Stanford MS&E435：AI in Life Sciences——从分子设计到自动化湿实验室

来源：YouTube 原视频（Stanford Online · MS&E435）

本节课由 Stanford MS&E435 讲师 Apoorv Agrawal 主持，对谈嘉宾是 Anthropic 生命科学负责人 Eric Kauderer-Abrams，以及 Chai 的 Josh。讨论围绕三个层次展开：AI 如何设计分子、如何协调整条药物研发流程，以及如何真正连接湿实验室与临床开发。

阅读口径 时间、成本、产业趋势与未来能力均为课堂嘉宾的陈述或预测。本笔记忠实整理其观点，不构成医学、投资或药物研发建议。

TL;DR

• Chai 把自己定位为“分子的计算机辅助设计套件”，目标是减少抗体等药物设计中的反复试验，长期甚至希望从计算机直接生成接近可用的候选分子。
• Anthropic 希望让 Claude 承担生命科学研发的“外循环”：理解研究目标、调用专业模型、分析实验结果、处理临床与监管工作，并把能力真正嵌入科研人员的工作流。
• Eric 表示，一款药物从想法到获批上市通常需要约 10–15 年；瓶颈并非单点，而是分布在靶点、分子设计、临床试验、监管和制造等多个环节。
• 嘉宾认为当前行业存在“靶点拥挤”：全球每年进入临床阶段的净新增靶点据称只有约 30 个，而潜在靶点以数千计。AI 的价值不仅是更快设计分子，也包括发现更多靶点和提高药物效果量。
• “为什么是现在”来自多项技术同时成熟：大语言模型、分子基础模型、算力，以及单细胞测序、蛋白质组学等大规模生物数据。
• AI 不一定减少实验总量。Josh 预测可能出现杰文斯悖论：单次实验更有价值后，人们反而会做更多实验。Eric 看好的下一步是 AI 原生湿实验服务和“lab in a box”，让 Claude 直接控制实验流程。

00–05｜两条互补路线：分子模型与通用智能

• Eric 负责 Anthropic 的生物学与生命科学工作，目标是推动 Claude 在科研和药物开发中落地。
• Josh 早期在 OpenAI、Meta 从事生物 AI，随后加入 Chai。主持人把 Chai 描述为面向分子的 CAD 工具。
• Josh 解释，药物开发中的分子通常要经过大量试错：先找到初始 hit，再反复修改，满足效力、安全性、稳定性和可制造性等要求。
• Chai 的长期假设是，越来越多实验工作会迁移到计算机；未来可能直接生成接近临床要求的分子。Josh 同时强调，Chai 希望与药企生态合作，而不是自己制造绝大多数药物。

05–10｜Anthropic 的生命科学全栈

• Eric 回忆，Claude Sonnet 3.5 的能力跃迁让他看到通用模型已经能帮助排查实验失败、回应 FDA 反馈等实际问题。
• Anthropic 的目标覆盖基础研究、药物设计、临床开发、监管、制造转移和研发项目管理，而不仅是生成科学文本。
• 其思路包括两层：
  • 模型层：提升 Claude 在生物信息学、化学、结构生物学、临床和监管任务上的能力；
  • 产品层：为科研人员提供能理解蛋白质、小分子并调用专业计算模型的界面。
• Eric 提到类似 “Claude Code for bio” 的产品方向：通用模型负责推理与编排，Chai 一类专业模型负责具体分子计算。
• Anthropic 还建立湿实验室，但 Eric 后面澄清，其用途是测试和改进工具、加速基础研究，而不是由 Anthropic 自己开发并销售药物。

10–17｜一款药从想法到上市要经历什么

• Eric 给出的平均周期是约 10–15 年，少数最快案例约为 5–6 年。他强调，时间并不是被一个单独瓶颈消耗，而是分散在大约 5–10 个环节。
• 主要流程包括：
  1. 选择疾病、患者群体与生物靶点；
  2. 决定药物 modality，例如抗体、小分子或遗传药物；
  3. 在临床前阶段设计和优化候选药物；
  4. 固化制造过程并向 FDA 申请 IND，以启动人体试验；
  5. 完成以安全性、初步疗效和最终验证为重点的 I、II、III 期试验；
  6. 形成 FDA 审批所需证据，同时完成制造转移。
• Eric 称，从选定靶点到开始临床研究的临床前阶段历史上平均约四年，之后的临床与审批阶段约六至九年。
• 他认为 AI 在两边都有机会：临床前可减少分子设计迭代；临床阶段可改善患者招募、试验管理、记录处理和终点设计。

11–17｜靶点拥挤：药物创新的第一道限制

• Eric 表示，全球每年进入临床阶段的净新增靶点大约只有 30 个，而可探索的靶点可能以数千计；他用人类约 19,000 个基因说明潜在搜索空间的量级，但也说明并非每个基因都能成为有效靶点。
• 因为研发机构集中在少数熟悉靶点上，即使分子设计速度提高，疾病覆盖面仍可能受限。
• 因此 AI 的任务不只是围绕现有靶点设计更好的药，还要利用人类遗传数据、健康记录、虚拟细胞和细胞扰动模型发现更多高质量靶点。

17–20｜Chai 为什么从分子生成切入

• Josh 将药物开发抽象为两件事：临床前找到能调节疾病的分子；临床阶段证明它在人身上安全有效。
• 他认为更有效的分子会让后面的临床试验更容易：效果量更大，通常意味着更少受试者、更清晰的统计信号。
• Chai 目前聚焦分子生成，是因为这是能够影响后续多个环节的高杠杆入口。
• Josh 用代码生成类比“zero-shot drug discovery”：价值并非只把四年变为零年，也包括得到更好的药物，并服务目前缺少获批疗法的大量疾病。
• Eric 补充，即使做不到一次生成，一次模型生成若只需一轮实验验证、数周后得到候选药，也已是巨大进步。

20–25｜为什么是现在：模型、数据与外循环

• Josh 把变化归因于模型架构、算力、新数据集和产业试用意愿共同提升。
• Eric 将两类模型视为互补：
  • Chai 等生命科学基础模型负责生成和评价分子；
  • Claude 等大语言模型负责目标拆解、调用工具、分析实验并决定下一轮动作，即研发的“外循环”。
• 生物数据也在快速扩大：除传统测序外，还有单细胞测序、蛋白质组学和高通量抗体测量等技术。
• Eric 预计整个药物开发周期有清晰路径缩短到约五年，甚至数年，但也承认临床试验存在由生物过程决定的时间下限。
• 他提出两种缩短临床周期的方法：用更好的代理指标提前判断疗效；设计效果量更大的药，从而减少受试者数量。

25–30｜价值会留在药物，还是转向工具

• 传统生命科学投资通常把价值集中在最终药物及其现金流，工具公司的上限相对较低。
• Josh 的反方观点是：当 AI 工具能明显提高成功概率、降低成本和缩短周期时，采用工具的药企本身会更有价值，工具提供者也应获得更多价值。
• 但后面的回答揭示了张力：Eric 对“只向药企卖工具”的商业模式较谨慎，认为工具公司当然可以成功，但历史上这条路很难。
• 他认为，随着 AI 降低研发门槛，一个人或很小的团队可能管理多个早期药物项目，即所谓 pipeline in a person。工具公司与直接开发疗法之间的边界可能因此变化。
• Josh 认为 AI 不会简单消灭生物技术创业公司；创业公司需要围绕更复杂的能力和新的商业模式重新形成。

30–35｜尚未解决的核心问题

• 把抗体设计的进步扩展到其他 modality：抗体目前较成熟，但许多靶点并不适用抗体，小分子和新型药物形式仍需要从“炼金术式试错”走向工程学。
• 扩大高质量新靶点供给：通过虚拟细胞、细胞扰动模型、群体遗传数据与健康记录建立可规模化的靶点发现方法。
• 更复杂、更精准的药物：Josh 将分子结构模型比作原子尺度的显微镜；当研究者能更好理解蛋白质和药物的相互作用，就能设计比简单阻断单一靶点更复杂的机制。
• 在潜在“消费型药物”方面，嘉宾提到增加瘦体重和改善睡眠等方向，并以 GLP-1 从糖尿病走向肥胖市场作为类比。这些属于课堂中的商业判断，并非疗效建议。

35–38｜实验不会消失：可能出现杰文斯悖论

• Josh 看好药企和真实实验活动。他认为，模型让实验设计更好后，每次实验的投资回报率会上升，实验需求可能反而增加。
• 这就是他所说的实验室版杰文斯悖论：效率提升没有减少资源使用，而是带来更大规模的科学探索。
• 他不看好那些完全停留在软件层、但能力又不在前沿的方法；生命科学最终仍要回到物理世界完成实验和验证。

37–41｜让 AI 真正运行实验

• Eric 看好能让 Claude 执行实验的 AI-native wet lab 服务。目前 Claude 已能撰写 protocol、向合同研究组织（CRO）下单，并处理沟通流程。
• 他举出测序、材料制造等可通过网络标准化下单的服务，认为这些公司为 AI 接入现实实验提供了接口。
• 下一步是让模型直接连接实验仪器。这里既需要硬件，也需要软件、协议和通信层。
• 主持人把这个方向概括为“可编程化学”；Eric 描述的最终产品形态是 lab in a box：接入设备后，Claude 可以控制湿实验室。
• Josh 的相近设想是 autonomous drug programs：持续把前沿 agent 放到明确的药物研发 benchmark 上，直到产生可推进到市场的突破。

42–49｜问答：开发环节与规模效应

• 为什么大家谈 discovery 多、谈 development 少？Eric 认为，发现阶段的问题更直观；开发阶段更多是运营、连接和流程问题，看起来不够“前沿模型化”。
• 他列出的临床开发机会包括：智能选择试验地点、加快患者招募、自动化试验监控与电子数据录入，以及通过更好的药物和终点设计提高成功率。
• 关于更大训练规模，Eric 区分了两类进步：每一代模型的渐进提升，以及达到某个规模后突然出现的新能力。他以模型开始理解蛋白质为例说明后者。
• Josh 对 zero-shot 生物设计保持乐观但没有把它当成确定事实。他承认某些目标可能做不到，不过随着数据集和算力扩大，许多任务看起来更像“何时实现”，而不是“能否实现”。
• 最后，两人强调发现阶段反馈更快：设计并测试分子可能数周得到结果，而临床试验需要更长时间，因此当前 AI 进展更集中在 discovery。

核心框架

这场讨论可以压缩成一个双层闭环：

1. 数字闭环：通用模型提出计划 → 专业生物模型设计分子 → 计算评价与选择；
2. 物理闭环：湿实验执行 → 数据返回模型 → 更新设计 → 推进临床与监管。

真正的产业突破取决于这两个闭环能否连接，而不只是某一个模型在 benchmark 上得分更高。

来源与转写

• 视频：https://www.youtube.com/watch?v=nWKiJHKIZfo
• 主字幕：YouTube 人工英文 CC，平台轨道代码 en-j3PyPqV-e1s
• 工作底稿：/workspace/yt-nWKiJHKIZfo/transcript.txt
• Whisper 曾作为字幕失败后的临时 fallback 执行；找到人工字幕的真实轨道代码后，最终笔记改以人工字幕为准。