AI製藥未必只靠更大模型：Vivodyne押注高質素人體數據

Vivodyne的核心觀點很直接：AI藥物研發首先遇到的是數據問題，其次才是模型問題。

現時的AI系統可以快速提出新靶點、分子和實驗方案，但如果訓練數據主要來自動物、單一細胞、蛋白質，或者只是觀察性研究，模型便未必真正知道複雜人體組織遇到藥物後會有甚麼反應。Vivodyne行政總裁Andrei Georgescu曾表示，現時由AI設計的藥物，表現尚未明顯優於人類設計的藥物，原因之一正是可供模型學習的實驗室數據不足。25

公司的答案，是名為HIVE的模組化自動化實驗室平台：大規模培養人體組織，再自動給藥、監察和分析反應。

AI製藥的樽頸：知道「有關」不等於知道「造成」

藥物研發模型或許可以發現某種生物特徵與疾病結果之間存在關聯，但這並不代表模型已經知道：當研究人員在特定劑量下改變某個生物條件，某種人體組織到底會發生甚麼事。

因此，Vivodyne把重點放在「擾動」（perturbation）上，即是刻意改變一個條件，再量度組織的反應。按公司的說法，這類受控實驗可以產生更貼近藥物研發需要的因果數據：如果施加X治療、使用Y劑量，Z組織便出現可量度的變化。Vivodyne形容，平台希望透過在人體組織上進行受控實驗，建立細胞層面的因果關係數據。2

這個分別相當重要。若模型學到的是不完整、或者與人體情況不吻合的生物學，它仍然可以對錯誤答案表現得非常有信心。Vivodyne並非認為大型模型沒有用，而是認為如果只把模型做大，卻沒有同步提升實驗數據的質素及人體相關性，效益可能相當有限。1725

HIVE如何運作？

HIVE結合機械人、微流體技術、組織工程、自動給藥系統，以及多種生物學讀數。Vivodyne表示，系統可以培養20種人體組織，然後施加藥物或其他生物擾動，並持續追蹤組織隨時間出現的變化。117

平台的核心之一是TissueDisk。按照公司介紹，這種裝置可以讓數以百計、互相獨立的人體組織同時培養和接受不同劑量測試。每個組織模型約含20萬至50萬個細胞，部分模型更包括可灌流、具組織專一性的三維血管網絡，讓藥物可以透過更接近生理狀況的方式輸送。24

實際流程大致如下：

1. 培養標準化的人體組織模型。
2. 施加藥物、不同劑量、基因變化，或多種干預組合。
3. 量度分子、細胞及功能層面的反應。
4. 將結果交由分析系統處理，再用於設計下一輪實驗。

這種做法，是把實驗室變成一套持續生產數據的系統，而不是一堆互不相連的單次測試。結果不只是「組織有沒有死亡」，還可以包括組織如何改變、何時開始改變、哪些細胞受到影響，以及不同劑量或藥物組合如何改變結果。

為何動物及單細胞研究未必足夠？

動物模型對研究全身性反應仍然有價值，但在動物身上有效的生物學機制，未必會在人類身上以相同方式運作。物種差異可以影響藥物代謝、毒性、免疫反應、疾病機制，以及多個器官之間的互動。

至於單細胞及蛋白質實驗，雖然能提供細緻資料，卻會移除多細胞組織及生理環境的一大部分。這些因素往往正正會左右藥物的實際效果。

這種落差亦有助解釋，為何一些在臨床前研究中看似有希望的候選藥物，到了人體開發階段仍然失敗。Vivodyne希望較早加入人體組織證據，讓部分安全性及療效問題在昂貴的病人試驗前被發現。113

不過，實驗室培養的人體組織始終不是完整的人體。這些模型未必可以完全重現全身藥代動力學、器官之間的訊號傳遞、長期免疫反應、病人之間的差異，或者疾病的所有特徵。因此，它們較適合被視為簡化實驗與臨床研究之間的橋樑，而不是臨床試驗的替代品。

目前有甚麼證據？

Vivodyne表示，曾以20種化療藥物測試多種組織模型。公司稱，其肝臟模型預測人體藥物毒性的準確率為94%，氣道模型與人體組織行為的匹配率為96%，骨髓模型在該測試組合中則達到100%一致。17

這些數字值得留意，但需要小心解讀。現有資料顯示，這些是公司公布的效能聲稱；資料並未證明平台已經在多類藥物上完成大型、獨立及經同行評審的驗證，也沒有顯示HIVE在前瞻性比較中能提高藥物獲批率。

Vivodyne亦公布一個設有12個HIVE實驗室的設施，聲稱每年可進行310萬次受控活體人體組織實驗。這個數字反映平台的規模和產能，本身並不等於已證明實驗結果能準確預測臨床結果。37

融資如何支持這個方向？

公司在2023年宣布完成合共3,800萬美元種子輪融資，由Khosla Ventures領投，Kairos Ventures、CS Ventures、MBX Capital及Bison Ventures參與。9其後，Vivodyne再公布一輪4,000萬美元融資，用於擴展機械人及AI驅動的人體組織測試基礎設施。7

這套商業策略的重點，是把實驗生物學視為AI的基礎設施：先大量產生標準化數據，再用這些數據改善治療反應預測，以及決定下一步應該進行哪些實驗。

對臨床試驗可能有甚麼影響？

如果HIVE日後能在獨立、前瞻性的研究中證明具備預測力，可能影響藥物研發的幾個環節。

更早淘汰失敗候選藥物

療效不足或毒性過高的候選藥物，可能在接觸病人之前已被降低優先級。這不會消除所有臨床失敗，但有機會減少證據不足的候選藥物進入試驗。

改善候選藥物及劑量選擇

同時測試多個劑量和不同組織環境，或有助研究人員判斷哪些候選藥物值得推進，以及哪些劑量範圍值得在臨床研究中進一步檢驗。Vivodyne表示，其人體數據平台可應用於藥物發現、ADME／毒理研究，以及臨床試驗設計。13

為AI提供更有用的訓練資料

一輪又一輪的「干預—反應」實驗，理論上可以向AI提供更清晰的資料，將某項治療與組織層面的生物結果連繫起來。Vivodyne長遠希望以此建立更大型的人類生物學計算模型，甚至稱為人體生物學的「世界模型」。8

但成敗取決於數據的質素、可重複性、樣本多樣性及外部驗證。實驗數量多，不代表一定更好；如果組織模型未能代表相關病人群組，或者量度指標與人體結果沒有關係，數據規模反而可能放大偏差。

複方治療是重要試金石

複方治療需要同時探索多個變量，包括藥物配搭、劑量、用藥次序、時間，以及組織環境。人體組織平台或可令研究人員更實際地有系統測試這些組合，在病人接觸治療前尋找協同效果，同時篩查毒性。

對於單一藥物只能影響複雜生物通路其中一部分的疾病，這種能力尤其可能有用。不過，組織實驗能揭示的，始終主要是模型內的互動；臨床結果還會受到吸收、分布、代謝、免疫反應、器官互動，以及病人個體差異影響。

總結：真正的考驗是能否改善人體結果

Vivodyne押注的方向，是AI製藥下一步的突破來自更好的實驗基礎，而不只是更大的演算法。HIVE以20種實驗室培養的人體組織進行高容量、受控測試，並把反應轉化為結構化生物數據。117

這個構想針對的是臨床前研究的一個真實弱點：在簡化系統上訓練或測試的模型，未必能可靠預測藥物在人身上的表現。Vivodyne公布的早期數字及平台產能確實引人注目，但現階段仍主要是公司自行公布的證據。

最關鍵的問題，將是HIVE的預測能否經獨立驗證，能否改善候選藥物選擇、減少臨床失敗，並且在超出訓練時使用的組織和藥物範圍後，仍然對人體生物學作出可靠推斷。