站在一般用户的视角来看，现阶段人工智能最看得见，摸得着的便是以ChatGPT为首的生成式人工智能工具。而在之外，
不过，笔者近期在整理资料时发现，作为目前AI领域的天选之子，NVIDIA英伟达近期频繁出手投资，除了与之业务强相关的芯片制造和云服务领域，自7月来更是参与了4起医疗健康领域的投融资，足以体现其对相关领域的重视与积极布局的姿态。
而在AI快速渗透入医疗健康领域，尤其是制药领域之后，新的矛盾也开始出现了。笔者近期请教了有关人工智能与器官芯片结合研究的专家，来和大家一同探讨医药领域的新机会。
以药物研发来说，一款药物从研发到上市的流程大概是这样：药物发现、临床前研究、临床试验、审批获准后上市。
在药物发现阶段，针对特定疾病的药物往往需要优先确认靶标，也就是药物实际作用的目标点。此后再针对性的发开元体育现先导化合物，除了自然界天然存在的物质之外，还包括对已有药物进行改进。
最近，谷歌DeepMind的创始人、首席执行官Demis Hassabis博士以及John Jumper博士获得了被誉为诺奖风向标的2023拉斯克奖。其主要成就在于发明了预测蛋白质三维结构的革命性技术——AlphaFold。
长期以来，从氨基酸序列到对应蛋白质三维结构的预测问题被认为是生物学领域最具有挑战性的问题之一。而人类已知的蛋白质序列何其繁多，能够还原出来的确只是其中少数，在加上实验方法成本高，时间久，限制了生物医药行业的发展。而这样复杂且繁琐的工作，正好是AI的用武之地。
而采用AI技术的AlphaFold仅基于蛋白质的基因序列，就能预测蛋白质的3D结构，而且结果比以前的任何模型都要精确。
Demis Hassabis博士在接受媒体采访时提到，希望药物发现过程能够在计算机中完成大部分研究，再以实验室用作验证，而不是通过实验来寻找化合物，因为这样的速度要慢得多。
完成了初步的药物发现之后，就进入到临床前研究环节。其中涉及药代动力、药物安全、毒理的研究常常会用到动物实验，最为常见的便是小鼠。
然而，这样的实验有诸多问题。江苏运动健康研究院人工智能研发总监丁彦先生说：一是基于动物模型的实验通量（一定时间内的实验样本量；笔者释）很低——小鼠的饲养需要时间。二是动物跟人本就有种属差异，很多人类的病症是动物没有的。
正因为种属差异，动物实验最终会聚焦到猴子猩猩等非人灵长类，因为它们与人的基因组最为接近。
在今年9月中旬，国药集团旗下益诺思在上海证券交易所科创板IPO（首次公开募股）首发过会，拟募资16亿元人民币。其服务业务就涵盖生物医药早期成药性评价，非临床研究以及临床检测及转化研究三大板块。
而实验用猴正是益诺思开展业务的主要原材料。招股书显示，2020-2022年，公司涉及使用实验用猴的业务产生的收入分别为1.17亿元、2.6亿元和 4.1亿元人民币，占主营业务收入的比例分别为 35.12%、44.77%和 48.00%。
同时，根据不同的试验长度和复杂性，动物试验的费用约为美元。在此前新冠大流行期间，由于进出口野生动物受阻，而生物医药产业对实验猴的需求却又更多，在此背景下，实验猴价格曾一度涨到20多万元每只，涨幅近10倍。
笔者最早听闻器官芯片这个词，还以为是类似马斯克Neuralink做的脑机接口那种在人体植入电子芯片的技术。
2013年，北京大学邓宏魁教授带领的干细胞再生医学研究团队用4个小分子化合物的组合把成年鼠身上已经长成的表皮细胞成功逆转为具有无限分化潜能，被誉为生命起点的全能干细胞。
这项研究的意义堪称非凡，意味着人类可以将成体细胞逆转成干细胞后，再通过基因编辑等技术培养出不同的组织细胞。这样通过干细胞培养分化的2D细胞模型、类器官是纯粹的人类模型，几乎没有种属差异。
只是这类模型依旧不完美。不管是人体还是动物的机体，内部都是有微环境的，像空气、重力、血液流动等等，类器官的培养是不考虑这些的。
而器官芯片技术则是利用微流控技术在一块芯片大小的基板上呈现出微环境，比如在器官细胞的周围加上流通的血管，模拟出器官真实的周边环境。在此基础上实验得来的数据往往更具实际参考价值。
人工智能可以参与到器官芯片研究的前后丁磊表示，人工智能既可以帮助器官芯片的设计和基底材料筛选，实验数据产生后会由人工智能进行分析和处理，得出的结论再反哺给器官芯片的设计做出指导。
一方面，器官芯片实验产生的数据依赖人工智能的筛选和分析能力，另一方面，人工智能也能凭借器官芯片快速产生的大量数据得到更好地训练，两者相辅相成。
与互联网行业类似，限制器官芯片或者说AI辅助药物研究进一步发展的，同样是数据，但又有些许不同。
虽然一定程度上，器官芯片解决了动物模型的差异问题，但基于个体的差异还是存在的，比如人种、生存环境等等。公开的医疗数据比较有限，而且同样有限制，比如说美国的数据，美国人跟中国人基因组也是有差异的，还会涉及到生物安全的问题等等。
丁彦以现在国内发展迅猛的新能源车举例：同样都是车，欧美燃油发动机经营了上百年，像动物实验、细胞实验也是一样，形成的数据壁垒非常高。但器官芯片不一样，国内相比国外的差距并不大，大家都是在做底层数据的积累，恰好它又提供了一种新型的数据工厂。
NVIDIA在去年提到过，生物医药行业的AI平台搭建，欠缺数据和算力。尤其是面对数十亿级别的测序数据，虚拟筛选等的训练，算力远远不够。
Demis Hassabis表示：我的梦想是，如果我们是正确的并且能够实现另外六个AlphaFold级别的突破，我们可以将药物研发所需的时间减少一个数量级，也许是成本和时间，并且在下一阶段获得更高的成功率。而要拥有充足的算力支撑，就不得不考虑到资本问题。
Demis Hassabis和他的团队曾思考过这样一个问题——如果从人工智能优先的角度进行药物发现，将会是什么样子的？而不是作为附加组件（辅助手段；笔者释）。
在我的印象中，在传统制药里人工智能都是可有可无的（nice-to-haves）。化学家完成实际的试验工作后，计算科学家才在模型中再次确认计算结果。我们想从头开始重新思考这一点。这对大型制药公司来说很难做到，因为他们几十年来的工作方式根深蒂固。
丁彦同样认为单从资本的角度讲，大家都会觉得应该是老牌的企业先走出来，但是从实际的效果讲，还真不一定。现在很多小公司就是做出一款产品后，让大公司来收购，这是他们的盈利模式。
而AI在生物医药领域同样具备广阔的应用前景，无论是通过数据分析进行化合物的快速筛选测算，还是以计算机视觉为代表的图像检测分析，都是极具前瞻性的应用。而AI发展最为需要的数据资源也因器官芯片的出现而被补足。
丁彦认为：随着器官芯片技术的成熟，我个人觉得会是一个打通化学式结构与人体中的真正效果关系的一个数据载体，未来可能会通过这个载体产生大量的高通量快速、低成本的人源性数据，这些数据能够指导化合物结构跟药跟药效之间的这种关系。
最后，非常感谢丁彦先生的帮助，作为生物医药与人工智能跨领域的研究者，他的诸多观点为本篇内容的创作提供了支撑。
