把试错移到计算机里：Max Jaderberg 谈 Isomorphic Labs 的 AI 制药逻辑

一、嘉宾背景

Max Jaderberg 是 Isomorphic Labs 总裁、创始团队成员。这家公司结合 AI、生物学与药物发现，尝试提高疾病理解、分子设计和潜在毒性的预测能力。在这期由 Sarah Guo 和 Elad Gil 主持的 No Priors 访谈中，Jaderberg 介绍了这套研发方法如何运作，以及它距离改变患者治疗还需要解决哪些问题。

Jaderberg 的研究经历始于机器学习。他说，自己具有工程背景，随后攻读计算机视觉博士，并创办了一家提供计算机视觉服务的公司；与 Demis 的接触最终促成他加入 DeepMind。在那里，他参与过生成模型、语言模型、深度强化学习和游戏挑战相关工作。他回忆，这些经历让他看到如何系统性地攻克当时被视为极难的 AI 任务，也促使他思考这些技术应当用于哪些更重要的问题。

在他的叙述中，AlphaFold 是转向生物学的关键依据：它让团队相信，深度学习能够在有意义的生物学空间中泛化。他将 Isomorphic 的起点放在约 2021 年，并把成立独立公司、建立专门的组织文化和跨学科团队，与“解决所有疾病”的使命联系起来。本期对生物制药、人类健康和长寿的讨论，也始终涉及这一使命与实际研发能力之间的距离。

二、本期主要内容

访谈从主持人提出的研发生产率问题展开：科学知识和药物形式不断增加，新药批准数量却大致持平，开发成本和周期仍然居高不下。他用约十五年、十五亿美元描述一种药物的开发。这是主持人在节目中给出的背景判断，未附统计口径，不能视为所有药物项目的统一成本。Jaderberg 的回答指向经验试错的搜索边界：细胞系统高度复杂，小分子、抗体和肽又构成巨大的组合空间。只要每次判断都依赖制造、测试和修改，有限的时间与预算就只能覆盖其中很小一部分。他认为，传统方法较容易找到的解逐渐被发现后，剩下的问题会越来越难。

Isomorphic 希望把更多探索移到计算机上。Jaderberg 将疾病生物学理解和药物设计的计算化视为核心方向，并说内部模型榜单设有“实验精度”的目标线。其目的，是让预测足够可靠，在实际合成分子前完成更多筛选与设计。这一目标尚不意味着整个制药过程已能由模型替代；节目也没有提供足以判断各项模型距离目标还有多远的性能数据。

公司的研发体系围绕这套引擎组织。按 Jaderberg 的说法，AI 模型与药物设计引擎均由内部开发；数据生成则结合公司自身的实验工作、合同研究组织（CRO）和其他实验平台公司的能力。现实实验与外部协作，是这套计算研发体系的一部分。

公司也将引擎用于内部药物研发。Jaderberg 说，Isomorphic 不出售模型、不对外许可模型，也不销售 token。一部分项目由公司自行拥有、资助和推进，另一部分则与药企、生物技术公司合作，由合作伙伴带来特定疾病领域的经验与难题。他对合作进展持积极评价，但节目没有提供可供独立评估的项目结果。

自有管线重点覆盖肿瘤、免疫和炎症。Jaderberg 认为，引擎能够跨疾病、靶点类别和药物形式使用，不过本期没有展示这种广泛适用性的分项验证。他选择项目的一条思路，是寻找能够影响多个下游适应证的共同驱动机制，即他所说的“根节点”。这使平台的价值进一步取决于两个问题：不同项目之间的知识能否复用，对共同机制的干预又能否转化为不同患者群体的获益。

三、核心观点：推理、例子与边界

这条路线的核心论据，是研发知识能否持续积累。Jaderberg 认为，传统药物项目往往是高度定制的前沿科学工程：一个团队可以深入理解某个靶点，却未必因此更快解决下一个问题。共享 AI 平台的潜在价值，在于把不同项目的经验转化为疾病理解和分子设计能力，让后续项目受益。因此，项目数量增加本身还不足以证明平台形成了规模经济；关键在于，先前项目获得的知识是否真正改善了后续任务的判断。

“实验精度”需要放在具体任务中理解。Jaderberg 以 AlphaFold 为例：某些原本需要漫长结构实验才能获得的信息，可以由预测模型提供，从而省去部分等待。但他也指出，药物发现包含许多不同的科学与工程问题。结构预测说明，计算有可能替代某些特定的信息获取环节；它并不能证明疗效、毒性和人体反应也已能够得到同样准确的模拟。局部预测能力如何扩展到整条研发链，仍是关键的不确定性。

自动化实验室说明了减少实验迭代的吸引力。Jaderberg 说，公司一直在使用自动化实验平台，他也支持继续缩短现实实验的反馈周期。然而，化学反应需要时间，细胞需要生长，机械操作提速无法消除所有等待。提高实验效率与减少必要的实验轮次，可以带来互补的收益。后者取决于预测是否足够可靠：被省去的实验原本承担的验证任务，必须确实能够由模型完成。

临床失败让这一要求更加复杂。Jaderberg 区分了两类失败：分子作用于预期靶点，却也作用于其他靶点；或者分子准确命中了目标，但调控这一目标本身就会带来负面后果。前者涉及选择性和脱靶，后者涉及疾病机制及靶点调控的后果。因此，准确回答“分子会结合什么”，仍不足以证明药物值得进入患者体内。平台若要减少后期失败，就必须把分子层面的预测与细胞、疾病层面的判断连接起来。

这也决定了数据不能只靠历史积累。Jaderberg 指出，公共和企业数据库常是过去研发活动的副产品，数据分布围绕历史项目形成，未必适合通用预测。他强调主动生成模型所需的数据，并称已经观察到令人鼓舞的数据规模效应。不过，这段讨论没有给出数据量、规模曲线或量化评估，因而只能说明公司重视数据分布的设计，尚不足以判断增加数据会带来多大的性能改善。衡量泛化能力，需要看模型能应对哪些新问题，而不只是数据库里有多少记录。

人体毒性是其中一项严峻检验。主持人追问，动物实验结果难以转化到人体时，模型应从哪里获得监督信号。Jaderberg 引用了约三成的大鼠到人体临床毒性预测能力，同时说明这一数字取决于具体研究。节目没有标明研究来源或指标定义，因此不能将其视为通用的预测准确率。他提出，将体外测量、AI、类器官、器官芯片和合成人体组织结合起来，面向人体毒性建模，同时承认临床数据有限。这些方法可能提供互补信号，但尚未被证明能够完整替代人体证据。

联合疗法进一步说明了精确分子设计的意义。节目以 RAS 相关药物开发为例，讨论癌症的共同驱动机制，以及肿瘤如何通过突变绕过治疗。转录中的药名不确定，无法据此确定具体药物或其疗效。Jaderberg 认为，现有分子的毒性、肝脏影响和有害药物相互作用限制了联合治疗；更精确的分子工程，有望让一组靶点得到同时调控。不过，主持人指出，能够招募的患者有限，潜在组合数量却很多，这同样限制了临床测试。即使分子更安全，每种组合仍需要可行的临床验证路径。

Jaderberg 对监管变化的期待，也以证据为前提。他希望 AI 设计的分子最终能在统计上表现出更高的成功率和更好的安全性，进而影响监管判断。这是需要长期证明的目标，尚未成为行业结论。衡量每项技术进展，仍须明确它消除了哪一种不确定性，以及哪些风险还要留待后续实验和临床研究回答。

四、学习与应用

评估这类公司或项目，需要区分研发链上的不同成果。Jaderberg 将候选分子发现、临床前动物研究和分阶段人体临床研究分开讨论，并强调失败会显著推高平均开发成本。设计环节减少了多少探索，候选分子通过了哪些验证，人体试验又回答了什么问题，需要分别考察。更快获得候选物与降低临床失败率彼此相关，但前者的证据不能自动证明后者。

对研发团队而言，计算机内的预测与现实实验之间，需要有明确的分工：模型判断哪项性质，这一判断将支持什么选择，哪些候选物还必须进入实验验证。这样才能把实验资源集中到最需要回答的问题上。Jaderberg 同时明确保留了现实验证的必要性：新的科学假设仍须检验，治疗最终能否在人身上安全、有效地发挥作用，也仍须确认。模型对某项代理指标的把握，不能代表它已掌握整个人体反应。是否减少下一轮实验，取决于该轮实验原本要消除的不确定性，是否已有可靠证据回答。

跨学科能力也需要通过共同工作形成。Jaderberg 描述的做法，是分别招募优秀的 AI 人才以及生物学、化学专家，再通过内部协作培养跨领域能力。这意味着，模型设计、数据解释和药物研发目标需要进入同一场讨论，而不必要求每位新人起初就精通所有学科。但这种组织方式需要持续投入协作与相互学习，不能仅凭团队成员拥有不同履历，就认定知识已经融合。

节目提到的约五比一，是建模人员与领域专家的比例，适用语境也有限。Jaderberg 认为，这一比例对部分核心建模项目而言是合理的，并未将其作为全公司的标准配比。他更强调领域专家的责任：理解数据细节和指标含义，判断模型改进能否转化为制药价值。借鉴这一安排，意味着让领域专家参与目标和验收标准的制定，而非只在模型完成后解释结果。人员比例应随任务确定，不能代替对实验、疾病和临床能力需求的判断。

风险收益判断则必须落到具体患者群体。Jaderberg 对比了缺少治疗选择的晚期癌症患者与低水平慢性炎症患者：两者能够接受的风险不同。项目需要先说明疾病负担、现有选择和预期获益，才能讨论何种风险值得继续研究。AI 设计本身并不意味着药物可以适用更宽松的安全边界，患者安全仍是他强调的核心条件。

时间预测也需要与健康结果分开。Jaderberg 没有给出首次临床试验的日期，也没有承诺何时能让八成癌症变得可治疗；他的五年展望，指向疾病预测以及精确、低毒分子的设计工具。追踪这一愿景，需要分别记录工具能力的进展和药物研发的推进。长寿讨论同样要求明确结果的含义：寿命之外，还包括保持健康和功能的时间，涉及骨骼、肌肉退化与活动能力。节目中的动物延寿讨论，不能换算为人体寿命延长的承诺，也不能替代实际健康获益的证据。

来源

• 原始节目：Powering AI-Driven Drug Discovery with President of Isomorphic Labs Max Jaderberg