行业聚焦| 通过AI获得更好的药物？Insitro首席执行官谈机器学习可以给大型制药公司带来什么

为什么药物研发如此困难？

我认为药物发现的难题在于，我们试图干预一个我们仅仅略懂其运作的复杂系统。在过去的15到20年里，药物研发的几次成功，都是当我们对这个系统有了足够的理解，才能真正设计出与之契合的干预方案。

因此，Insitro的其中一个目标，就是揭示异质性疾病背后的复杂性，找到新的干预方式，这些方式可能并不适用于整个群体，但或许能帮助其中的某一部分人。通过这种方式，我们能够更精准地识别出针对特定患者群体的治疗假设。我认为，这正是行业在成功上所面临的真正瓶颈。

像Eli Lilly这样的公司雇佣了成千上万的医学科学家和研究人员。你们的技术能做什么？是这些专家无法做到的？

人工智能革命的同时，另一个较为悄无声息的变革在悄然发生，那就是我所称之为“定量生物学”的革命——即以前所未有的精准度来衡量生物系统。现在，我们能够以更精确的技术，测量像蛋白质和细胞这样的生物系统，获得日益精细的测量结果。

然而，当你将这些数据交给一个人时，他们的眼睛往往会开始迷离，因为即使是最优秀的科学家，也无法在短短的时间内，观察并理解所有细胞的变化，或从这些图像中发现细微的差异。人的感知能力毕竟有限，无法捕捉到这些微妙的变化。

这就导致了一个问题：你得到的只是一个过于简化的视角，面对的是一个极其复杂、多维的系统。而这一系统，恰恰是要揭开患者之间差异、找出真正能带来改变的干预点的关键所在。

你是如何对这个领域产生兴趣的？

我的博士学位是计算机科学，但在1998年或1999年，我开始涉足将机器学习应用于生物医学问题的领域。那个时候，机器学习能够解决的问题，说实话，实在是缺乏吸引力。你能从分类垃圾邮件与非垃圾邮件的数据集中，找到多少灵感呢？我当时在寻找一些更有深度、更富挑战性的问题。我踏入这个领域并不是因为我特别想成为一名生物学家，而是因为我渴望找到那些更具技术挑战性的问题。然后，随着我逐渐深入探索，我开始真正对生物学产生了兴趣。

Insitro公司同时雇佣计算机科学家和医学研究人员。在让这两个群体合作时，是否曾出现过文化冲突？

这大概是我们作为一个组织所取得的最重要成就之一。你可以将两边最顶尖、最有善意的科学家放在同一个房间里，结果他们可能就像在用泰语和斯瓦希里语交流，彼此完全无法理解。作为工程师，你会寻找那些最强大、最一致的模式，这些模式能够让你对大多数细胞或个体做出预测。而作为生命科学家，你很多时候其实是在寻找那些例外，因为正是这些例外，可能是通向新发现的线索。因此，我们在组织内部引入了许多文化和结构性元素，帮助团队成员之间以开放、建设性和相互尊重的方式进行合作与交流。