AI 藥物研發缺的不是更大模型，而是更好的人體數據？Vivodyne 用 HIVE 實驗室補上關鍵缺口

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

現有 AI 可以快速提出藥物靶點、分子和實驗方案，但如果訓練資料主要來自動物、單一細胞、蛋白質，或只是觀察到的生物學關聯，模型仍不容易預測複雜人體組織在接受治療後會如何變化。Vivodyne 執行長 Andrei Georgescu 曾表示，目前 AI 設計的藥物還沒有明顯優於人類設計的藥物，原因之一就是可供模型學習的相關實驗數據不足。25

公司的答案是 HIVE：一套結合機器人、微流體、組織工程、自動給藥與生物讀出的模組化自動化實驗室平台，目標是在大規模培養人體組織的同時，持續施加干預、追蹤反應並產生可供 AI 分析的數據。

瓶頸不只是「找關聯」，而是要知道什麼造成了什麼

藥物研發模型可能發現某項生物特徵與疾病結果之間存在關聯，但這不等於模型知道：在特定組織環境中，使用某種藥物、某個劑量後，系統究竟會發生什麼變化。

因此，Vivodyne 將重點放在「干預」或「擾動」（perturbation）：主動改變一個條件，再測量組織的反應。用公司的說法，這類實驗可以回答一個更接近藥物開發需求的問題——如果對組織 Z 使用治療 X、劑量為 Y，組織會出現哪些可測量變化。平台將這種方法描述為，透過受控的人體組織實驗產生具細胞層級的因果數據。2

這項差異很重要。若模型學到的是不完整、或與人體不匹配的生物學，它可能對錯誤答案產生高度信心。Vivodyne 並不是主張大型模型毫無用處，而是認為，若只擴大模型、沒有同步提升實驗數據的品質與人體相關性，效益可能相當有限。1725

HIVE 如何運作？

HIVE 將多種實驗流程整合到同一套自動化系統中。Vivodyne 表示，平台能培養 20 種人體組織，接著自行施加藥物或其他生物干預，並隨時間監測組織變化。117

系統的核心之一是 TissueDisk。依公司說法，這種微流體裝置可以平行培養並給藥數百個彼此獨立的人體組織，讓研究人員在同一個裝置中處理大規模的實驗矩陣。每個組織模型約包含 20 萬至 50 萬個細胞，部分模型還具備可灌流、符合組織特性的三維血管網絡，以更貼近藥物在人體內的輸送方式。24

實際流程大致分為四步：

1. 培養標準化的人體組織模型。
2. 施加藥物、不同劑量、基因改變，或多種介入組合。
3. 量測分子、細胞和功能層面的反應。
4. 將結果交由分析系統處理，並用於設計下一輪實驗。

這使實驗室不再只是零散的單項測試，而更像一套持續產出資料的生物學系統。結果不只包括「組織是否存活」，也可能涵蓋組織如何改變、何時改變、哪些細胞受到影響，以及不同劑量或治療組合如何改寫結果。

動物與單一細胞研究，為何可能無法完整預測人體？

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，不一定會在人類身上以相同方式運作。物種差異可能影響藥物代謝、毒性、免疫反應、疾病機制，以及多個組織之間的互動。

單細胞和蛋白質實驗則能提供非常細緻的資訊，但往往移除了多細胞結構與生理環境，而這些正是藥物效應的重要背景。這種落差，部分解釋了為什麼一些在臨床前研究中看似有希望的候選藥物，進入人體開發後仍會失敗。Vivodyne 希望更早加入人體組織證據，在候選藥物進入成本高昂的患者試驗前，先發現部分安全性和療效問題。113

不過，培養皿中的人體組織終究不是完整的人體。這些模型未必能完全重現全身藥物動力學、器官之間的訊號傳遞、長期免疫效應、患者個體差異，或疾病的所有特徵。因此，它們更適合被視為介於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。

Vivodyne 目前提出了哪些證據？

Vivodyne 表示，團隊曾以 20 種化療藥物測試多種組織模型。公司公布的結果包括：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一致度為 96%，骨髓模型在該測試組中則達到 100% 一致。17

這些數字值得關注，但也必須看清其證據層級。目前可取得的資料將它們列為公司公布的效能主張，尚不足以證明這些結果已在大量、跨多種藥物類別的獨立同行評審研究中重現，也沒有顯示 HIVE 在前瞻性比較中已提高藥物的臨床核准率。

Vivodyne 另宣布設立一座包含 12 個 HIVE 實驗室的設施，聲稱每年可進行 310 萬次受控的活體人體組織實驗。這是平台規模與處理能力的說法，本身並不等同於臨床預測能力已獲證實。37

融資如何支撐這項策略？

公司在 2023 年宣布完成總額 3,800 萬美元的種子輪融資，由 Khosla Ventures 領投，Kairos Ventures、CS Ventures、MBX Capital 與 Bison Ventures 參與。9 Vivodyne 後來也公布一輪 4,000 萬美元融資，用於擴大由機器人與 AI 驅動的人體組織測試基礎設施。7

這筆資金所支撐的，不只是另一個藥物生成模型，而是一種把實驗生物學視為 AI 基礎設施的策略：先大量產出標準化、可比較的人體組織數據，再用這些數據改善治療反應預測，並決定下一步該做哪些實驗。

如果預測成立，臨床試驗可能如何受影響？

若 HIVE 的預測能力能在獨立、前瞻性的研究中獲得證實，平台可能從三個方向影響藥物開發。

更早淘汰失敗候選物

療效不足或毒性不可接受的候選藥物，可能在接觸患者前就被降低優先級。這不會消除臨床失敗，但理論上能減少證據不足的候選物進入試驗。

改善候選藥物與劑量選擇

同時測試多種劑量與組織環境，有助研究人員找出值得推進的候選物，以及更值得在臨床研究中檢驗的劑量範圍。Vivodyne 將人體數據平台定位在藥物發現、ADME／毒性評估，以及臨床試驗設計等環節。13

讓 AI 學到更接近治療結果的生物學

反覆進行「介入—反應」實驗，可以為 AI 提供把治療行動連結到組織層級結果的訓練資料。長期而言，Vivodyne 希望以此建立更廣泛的人體生物學計算模型，甚至稱之為人體生物學的「世界模型」。8

但這個願景取決於數據的品質、可重現性、樣本多樣性與外部驗證。實驗次數更多，不代表結果必然更好；如果組織模型無法代表相關患者族群，或測量指標無法預測人體結果，龐大數據量也可能只是放大偏差。

組合療法是重要的壓力測試

組合療法需要同時探索多個變數，包括藥物配對、劑量、用藥順序、時間安排與組織環境。若能在人體組織平台上系統化測試，研究人員或許更容易尋找協同作用，也能在患者接觸治療前先篩查毒性。

這對單一藥物只能影響複雜疾病路徑一部分的疾病，可能尤其有用。不過，限制依然存在：組織實驗可以揭示模型內部的藥物互動，但臨床結果還會受到吸收、分布、代謝、免疫反應、器官交互作用與患者差異影響。

結論：先把人體反應變成數據，再談 AI 藥物革命

Vivodyne 押注的方向是：AI 藥物研發的下一個突破，關鍵不只是把演算法做得更大，而是讓模型建立在更好的實驗基礎上。HIVE 的設計，正是透過大規模培養 20 種人體組織，進行受控給藥與生物學分析，把組織反應轉換成結構化數據。117

這個構想針對的是臨床前研究長期存在的轉譯難題：在簡化系統中訓練或驗證的模型，未必能可靠預測人體反應。Vivodyne 公布的早期效能數字與平台規模確實引人注目，但目前仍主要是公司報告的證據。

真正的關鍵考驗在於：經過獨立驗證後，HIVE 的預測能否改善候選藥物選擇、降低臨床失敗，並讓 AI 模型不只在訓練過的組織與藥物上有效，而能推廣到更廣泛的人體生物學。