受控实验能够生成细胞层面的因果数据：如果对组织Z施加治疗X、剂量为Y，组织会以何种可测量的方式发生变化。2

这一区别对药物研发很重要。建立在不完整或不匹配的生物学数据上的模型，可能给出看似非常自信、却无法在人类患者身上复现的预测。Vivodyne并不是说更大的模型没有价值，而是认为，如果只扩大模型规模，却不同时提高实验数据的质量和人体相关性，收益可能相当有限。1725

HIVE如何把人体组织变成数据生产系统

HIVE将机器人、微流控、组织工程、自动给药和生物学读出结合在一起。Vivodyne表示，该系统可以培养20种人体组织，并自动施加药物或其他干预，持续追踪组织随时间发生的变化。117

平台的核心载体之一是TissueDisk。按照公司介绍，TissueDisk能够让数百个相互独立的人体组织模型并行培养和接受给药，从而在一张芯片上完成大规模实验矩阵。2每个组织模型约含20万至50万个细胞，还可以包含经过灌流、具有组织特异性的三维血管网络，以更接近真实药物输送过程。4

典型工作流程包括：

1. 培养标准化的人体组织模型；
2. 施加药物、不同剂量、基因变化或联合干预；
3. 测量分子、细胞和功能层面的反应；
4. 将结果交给分析系统，并据此设计下一轮实验。

这意味着实验室不再只是若干彼此孤立的检测项目，而是被设计成一套持续产生数据的系统。实验结果也不只是“组织是否存活”这么简单，还可以记录组织如何变化、变化发生的时间、哪些细胞受到影响，以及不同剂量或药物组合如何改变最终结果。

为什么动物实验和单细胞研究仍可能“对不上人体”

动物模型对于研究全身性效应仍然有价值，但在动物身上有效的生物学机制，不一定会在人类身上以同样方式表现。物种差异可能影响药物代谢、毒性、免疫反应、疾病机制，以及多个组织之间的相互作用。

单细胞和蛋白质实验则能够提供精细信息，但往往移除了多细胞结构和生理环境，而这些因素会深刻影响药物作用。正是这种从简化实验系统到人体的转换偏差，帮助解释了为什么一些临床前表现良好的候选药物，最终仍会在人体开发阶段失败。113

Vivodyne希望尽早加入人体组织证据，在候选药物进入成本高昂的患者试验前，发现一部分安全性或有效性问题。

但实验室培养的组织并不是完整的人体。它们可能无法完全重现全身药代动力学、器官之间的信号传递、长期免疫效应、患者个体差异，以及疾病的所有特征。因此，这类模型更适合被看作连接简化实验和临床研究的潜在桥梁，而不是临床试验的替代品。

Vivodyne公布了哪些证据？

Vivodyne报告称，公司曾使用多种组织模型测试20种化疗药物。其中，肝脏模型对人体药物毒性的预测准确率为94%，气道模型与人体组织行为的匹配度为96%，骨髓模型在该测试集中达到100%一致度。17

这些数字具有一定吸引力，但需要谨慎解读。现有材料显示，它们是公司公布的性能数据；材料并未证明HIVE已经在多种药物类别上完成大规模、独立、同行评议的验证，也没有显示在前瞻性对比中，HIVE预测已经提高了药物获批率。

Vivodyne还宣布建成一座拥有12座HIVE实验室的设施，并称每年可完成310万次受控活体人体组织实验。37这一数字说明的是平台宣称的运行规模，本身并不能证明实验结果就一定能够准确预测临床结果。

##融资与商业支持

2023年，Vivodyne宣布完成总额3800万美元的种子轮融资，由Khosla Ventures领投，Kairos Ventures、CS Ventures、MBX Capital和Bison Ventures参与。9此后，公司又对外公布了一轮4000万美元融资，用于扩大由机器人和AI驱动的人体组织测试基础设施。7

这套融资逻辑建立在一个明确的战略之上：先把实验生物学建设成基础设施，批量生成标准化数据，再利用这些数据改进治疗预测、筛选候选药物并决定下一步实验。

##如果预测成立，临床试验可能如何改变？

如果HIVE最终能在独立的前瞻性研究中证明预测能力，它可能从三个方面影响药物研发。

更早发现失败项目

疗效不足或毒性不可接受的候选药物，可能在患者接触药物之前就被降低优先级。这不会消除临床失败，但有望减少那些缺乏充分生物学依据的候选项目进入试验。

改善候选药物和剂量选择

同时测试多种剂量和组织环境，可能帮助研究人员判断哪些候选药物值得推进，以及哪些剂量范围适合进入临床研究。Vivodyne将其人体数据平台定位于药物发现、ADME/毒理研究和临床试验设计等环节。13

为AI提供更有用的训练数据

持续进行“干预—反应”实验，可以让AI学习治疗方案如何引发组织层面的生物学结果，而不只是从静态数据中寻找相关性。长期来看，Vivodyne希望借此构建更广泛的“人体生物学世界模型”。8

不过，这一目标取决于数据的质量、可重复性、多样性和外部验证。实验次数多，并不自动意味着数据更有价值；如果组织模型不能代表相关患者群体，或者测量指标无法预测人体结局，规模本身就无法解决问题。

联合疗法是一个重要试验场景

联合疗法通常需要同时探索多个变量，包括药物组合、剂量、给药顺序、时间安排和组织环境。人体组织平台有望让研究人员更系统地测试这些组合，在患者接触药物前寻找协同效果，同时筛查潜在毒性。

对于单一药物只能作用于复杂生物通路一部分的疾病，这种能力尤其值得关注。但限制仍然存在：组织实验可以揭示模型所覆盖的生物学范围内的药物相互作用，临床结局还会受到吸收、分布、代谢、免疫效应、器官间相互作用和患者异质性的影响。

结论：先补数据，再谈更大的模型

Vivodyne押注的是，AI制药的下一次突破将来自更扎实的实验基础，而不只是更大的算法。HIVE试图通过对20种实验室培养的人体组织进行高通量、受控实验，把药物干预后的反应转化为结构化生物学数据。117

这一路线瞄准了临床前研究向人体转化时的一个真实弱点：在简化系统上训练或验证的模型，未必能够可靠预测人体反应。Vivodyne目前公布的性能数据和平台规模值得关注，但它们仍主要是公司自报证据。

真正的决定性检验将是：经过独立验证的HIVE预测，能否改善候选药物选择、减少临床失败，并让AI模型在训练所用组织和药物之外仍然具备泛化能力。