Thomas Clozel 医学博士，Owkin 联合创始人兼首席执行官——访谈系列

Thomas Clozel, 医学博士是 Owkin 的联合创始人兼首席执行官，这是一家正在革新医疗行业的 AI 生物技术公司。拥有临床研究背景，Clozel 自 2016 年公司创立起就一直领导 Owkin。在他的领导下，公司取得了重要里程碑，包括获得大量融资以及与大型制药公司建立战略合作伙伴关系。他曾是巴黎 Henri Mondor 医院临床肿瘤血液学助理教授，亦曾是 Weill Cornell Medical College Ari Melnick 博士肿瘤实验室的成员。

Owkin是一家 AI 生物技术公司，致力于开发自主 AI 系统，以加速生物医学研究和药物发现。公司于 2016 年由肿瘤学家 Thomas Clozel 与机器学习研究员 Gilles Wainrib 创立，融合了先进的 AI 模型、多模态患者数据、生物学研究以及临床专长，帮助制药团队更好地理解疾病、识别治疗靶点、发现生物标志物，并做出更有依据的研发决策。其旗舰平台 K Pro 充当 AI 科学家，能够协调专门的模型和研究工具来分析复杂的生物学问题，Owkin 最终的目标是实现其所称的 Biological Artificial SuperIntelligence: 一个能够自主改进、并日益承担药物发现过程大部分工作的 AI 系统。

Owkin 已与包括 Sanofi、Bristol Myers Squibb 和 MSD 在内的主要生物制药公司建立了战略合作关系，并构建了覆盖学术研究者、临床医生、患者数据合作伙伴以及实验室基础设施的全球网络。

您的职业跨越了临床血液学、肿瘤研究和计算生物学。2016 年共同创立 Owkin 时，您在传统医学研究中看到哪些局限性，使您相信 AI 能帮助科学家以不同方式理解疾病？

我是一名肿瘤学家，曾看到 35 岁的癌症患者，但他们的病史并不能解释为何会得病或为何复发。即使借助过去百年的研究，也没有好的科学解释。因此我认为：生物学不是人类尺度可以直接解决的问题，需要在分子到整个有机体的多个层次上进行推理，并同时处理多种数据——从组织活检到患者的治疗史。为此我们需要 AI。我认为唯一能让我们在人体层面最接近这种理解的数据是患者数据。于是 2016 年，我与 Gilles Wainrib 共同创立了 Owkin，并从联邦学习——一种让 AI 模型在不让数据离开医院的前提下学习医院数据的方法——入手，解锁这些数据并寻找答案。

生成式 AI 能产生大量看似合理的生物学假设。研究人员应如何区分真正新颖的发现与看似可信但最终错误的 AI 生成相关性？

在证明之前，所有假设都应视为错误。这是设计使然。我相信前沿的 AI 代理——先进的自主 AI 系统——在获得合适的工具和数据后，生成准确假设的能力将超过我们当前的水平。在 Owkin，我们的模型会根据从数据中学习到的模式，对假设的可靠性进行排序。

但我们仍需先在实验室进行测试，然后通过临床试验，才能对其完全信任。在 Owkin，我们通过所谓的“实验室在环路”（lab in the loop）实现这一点——在真实生物样本上测试每个 AI 预测后才予以信任——随后进入临床试验。因此，我们仍然需要像以往一样对每个假设进行实验验证。但 AI 通过指引我们朝最有可能成功的测试路径前进，使资源利用更高效。

K Pro 将病理学、基因组学、空间生物学和临床结果相结合。将这些不同的数据类型融合在一起，如何比依赖单一数据集或模态产生更强的生物学证据？

我们试图完整呈现导致个人疾病的全貌。每种数据类型只能提供其中一部分的快照——但单一数据无法提供完整的因果解释。

如果能够同时从多个角度审视疾病，就能更接近完整图景。这正是我们在生物学各层面所追求的——例如，将基因活性与组织的物理结构关联，将患者的基础生物学（基因和分子）与临床上实际观察到的（组织影像、病历、治疗反应）相联系。

这正是 AI 的重要之处：它能够整合这些截然不同的数据类型，发现潜在的模式，从而更接近整体图景——而这对人类大脑而言极其困难。

Owkin 将 AI 生成的发现称为假设而非事实。一个 K Pro 假设在被贵团队视为足以影响药物开发决策的生物学意义之前，需要经过哪些阶段？

四个阶段。

第一，计算复制: 信号在独立的患者数据集以及未用于生成该信号的数据类型上是否仍然成立？此步骤成本低，可在早期剔除大多数候选。

第二，机制审查: 是否存在连贯的因果解释——一个合理的新生物学片段？证据是否真的如模型所声称的那样？我们审查底层证据，而不仅仅是结论。这时我们专家生物医学团队的投入尤为关键。

第三，在实验室进行测试。我们使用患者来源的模型——包括类器官（患者肿瘤的微型实验室培养版本）——通过药物测试和基因编辑实验来验证预测。这一步决定相关性是成为真实因果声明，还是仍然不成立。

第四，患者。我们目前正在 INVOKE 临床试验中测试 OKN4395——一种其底层生物学由 K Pro 帮助我们理解的药物候选物。我们也利用该试验来改进我们的 AI: 试验期间收集详细的患者数据，因此我们不仅在测试药物，还在检验模型对疾病机制及正确患者人群的推理是否准确。

Owkin 在其湿实验室中使用患者来源的类器官和基因扰动等方法测试选定的 K Pro 预测。这种实验室反馈如何提升系统，若实验结果与原始预测相矛盾会怎样？

K Pro 预测新生物学后，我们设计实验，并使用患者来源的实验模型——包括类器官、共培养（将不同细胞类型一起培养以观察相互作用）以及特定基因被打开或关闭的模型——进行验证。结果随后回流至系统，以改进其性能。如今，这一环路的部分仍需手动完成；实现全自动化是我们的下一步。

我们已经衡量了这种反馈的效果。今年我们在 ArXiv（科学论文仓库）上发布的一项研究表明，接受此类迭代实验室反馈的 AI 代理在识别能够显著改变细胞行为的基因方面，比随机选择高出 166%–185%——这些基因正是药物研发所关注的目标。

制药公司应使用哪些指标来评估 AI 科学家？成功应以预测准确性、可重复性、已验证靶点数量、改进的临床试验决策或其他标准来衡量吗？

我们认为最重要的基准是可靠性。偶尔给出非常准确答案的 AI 值得关注，但只有在能够始终如一、可靠地对同一问题给出相同答案时，AI 系统才真正对行业有用。

这正是将这些系统从炫目的演示转变为实际工作流基础的关键。K Pro 的构建即是如此：其内部的 AI 推理每次回答问题时，都遵循相同的可重复、透明的流程。

科学可重复性在药物研究中至关重要。K Pro 如何向研究人员展示哪些数据集、分析工作流和推理步骤贡献了结论，以便其发现能够被独立审查？

K Pro 记录并展示 AI 为回答每个查询所经历的推理过程。

它使用的每个数据集都标明来源和版本。您可以在每一步过滤后看到患者群体的收缩——例如，四千名患者如何变成三百名。它调用的每个工具都被显示。它使用的每项“技能”也被展示。每一步推理都可追溯。

“技能”是一套已编码的科学工作流——包括分析顺序、阈值、推理——K Pro 在相关时会每次以相同方式应用。技能对于可重复性尤为重要，因为它们是 K Pro 降低 AI 系统自然变异性的方式之一——同一任务运行两次应得到相同答案。我们正持续在此基础上构建，因为验证 AI 工作的能力是我们行业的关键优势。

Owkin 正在为 AstraZeneca 和 Sanofi 开发专用的 K Pro 代理。这些合作让您对将 AI 科学家整合进既有制药工作流、同时不削弱人工监督、治理或科学严谨性有什么启示？

必须站在制药公司的立场上考虑问题。每家公司都有不同的体系、历史以及对 AI 采纳的胃口——在同一公司内部，不同团队的需求也各不相同。

我们近十年的制药合作经验表明，他们始终把监督和严谨性放在首位，若不符合其治理标准，根本无法进入门槛。

因此我们将 K Pro 打造成可解释的——即您可以看到它的推理过程、选择的工具和调用的数据——同时足够灵活，能够在公司现有系统中运行，而无需更改基础设施，并且能够直接访问已存储的专有数据，而不必迁移或复制。

这在建立制药公司采纳所需的信任方面起到了关键作用。

多模态患者数据可能包含机构偏见、标注不一致和代表性不足的群体。Owkin 如何防止这些限制导致误导性的生物学结论或限制受益患者的范围？

所有数据都或多或少带有偏见，无论是来源实验室还是患者群体本身。我们的做法是尽可能全面地了解数据集，以便识别偏见的存在并加以校正。

我们能够做到这一点，是因为与最初生成每个数据集的研究人员保持了紧密关系，他们帮助我们深入审查数据。

我们确信，只要相关数据集存在，就能找到它。但如果出现空白——例如某患者群体在现有数据中代表性不足——我们可以与学术合作伙伴一起自行生成符合严格标准的新数据，正如我们对 MOSAIC 数据集所做的那样。

您将 Owkin 的长期目标描述为 Biological Artificial Superintelligence。哪些能力会将其与当今的 AI 研究工具区分开来，哪些证据能说服您 AI 系统真正理解生物学，而不仅仅是识别日益复杂的模式？

Biological Artificial Superintelligence（BASI）——我们对能够独立提出真正新颖、正确生物学的 AI 系统的称呼——将在 AI 系统能够可靠地提出人类研究尚未发现、且随后被证实正确的新疾病生物学时实现。

我们正朝着这一目标构建一个能够:

• 自主工作，能够在不需要每一步都由人工干预的情况下完善自身假设，包括在自动化实验室中设计和执行实验
• 在生物系统中进行因果推理，而不仅仅是发现相关性

至于 AI 是否真正“理解”生物学，这是一个有趣的哲学问题。模型的内部表征在何时足够复杂，才算是真正的理解，而非仅仅是高度复杂的模式匹配？就目前而言，我满足于它能够可靠地提出最终被证实为真实的新生物学。

感谢这次精彩的访谈，想了解更多的读者请访问 Owkin。