人工智能驱动的药物发现中的数据问题

随着人工智能迅速融入药物发现，可能最重要的问题不是下一个模型有多强大，而是这些模型实际上学习的是什么数据。

Anthropic 的 最近扩展进入药物开发，是人工智能正在超越一般目的推理并进入应用科学的最新迹象。它反映了该领域的真实动力和日益增长的信心，即人工智能可以从根本上改变新药物的发现方式。但如果目标是提高临床成功率——而不仅仅是加快发现速度——我们应该问的是，支撑这些系统的生物数据是否能够教会它们人类生物学的真实情况。

多年来，行业的重点一直是构建日益复杂的算法。更大的模型、更多的计算能力和更好的架构推动了蛋白质结构预测、目标识别、分子设计和其他生物医学研究领域的显著进步。这些创新值得它们所获得的关注。

然而，人们关注得较少的是它们下的生物基础。

人工智能在找到模式方面非常出色。但它无法区分生物学上可测量的生物学和真正预测患者发生的情况的生物学。人工智能驱动的药物发现的天花板最终将由模型的智能和用于训练、验证和基准测试的生物数据的保真度决定。如果我们希望人工智能提供更好的药物，而不仅仅是更快的假设，构建高质量的人类生物数据基础设施可能与构建下一代人工智能本身一样重要。

人工智能只能从我们给予的生物学中学习

每个人工智能模型都受到其学习信息的限制。药物开发提出了一个特别困难的挑战，因为生物学非常复杂。人类疾病受到基因、年龄、性别、合并症、免疫反应、环境暴露和成千上万相互作用的分子通路的影响，这些通路仍然只部分被理解。

历史上，药物开发中使用的大部分实验数据来自动物研究、不死化细胞系、简化的体外系统和计算机模拟。这些工具在生物医学科学中取得了巨大的进步，并且在研究的许多阶段仍然不可或缺。然而，几十年的经验也表明，它们无法完全复制人类生理学。

大约 90%进入临床试验的药物候选物最终失败，缺乏疗效和意外的安全发现是主要原因。虽然有许多因素导致这些失败，但一个反复出现的主题是，临床前模型通常难以预测实际发生在患者身上的情况。

如果人工智能系统主要是从具有已知转化限制的模型生成的数据中训练的，那么如果这些限制仍然存在就不应该感到惊讶。人工智能可以非常好地识别模式，但它无法发明生物学真相，这些真相从未出现在其训练数据中。

更多的数据不一定是更好的数据

人工智能社区经常讨论缩放法则：更大的数据集通常可以提高模型性能。在生物学中，数量和质量是不可互换的。从实验系统中收集的数百万个数据点，这些系统不能很好地反映人类生理学，可能比从临床相关的人类生物学中生成的较小数据集提供的预测价值更低。这一区别在药物开发中尤为重要，因为目标不仅是预测，还要预测能够转化为成功的患者结果。

高保真度的人类生物数据在几个重要方面与传统的实验室数据集不同。它捕捉生物功能而不是静态快照。它保留组织、细胞结构、灌注、代谢和药理学之间的关系。它将患者历史、临床特征、分子测量和功能反应纳入同一个生物系统。最重要的是，它测量实际存在于人类身上的生物学。

随着人工智能变得越来越能够从复杂数据中提取微妙的模式，这些模式的质量变得与潜在生物学的质量不可分割。

下一个竞争优势可能是人类数据基础设施

在过去的几年中，巨大的投资都投入到了基础模型、计算基础设施和专用人工智能架构中。相比之下，用于系统生成高质量人类生物数据的基础设施则得到了较少的关注。

人类生物标本本质上是有限的，需要与某种形式的捐赠基础设施集成。标准化仍然具有挑战性。实验协议必须是可复制的。元数据必须是全面性的。多组学测量、成像、功能测定和临床背景都需要集成到足够一致的数据集中，以便于计算学习。

这与传统的软件工程完全不同。相反，它需要协调的生物操作，能够在多年内产生可复制、符合监管要求的数据集。就像云基础设施对于现代软件开发至关重要一样，人类生物基础设施可能成为下一代人工智能驱动的治疗方法的基础。今天投资于该基础设施的组织最终可能会塑造明天的人工智能模型能够学习的内容。

监管机构正在朝这个方向发展

重要的是，这个讨论超出了学术好奇心。监管机构本身越来越强调以人类为相关证据。FDA 扩大了对新方法学（NAMs）的支持，概述了 路径，通过这些路径，计算模型、器官芯片技术、先进的体外系统和其他与人类相关的方法可以为监管决策做出贡献。

这种转变承认了一个重要的现实。随着计算方法变得更加复杂，对其预测的信心取决于支持这些预测的生物学证据的信心。如果更好的人工智能需要更好的验证，而更好的验证需要更好的人类数据，那么更好的人工智能必须需要更好的人类数据，这些数据是每个模型的基础。

下一个十年将由数据质量定义

制药行业经历了 多次技术革命，从高通量筛选到 下一代测序。每一次扩大了可用数据的数量，但人工智能在该领域的应用代表了某种不同的事情。

其成功取决于不仅产生更多的数据，还要产生更能真实地代表人类生物学的数据。随着基础模型变得越来越容易获取，算法优势本身可能变得不那么持久。获取差异化的高质量人类生物数据可能会成为制药生态系统中的一个决定性的竞争优势。这在行业的最终目标是提高临床成功率而不仅仅是加快发现速度时尤其如此。

Anthropic 进入药物开发反映了人工智能在过去几年中取得的显著进步。它也凸显了行业必须回答的下一个问题。如果人工智能真正有潜力改变医学，那么这些模型将建立在什么样的生物基础上?

人工智能驱动的药物发现的未来无疑将取决于更好的算法。但它可能更依赖于建立能够教会这些算法人类生物学的真实情况的人类数据基础设施。