应用：生命科学中的 AI

生命科学讨论中最容易混淆的是“发现一个分子”和“做成一款药”。完整链条大致是：

疾病与患者问题
    ↓
找到值得干预的生物靶点
    ↓
选择干预方式：小分子、抗体、蛋白、核酸等
    ↓
设计和筛选候选分子
    ↓
体外实验与动物等临床前验证
    ↓
确定候选药物
    ↓
申请进入人体试验
    ↓
I 期：安全性与剂量
    ↓
II 期：初步疗效与方案
    ↓
III 期：更大规模验证
    ↓
监管审批与商业化

AI 可以作用于其中很多环节，但每一环的评价标准不同。蛋白结合得很好，不代表它能进入正确组织、长期稳定、没有毒性并最终改善患者结果。越靠近真实药物，越需要更多实验、制造、临床和监管能力。

因此，“AI 把药物研发缩短到几年”必须继续追问：缩短的是靶点研究、分子设计、临床前实验，还是完整上市周期？

Eric 和 Josh 分别展示了两种互补架构。

未来系统很可能是：

通用科学 Agent
    ↓  定义问题、组织证据、调用工具
专用结构与分子模型
    ↓  生成候选设计
实验平台
    ↓  测量真实结果
通用 Agent 与专用模型
    ↓  根据反馈继续选择和优化

通用模型负责跨工具和跨知识域的编排，专用模型负责在高维科学空间中提出更好的候选，实验负责把数字预测锚定到现实。

Claude for Life Sciences 把产品分成三个层次：

1. 通用模型能力：阅读论文、解释方法、写分析代码、综合多种证据；

2. 连接器与工具：访问实验数据、数据库、电子实验记录和科学软件；

3. 技能：把常见分析流程封装成可重复、可检查的步骤。

一个单细胞 RNA 测序质量控制案例显示，Agent 不只是回答问题，而是加载数据、运行分析、绘图并解释结果。

蛋白质可以理解为由氨基酸序列折叠成的三维结构。结构决定它能与什么分子结合、执行什么生物功能。早期重要突破主要解决“给定序列，预测结构”；药物设计进一步要求反向生成：给定目标和约束，设计可能实现所需结合与功能的新分子。

结构预测：序列 → 三维结构
分子生成：目标与约束 → 新序列 / 新结构 → 预期功能

Chai-2 聚焦抗体和蛋白质结合体设计。公开预印本报告中，团队测试了 52 个目标，每个目标最多设计 20 个候选；其中 26 个目标至少获得一个实验验证的结合体，目标成功率为 26/52 = 50%。所有候选合计的实验命中率为 15.5%，其中 VHH 为 20.0%、scFv 为 13.7%；从计算设计到实验结果少于两周。⁵

这些数字的重要性在于实验效率。传统筛选常要测试极大的候选库；如果模型能让少量设计获得较高命中率，研究者就可以用更少实验进入下一轮优化。

但“获得结合体”只是开始。一个可用药物还需要处理：

• 结合强度和选择性；

• 稳定性与可制造性；

• 免疫反应和毒性；

• 药物在体内的分布和持续时间；

• 剂量、疗效与患者差异。

因此，Chai 的结果证明了设计—实验闭环可以被显著压缩，不等于完整药物风险已经被消除。

一个项目可能失败在至少三层：

AI 若只显著提高分子设计，而行业真正缺少的是新靶点，瓶颈会向靶点发现迁移；若候选分子大量增加，瓶颈又会转向实验吞吐、动物研究、临床招募和监管。

这就是本课程反复出现的瓶颈迁移：一环的速度提高，不会让完整链条自动按相同比例缩短。

课堂给出的粗略时间尺度是：临床前阶段可能约四年，临床阶段常要六到九年，完整流程可以达到十到十五年。讲者也提出，未来优秀项目可能把一部分流程压缩到五年以内。这是方向性判断，关键在于怎样实现。

完整周期可以写成：

总时间 = 靶点 + 设计 + 实验 + 临床前 + 临床 + 监管 + 各阶段等待

模型可以把设计从数月压到数天，却无法直接消除细胞生长、动物观察、人体给药和长期安全随访所需的自然时间。真正可压缩的通常是：

• 减少无效候选；

• 并行开展数字分析；

• 更早发现失败；

• 改善实验选择；

• 提高患者与试验点匹配；

• 降低文档和运营等待；

• 用更强效应的分子提高临床信号。

最后一点很重要。如果候选药物效应更强、选择性更好，临床试验可能更容易在较小样本或更短时间内观察到差异。AI 不一定直接加快患者生理过程，却可以提高被送入临床的候选质量。

分子模型给出预测，实验才告诉系统现实是否同意。一个有效闭环是：

提出假设或分子设计
    ↓
选择最有信息量的实验
    ↓
在真实生物系统中测量
    ↓
得到结合、功能、毒性或失败结果
    ↓
更新模型、评价器和下一轮设计

只提高模型生成速度，会造成候选堆积；只有实验结果能快速、结构化地返回，生成能力才会变成学习能力。

更好的设计模型会减少明显无效的实验，却也可能让更多过去不值得尝试的假设变得经济。实验的预期信息价值提高后，研究者可能进行更多实验。

每次实验成功概率提高
    ↓
单位实验的预期回报上升
    ↓
更多项目和更多候选获得资金
    ↓
实验总需求可能增加

这与计算领域的效率反弹类似。AI 不一定替代湿实验，反而可能让实验成为更稀缺的互补资产。拥有自动化实验、样品处理和高质量反馈的机构，可能从模型进步中获得更高价值。

实验数据并非天然可靠。批次差异、仪器漂移、样品污染和评价指标选择都会影响结果。Agent 若把噪声当成真实规律，快速闭环反而会快速放大错误。

高质量反馈需要同时记录：

• 实验条件和版本；

• 样品来源与处理；

• 仪器与校准状态；

• 原始读数和处理方法；

• 阴性结果与失败原因；

• 评价阈值和不确定性。

这与第六课的经验数据结构一致：只有状态、行动、结果和归因完整连接，经验才可复用。生命科学中的“可验证奖励”比数学答案昂贵得多，但也更接近现实价值。

一名学生追问，如果未来通用模型投入达到极大规模，是否还需要专用模型。答案取决于专用模型提供的是什么。

如果差异只是通用知识和论文阅读，前沿通用模型很可能持续吸收；如果差异来自分子几何、物理归纳偏置、专用训练数据、实验反馈和极高计算效率，专用模型仍可能长期存在。

可以用三个条件判断：

专用模型价值 = 通用模型能力缺口 × 工作负载规模 × 实验反馈优势

• 能力缺口越大，专用模型越必要；

• 任务规模越大，专用训练和基础设施越容易摊薄；

• 与真实实验连接越深，越容易形成通用语料无法复制的经验。

长期系统更可能是通用 Agent 调用多个专用模型，而不是由一个模型包办所有科学层次。

生命科学问题常有很长因果链：某个靶点影响通路，通路改变细胞，细胞反应再影响患者结果。模型可以生成一条流畅解释，但链条越长，任何一步错误都可能让最终结论失效。

因此，应把长链拆成可验证的中间问题：

假设
→ 可测量中间预测
→ 小规模实验
→ 更新信念
→ 再决定下一步

科学 Agent 的优势不应是一次性写出最完整故事，而是以更低成本组织一系列能区分竞争解释的实验。

药物发现加速后，临床开发的重要性上升。讲者提到 AI 可以帮助患者招募、试验点选择、文档和运营，但人体试验仍受患者数量、疾病进程、伦理、监管和长期观察约束。

对部分疾病，真正稀缺的可能不是候选分子，而是：

• 能被准确识别的患者亚群；

• 足够敏感的生物标志物；

• 有经验的临床试验中心；

• 快速招募和留存患者的能力；

• 能区分疗效与自然波动的设计；

• 制造和供应一致性。

如果 AI 让候选数量显著增长，临床资源会成为新的竞价对象。制药公司、临床研究组织和拥有患者入口的医疗系统可能获得更大议价权。

Eric 提出一种纵向逻辑：如果 AI 真能显著提高成功率，最有价值的做法可能不是把工具卖给别人，而是自己持有药物资产。Josh 所代表的 Chai 路线更偏横向平台：把设计能力与多家药企的靶点、实验和开发体系结合。

Eric 用 pipeline in a person 描述另一种可能。在制药行业，pipeline 指一家公司同时推进的一组候选药物项目；当 AI 承担知识工作、实验和临床服务又可以向外采购时，一个人或很小的团队也可能组织过去需要完整制药公司才能推进的项目组合。¹

AI 降低早期发现和组织成本
  + 实验、制造、临床等能力可以外部调用
  + 小团队直接持有候选药物知识产权
  → 最小有效药物公司规模下降

这正是纵向做药重新变得有吸引力的原因：如果小团队也能控制项目并外包大量执行工作，只卖工具就可能让出最有价值的药物资产。但临床资本、监管和失败风险仍然存在，因此它没有自动否定 Chai 的横向合作路线。

公开进展显示，Chai 仍明显采用横向合作路线，并与大型药企开展发现合作；Pfizer 的授权协议是其中一个现实信号。⁴⁸ 这不能证明纵向模式错误，只说明当前产业更愿意先让 AI 平台与已有药物开发能力结合。

AI 降低早期发现成本，会让更小团队可以提出候选、验证假设并成立公司。与此同时，临床开发、制造和商业化仍需要大量资本和组织能力，大药企作为资本与风险聚合器的重要性可能上升。

因此，行业不一定简单去中介化。更可能出现：

更多小团队产生候选和专用平台
        ↓
更多项目进入实验与早期开发
        ↓
大型药企、临床网络和资本平台筛选与聚合

若实验服务和临床基础设施也变得可按需调用，小团队的最低有效规模会进一步下降；若这些资源保持稀缺，价值会重新集中到拥有物理和制度能力的机构。

课堂没有把抗体设计当作生命科学 AI 的终点。至少还有几类困难：

• 找到真正新的、具有因果作用的疾病靶点；

• 设计不只会结合、还能在体内实现复杂功能的分子；

• 扩展到小分子、核酸、细胞和多种治疗方式；

• 理解细胞、组织和免疫系统的动态相互作用；

• 把个体患者差异纳入预测；

• 建立更接近人体的实验和模拟反馈。

这说明专用模型的竞争会不断迁移。结构预测被解决后，瓶颈转向生成；生成改进后，瓶颈转向功能、体内表现和临床证据。

生命科学中的 AI 需要三种能力共同工作：通用 Agent 组织知识和工具，专用模型提出更好的分子与实验候选，现实实验和临床提供可信反馈。任何一层单独加速，都可能把瓶颈推向下一环，而不是让完整药物周期同比缩短。

最关键的基础设施是数字—物理反馈闭环。实验服务若能被 Agent 发现、授权、购买、执行并返回结构化结果，模型就可以持续从现实学习；实验吞吐和质量也会因此变成更重要的稀缺资产。商业上，工具平台与自有药物代表不同的价值捕获路径，最终边界取决于谁掌握实验、知识产权、临床和患者结果，而不是谁拥有最会生成科学文本的模型。