Anthropic 生命科學策略與 Shai Discovery 藥物設計：AI 加速端到端研發循環

Anthropic 生命科學策略與 Shai Discovery 藥物設計：AI 加速端到端研發循環

TL;DR

AI 模型（如 Anthropic 的 Claude 與 Shai Discovery 的分子設計平台）已經在藥物發現上縮短了數年時間，且有望以數量級的幅度加速整個生命科學研發管線，從基礎研究到臨床試驗皆受惠。

1. 嘉賓背景與核心使命

  • Eric Kauderer‑Abrams（Anthropic – 生命科學負責人）

    • 以數學與物理為訓練背景，後轉向 AI 研究，進而透過 Kwabena Boahen 的「Silicon 大腦」實驗室踏入生物領域。
    • 創辦過多家醫療科技／生技新創；最近領導 Anthropic 讓 Claude 成為生命科學的通用研發助理。
    • Anthropic 的產品路線圖包含一個「雲端‑程式碼‑生物」介面，讓科學家能視覺化蛋白質、執行大規模模型推論，並與現有實驗室工具整合。

  • Josh（Shai Discovery – 創辦人兼執行長）

    • 早期在 OpenAI 與 Meta 任職；打造了第一個生命科學產品，現在約佔 ESM‑1 模型所有引用的一半。
    • Shai Discovery 的使命是將藥物設計視為電腦輔助設計（CAD）問題，目標是零樣本產生治療分子。
    • 公司與大型製藥公司合作（如 AstraZeneca、Pfizer），並利用 Recursion 的模型進行分子生成。

2. 端到端藥物開發時間表

  • 典型時長： 從概念到 FDA 核准上市約 10–15 年；中位數為 10–15 年，極少數案例可在 5–6 年完成。
  • 主要階段：
    1. 目標識別 – 選擇疾病、患者族群與分子目標。每年僅約有 30 個新臨床目標被追蹤，而人類基因組約有 10,000 個潛在目標。
    2. 前臨床設計 – 決定藥物類型（抗體、小分子、分子膠、基因治療）並優化命中化合物。歷史上從目標選定到 IND（Investigational New Drug）申請約需 4 年。
    3. 臨床試驗 – 第 I 期（安全性）、第 II 期（有效性）、第 III 期（確認）。此階段耗時 6–9 年，且佔開發成本的大頭。
  • 瓶頸所在： 分散於 5–10 個不同步驟，並非僅限於臨床試驗或分子設計。

3. AI 能夠縮短的環節

3.1 前臨床階段

  • 分子生成： Shai 的 CAD 套件旨在以一次或少次的方式取代 4 年的優化迴圈，於數週內交付候選分子。
  • 目標擁擠度： AI 可擴大可搜尋的目標空間，突破目前每年約 30 個的上限，利用大規模基因組、單細胞測序與蛋白質組資料。
  • 迭代迴圈加速： 大型語言模型（LLM）充當「外部迴圈」提出設計，基礎模型（如 Claude）則評估設計，顯著縮短迭代次數。

3.2 臨床階段

  • 患者招募與試驗點選擇： AI 可預測入組率並將患者匹配至試驗中心，縮短招募時間。
  • 試驗管理： 自動化電子資料收集、監測與法規報告，降低營運負擔。
  • 效應大小放大： 透過 AI 設計的更高效分子可減少受試者數量，縮短試驗時程。
  • 代理終點： AI 驅動的生物標記發現或可以早期讀出測試取代長期臨床終點（如骨折發生率）。

4. 為何是現在？技術趨勢的匯聚

  • LLM 規模： 模型架構、運算與訓練資料的快速提升，使 LLM 能勝任複雜科學推理。
  • 基礎模型生態系： 專門針對化學、蛋白質摺疊與生物資訊的模型與 LLM 互補，支援外部設計與內部評估兩層迴圈。
  • 資料爆炸： 高通量實驗（單細胞 RNA‑seq、蛋白質組、抗體篩選）產生大量高品質資料供模型訓練。
  • 地緣政治壓力： 中國更快、更低成本的藥物發現管線迫使美國必須採用 AI 以保持競爭力。
  • 預測時間壓縮： 講者估計端到端藥物開發的實際上限可壓縮至約 5 年，隨著代理終點與更高效分子出現，仍有進一步縮短的空間。

5. 商業模式與價值捕捉

  • 工具導向的價值： 隨著 AI 工具變得更強大，因提升成功機率與降低成本，應能獲得更高的估值倍數。
  • 平台 vs. 藥物所有權： Anthropic 與 Shai 均聚焦於提供可擴展工具，而非自行開發專屬藥物；Anthropic 亦在濕實驗室沙盒測試基礎研究應用。
  • 潛在民主化： 降低門檻或使單人生技創業者能同時運行多個早期項目，最終可能被大型製藥公司收購。
  • 懷疑觀點： 兩位嘉賓皆指出純軟體工具公司面臨高執行風險；成功或取決於與濕實驗室基礎設施的緊密整合。

6. 未解決的挑戰與未來方向

  • 超越抗體： 將 AI‑驅動 CAD 擴展至小分子、分子膠與基因編輯等模式仍是未解決的研究課題。
  • 大規模目標發現： 建立系統化管線（如虛擬細胞擾動模型、族群規模遺傳學）以辨識數千個高品質目標。
  • AI 控制的濕實驗室： Anthropic 設想 Claude 能直接與實驗儀器介面（訂購試劑、控制反應器），完成回饋迴路。
  • 自動化藥物計畫的基準測試： 建立標準化指標以評估模型在管線各階段可推進的程度。

7. 研究人員與投資者的具體要點

  1. 預期在未來 2–3 年內，前臨床設計時間將縮短 2–3 倍， 主要來自零樣本分子生成。
  2. 關注 AI 驅動的試驗自動化（患者招募、資料收集），可削減 Phase I/II 幾個月的時程。
  3. 投資結合 LLM、領域專屬基礎模型與無縫實驗室整合的平台； 這類平台最有可能捕捉最大上行空間。
  4. 目標擁擠是瓶頸——能擴大可搜尋目標宇宙的 AI 將成為關鍵差異化因素。
  5. 法規與臨床代理指標（生物標記、替代終點）將成為實現完整時間壓縮的關鍵。

8. 結語

Anthropic 與 Shai Discovery 均將 AI 視為能將藥物發現從勞力密集、多年期的工作，轉變為快速、工程驅動的流程的催化劑。雖然根治所有疾病的最終目標仍遙遠，講者一致認為 AI‑驅動工具能在整個生命科學研發堆疊上提供數量級的加速，重新塑造生技產業的經濟與競爭格局。

Sources