Anthropic 生命科学战略与 Shai Discovery 药物设计：AI 加速端到端研发周期

Anthropic 生命科学战略与 Shai Discovery 药物设计：AI 加速端到端研发周期

TL;DR

AI 模型（如 Anthropic 的 Claude 和 Shai Discovery 的分子设计平台）已经在药物发现上缩短了数年时间，并有望以数量级的幅度加速整个生命科学研发管线，从基础研究到临床试验。

1. 嘉宾背景与核心使命

  • Eric Kauderer‑Abrams（Anthropic – 生命科学负责人）

    • 数学与物理专业出身，随后转向 AI 研究，再通过 Kwabena Boahen 的 “Brains in Silicon” 实验室进入生物学。
    • 创办了多家医疗技术/生物技术初创公司；最近负责 Anthropic 将 Claude 打造成生命科学通用研发助理的工作。
    • Anthropic 的产品路线图包括一个 “云‑代码‑生物” 接口，能够让科学家可视化蛋白质、运行大规模模型推理，并与现有实验室工具集成。

  • Josh（Shai Discovery – 创始人兼 CEO）

    • 早期在 OpenAI 与 Meta 工作；构建了首个生命科学产品，该产品目前约占对 ESM‑1 模型所有引用的一半。
    • Shai Discovery 的使命是把药物设计视为计算机辅助设计（CAD）问题，目标是零样本生成治疗分子。
    • 公司与大型制药公司合作（如 AstraZeneca、Pfizer），并利用 Recursion 的模型进行分子生成。

2. 端到端药物开发时间线

  • 典型时长： 从概念到 FDA 批准上市约 10–15 年；中位数为 10–15 年，极少数案例可在 5–6 年完成。
  • 主要阶段：
    1. 靶点识别 – 选择疾病、患者人群和分子靶点。每年仅约有 30 个新临床靶点被追踪，而人类基因组中约有 10 000 个潜在靶点。
    2. 临床前设计 – 选择模态（抗体、小分子、分子胶、基因疗法）并优化命中化合物。历史上从靶点选择到 IND（新药临床试验申请）提交约需 4 年。
    3. 临床试验 – I 期（安全性）、II 期（有效性）、III 期（确认性）。此阶段耗时 6–9 年，并占据研发成本的绝大部分。
  • 瓶颈所在： 分布在 5–10 个不同步骤中，并非仅限于临床试验或分子设计。

3. AI 能够“抽出”时间的环节

3.1 临床前阶段

  • 分子生成： Shai 的 CAD 套件旨在用一次或少数几次迭代取代 4 年的优化循环，在数周内交付候选分子。
  • 靶点拥挤度： AI 可以将可搜索的靶点空间扩展到当前每年约 30 个之外，利用大规模基因组学、单细胞测序和蛋白质组学数据。
  • 迭代循环加速： 大语言模型（LLM）充当 “外环”，提出设计方案；基础模型（如 Claude）对其进行评估，从而显著缩短迭代周期。

3.2 临床阶段

  • 患者招募与地点选择： AI 能预测入组率并将患者匹配到试验地点，缩短招募时间。
  • 试验管理： 自动化电子数据采集、监测和监管报告，降低运营开销。
  • 效应大小放大： 通过 AI 设计的更高效分子可减少受试者数量，压缩试验时长。
  • 代理终点： AI 驱动的生物标志物发现可用早期读数取代长期临床终点（如骨折发生率）。

4. 为什么是现在？技术趋势的汇聚

  • LLM 规模化： 模型架构、算力和训练数据的快速提升，使 LLM 能胜任复杂的科学推理。
  • 基础模型生态系统： 针对化学、蛋白质折叠和生物信息学的专用模型与 LLM 互补，实现外环设计与内环评估。
  • 数据爆炸： 高通量实验（单细胞 RNA‑seq、蛋白质组学、抗体筛选）产生海量高质量数据用于模型训练。
  • 地缘政治压力： 中国更快、更廉价的药物发现管线迫使美国必须采用 AI 保持竞争力。
  • 时间压缩的预测： 演讲者估计端到端药物开发的现实上限约为 5 年，随着代理终点和更高效分子的出现，进一步压缩仍有可能。

5. 商业模式与价值捕获

  • 工具导向价值： 随着 AI 工具变得更强大，它们应获得更高的估值倍数，因为它们提升成功概率并降低制药合作伙伴的成本。
  • 平台 vs. 药物所有权： Anthropic 与 Shai 均侧重提供可扩展工具，而非开发专有药物，尽管 Anthropic 在湿实验室沙盒中测试基础研究应用。
  • 潜在民主化： 降低门槛或许会出现单人生物科技创业公司，利用 AI 运行多个早期项目，最终被大型制药公司收购。
  • 怀疑观点： 两位嘉宾都指出，纯软件工具公司面临高执行风险；成功可能取决于与湿实验室基础设施的深度集成。

6. 未解挑战与未来方向

  • 超越抗体： 将 AI 驱动的 CAD 扩展到小分子、分子胶和基因编辑等模态仍是开放的研究课题。
  • 规模化靶点发现： 构建系统化管线（如虚拟细胞扰动模型、人口规模遗传学）以识别成千上万的高质量靶点。
  • AI 控制的湿实验室： Anthropic 设想 Claude 能直接与实验仪器对接（订购试剂、控制反应器），实现闭环反馈。
  • 自主药物项目基准化： 建立标准化指标来评估模型在管线每个阶段的推进程度。

7. 对研究者和投资者的具体要点

  1. 预期在未来 2–3 年内，预临床设计时间将缩短 2–3 倍，得益于零样本分子生成。
  2. 关注 AI 驱动的试验自动化（患者招募、数据采集），这可能在 I/II 期削减数月时间。
  3. 投资能够融合 LLM、领域专用基础模型和无缝实验室集成的平台；这些平台最有可能捕获最大上行空间。
  4. 靶点拥挤是瓶颈——能够扩展可搜索靶点宇宙的 AI 将成为战略差异化因素。
  5. 监管和临床代理（生物标志物、替代终点） 将成为实现完整时间压缩的关键。

8. 结束语

Anthropic 与 Shai Discovery 均将 AI 视为催化剂，能够把药物发现从劳动密集、数年周期的工作转变为快速、工程驱动的过程。虽然彻底治愈所有疾病的终极目标仍遥远，但演讲者一致认为，AI 力量的工具能够在整个生命科学研发栈实现数量级的加速，重塑生物技术的经济学和竞争格局。

Sources