与 Isomorphic Labs 总裁 Max Jaderberg 一起推动 AI 驱动的药物发现Powering AI-Driven Drug Discovery with President of Isomorphic Labs Max Jaderberg

播出信息

• 日期：2026-11-12
• 时长：2355 秒（39 分 15 秒）
• 节目：No Priors
• 嘉宾：Max Jaderberg，Isomorphic Labs 总裁、创始团队成员
• 音频：收听本集
• YouTube：观看本集
• Episode：单集视频页面；未提供独立 Episode 页面链接
• 英文转写来源：youtube-captions

背景

药物发现通常要经历靶点研究、分子设计与测试、临床前研究，以及人体临床试验。计算模型已能帮助处理其中一些问题，但「预测蛋白质结构」与「预测一种药物对患者是否安全、有效」相距甚远：后者还涉及细胞、器官、疾病机制和个体差异。

Jaderberg 曾在 DeepMind 从事深度学习研究。他说，AlphaFold 在生物学问题上的表现，让团队相信可以把更强的预测能力用于药物发现；Isomorphic Labs 因而在约 2021 年成立。本集讨论的核心，是这种能力究竟能替代多少昂贵、缓慢的现实试错，又该如何证明它确实改善了患者结局。

总结分析

这集谈话从一个制药业悖论切入：科学知识、可用药物形式和研发投入都在增长，新药研发却仍然漫长、昂贵。Jaderberg 给出的解释不只是行业保守，而是方法本身受限——面对高度复杂的生物系统，研究者往往必须先制造分子，再通过一轮轮实验筛选；每个项目积累的经验，也未必容易迁移到下一个项目。Isomorphic Labs 想改变的是这套知识生产方式：让跨项目数据训练出的模型预测疾病机制、分子性质和潜在风险，使研发经验可以持续复用。

不过，主持人不断把讨论拉回最难的一关：真正昂贵的失败常发生在人体临床阶段。即使模型能准确预测结构或实验室读数，也不能据此断言它能预测人的毒性与疗效。Jaderberg 因此提出更贴近人体的实验终点，并谈到自建数据、类器官、器官芯片和自动化实验室；这些手段与计算模型互补，却没有消除临床验证的必要。商业上，公司选择自用模型开发药物，同时经营自有管线与药企合作项目，而非出售模型调用能力。

全集最有分量的承诺，也最需要后续证据：如果预测能力足够好，团队可以少做一些低价值的现实迭代，把实验更多用于验证精心筛选的假设。但谈到首个临床试验时，Jaderberg 没有给出日期；谈到大多数癌症何时可治时，他也没有给出期限。他提出的是未来五年工具能力应出现跃升的期待，而不是患者疗效已经实现跃升的结论。

节目结构 / 议程

1. 从 DeepMind 到 Isomorphic Labs — 01:24 🎧 · ▶️
2. 制药业的停滞与难以累积的经验 — 05:23 🎧 · ▶️
3. 跨学科团队如何避免追逐错误指标 — 11:49 🎧 · ▶️
4. 「搬到计算机上」究竟意味着什么 — 14:35 🎧 · ▶️
5. 真正昂贵的失败发生在临床 — 17:20 🎧 · ▶️
6. 自建数据，而不是照单全收历史数据 — 19:31 🎧 · ▶️
7. 从动物毒性测试转向更贴近人体的终点 — 20:30 🎧 · ▶️
8. 哪些能力自建，哪些交给外部合作 — 22:50 🎧 · ▶️
9. 自动化实验室与自有药物管线 — 23:57 🎧 · ▶️
10. 癌症、免疫与炎症：从重点领域寻找共通机制 — 27:19 🎧 · ▶️
11. 联合用药、安全风险与临床时间表 — 29:21 🎧 · ▶️
12. 从延长寿命转向延长健康寿命 — 35:42 🎧 · ▶️

分节详解

1) 从 DeepMind 到 Isomorphic Labs — 01:24 🎧 · ▶️

💬 他们说了什么：Jaderberg 回顾了自己从计算机视觉、深度学习走向生物学的经历。在 DeepMind 参与早期生成模型、强化学习等研究后，AlphaFold 的成果让团队看到：深度学习模型有可能在有意义的生物学问题上泛化。Isomorphic Labs 约于 2021 年成立，以独立团队汇集 AI、化学和生物学人才。

💡 为什么重要：这里的起点不是「已有一款 AI 药物」，而是一个研究判断：既然模型能够处理某些复杂生物学问题，就值得为更广泛的药物发现建立专门的平台、数据和组织。

⚡ 争议点：蛋白质结构预测的成功，不能直接外推为疾病机制、人体毒性和临床疗效都可预测。各问题需要分别验证。

2) 制药业的停滞与难以累积的经验 — 05:23 🎧 · ▶️

💬 主持人称，新药年度批准数量大致持平，而单药研发成本已到约 15 亿美元、耗时约 15 年；他还提到，相关论文数量增长约 10—20 倍。Jaderberg 认为，传统方法高度依赖「提出假设—制造分子—现实测试」的循环。容易发现的药物逐渐被找到后，剩下的问题更复杂；药企又常把每款药当成相对独立的项目，难以让一次研发系统性地加速下一次研发。

💡 平台价值不只在缩短单次筛选时间，更在于把不同项目的实验结果转化为可迁移的疾病与分子设计知识。如果做不到这一点，项目做得更多，也未必形成研发上的规模效应。

⚡ 主持人提出监管、组织官僚化等其他解释。Jaderberg 承认文化因素，却主要强调科学方法和学习无法充分复用；谈话没有量化各因素对成本与周期的贡献。

3) 跨学科团队如何避免追逐错误指标 — 11:49 🎧 · ▶️

💬 Jaderberg 说，前沿 AI 与药物发现的交叉领域还很新，难以直接招聘大量兼具两端经验的人才。公司的做法是分别吸纳优秀的 AI 研究者及生物、化学专家，再促成内部协作。他认为，在某些核心建模项目中，主持人提出的约 5 名机器学习人员配 1 名领域研究者的团队比例，与实际情况颇为接近。

💡 领域专家不仅提供术语解释，更要判断数据是否可靠、评测指标是否对应真正的制药目标；否则模型可能在容易测量的代理指标上进步，却没有提高造药能力。

⚡ 这一比例只是访谈中的团队经验，不是所有研发阶段的人员配置标准。临床、实验、监管和生产任务需要不同结构。

4) 「搬到计算机上」究竟意味着什么 — 14:35 🎧 · ▶️

💬 Isomorphic Labs 的长期目标，是尽可能在计算机中完成疾病理解和药物设计。Jaderberg 以 AlphaFold 辅助结构预测为例，说明可靠模型有机会减少原本耗时数月乃至更久的实验工作。他说内部模型评测会以「实验准确度」为参照线，期待先充分进行计算设计，再制造和测试候选分子。

💡 这与单纯提高湿实验室吞吐量不同：前者希望减少必须进入现实世界的试错次数，后者主要让每轮现实试错更快。两种路径可以互补。

⚡ 「达到实验准确度」必须说明是哪项实验、何种样本和适用范围。某项测试中的准确性，不等于模型已能替代整条药物研发链，更不等于无需人体临床试验。

5) 真正昂贵的失败发生在临床 — 17:20 🎧 · ▶️

💬 主持人估算，在约 15 年、15 亿美元的研发过程中，早期分子与体外工作可能只占 2—3 年、约 5000 万美元，大量时间和成本位于后续阶段。Jaderberg 强调，总成本被高失败率放大，而重大失败往往到患者入组后才暴露：药物可能有未预见的毒性、击中其他靶点，或靶点本身并未带来预期疗效。

💡 若 AI 只让早期分子生成更快，却不能改善进入临床的候选药物质量，整体研发效率未必明显提高。最有价值、也最难实现的进步，是更早识别将在人体内失败的原因。

⚡ 主持人的阶段成本拆分是谈话中的粗略估计，不能视为不同药物类别、疾病和企业都适用的统一账本。

6) 自建数据，而不是照单全收历史数据 — 19:31 🎧 · ▶️

💬 Jaderberg 说，公司既使用现有数据，也主动生成数据。他认为，公开数据库和药企多年积累的记录，常是既有研发活动的副产品，可能集中于曾被研究的分子、靶点和实验条件；若目标是让模型泛化，所需的数据分布未必与这些存量数据一致。他表示，自建数据已呈现令人鼓舞的扩展规律。

💡 训练集不仅决定模型「看过多少」，也决定它「没看过什么」。主动设计实验可以针对知识空白取样，而非不断复制既有研发的选择偏差。

⚡ 访谈没有给出数据规模、实验设计、扩展曲线或独立测试结果；「令人鼓舞」仍是受访者对内部工作的描述。

7) 从动物毒性测试转向更贴近人体的终点 — 20:30 🎧 · ▶️

💬 主持人指出，在小鼠中有效的抗癌药物不一定能转化为人的疗效。Jaderberg 则称，动物毒性结果对人类临床毒性的预测能力有限，并以约 30% 的说法举例。他建议结合体外检测、AI 模型、类器官、器官芯片和人工人体组织，寻找更直接指向人类临床毒性的预测终点。

💡 问题不只是用更强的模型预测旧指标，而是检查旧指标本身是否值得预测。如果动物实验与人体结果的相关性有限，改进模型也需要同时改进验证它的实验体系。

⚡ 「30%」未在节目中对应明确研究、毒性定义或统计口径，不能作为动物实验总体预测能力的定论。新型人体相关模型同样需要证明其对真实临床结局的预测效度。

8) 哪些能力自建，哪些交给外部合作 — 22:50 🎧 · ▶️

💬 Jaderberg 表示，药物设计引擎及其 AI 模型由公司内部开发，公司也重视自有数据；但实验生物学技术范围广、专业分工细，因此数据生产可结合内部工作、合同研究组织（CRO）和其他创新公司的平台。

💡 这是一种选择性垂直整合：把模型及学习能力留在内部，同时利用外部实验专长。平台是否有优势，取决于外部产生的数据能否保持质量、标准一致，并顺利反馈到模型。

⚡ 节目没有披露不同数据来源的比例、质量控制流程或合作条款，因此无法判断外部依赖会在多大程度上影响速度与可重复性。

9) 自动化实验室与自有药物管线 — 23:57 🎧 · ▶️

💬 Jaderberg 认可自动化实验室能缩短反馈周期，也说公司已与这类实验室合作；但化学反应、细胞培养终究需要现实时间，所以他的目标仍是减少必须靠现实实验迭代的次数。到 26:22，他进一步说明商业模式：公司不出售或授权模型，也不按模型调用量销售，而是用内部引擎开发药物；项目既有自有资金支持的管线，也有与药企、生物技术公司合作的项目。

💡 技术路线与商业路线在此相连。若模型的收益主要体现在更好的候选药物上，那么药物研发成果，而非模型调用量，才是公司希望捕获的价值。

⚡ 现实实验不能只承担形式上的「最后验证」；面对新机制和未知风险，实验结果仍可能推翻模型，并反过来提供关键学习信号。

10) 癌症、免疫与炎症：从重点领域寻找共通机制 — 27:19 🎧 · ▶️

💬 公司的内部项目较侧重肿瘤学、免疫学和炎症；Jaderberg 同时称，底层设计引擎追求跨疾病、靶点类别和药物形式的通用性。他希望找到能影响多个下游适应症的共通机制，并以癌症中的 RAS 相关靶点说明：重要机制可能已被认识多年，真正设计出有效药物仍极困难。

💡 从具体疾病切入，可以让团队积累实验与开发经验；追求底层模型的通用性，则是其跨项目复用知识的核心假设。

⚡ 一个模型在多类任务上可用，不等于在每种疾病和药物形式上同样准确。访谈也未提供这些内部项目的临床结果。

11) 联合用药、安全风险与临床时间表 — 29:21 🎧 · ▶️

💬 主持人以 HIV 治疗和肿瘤变异为例，追问多药联合的潜力。Jaderberg 认为，单药的毒性、肝脏影响和药物间相互作用会限制安全组合；若分子设计更精准，未来或可同时调节多个靶点。到 32:17，面对「是否过度强调安全」的提问，他强调患者安全是核心，但晚期癌症与轻度慢性疾病的风险承受度不同。到 34:26，他没有给出首个临床试验的确定日期；面对「何时能治疗 80% 的人类癌症」的问题，也没有作出时间预测，而是希望未来 5 年疾病生物学预测和低毒性分子设计工具出现大幅进步。

💡 联合用药把 AI 设计能力推向更复杂的任务，也凸显安全性不是研发之外的限制，而是决定一种治疗方案能否真正使用的设计条件。

⚡ 更精准的单个分子，不自动保证多药组合安全；相互作用、剂量与患者差异仍需验证。「五年工具跃升」是愿景，不是「五年治愈多数癌症」的承诺。

12) 从延长寿命转向延长健康寿命 — 35:42 🎧 · ▶️

💬 主持人追问，解决癌症和心脏病之外，能否直接干预衰老。他提到某些动物模型中，改变特定基因可使寿命增加 20%—30%，部分线虫实验甚至出现约 3 倍寿命变化。Jaderberg 将话题落到「健康寿命」：即使活到 80 或 90 岁，最后 10 至 20 年也可能因骨骼、肌肉和行动能力退化而生活质量下降。他认为应同时研究具体疾病与身体系统退化的根源。

💡 衡量药物价值不能只看死亡时间是否推迟，也要看新增年份是否健康、独立、有生活质量。

⚡ 动物的寿命延长幅度不能直接外推至人。节目没有提出一种已获临床验证、可使人类显著延寿的干预方案。

人物与机构

• Max Jaderberg：Isomorphic Labs 总裁、创始团队成员；曾在 DeepMind 从事机器学习研究。
• Isomorphic Labs：以 AI 模型辅助药物发现的公司；访谈中称其同时开展自有管线和合作项目。
• DeepMind／AlphaFold：Jaderberg 职业经历及其谈及的生物学模型案例；AlphaFold 的成果是团队建立 Isomorphic Labs 的重要信心来源之一。
• Alphabet：主持人在节目开头提到的 Isomorphic Labs 重要支持方。
• 合同研究组织（CRO）：可承接实验研究的外部机构，是公司数据生产合作网络的一部分。

金句

以下为依据英文转写所作的意译。

• 「问题真正暴露出来，往往是在临床：直到药物进入患者体内，我们才发现此前没有预见的毒性。」——Max Jaderberg
• 「怎样把药物发现、药物设计以及对疾病生物学的理解，都带到计算机上？」——Max Jaderberg
• 「我们仍必须进入现实世界验证；问题是，能把在现实世界中试验和迭代的时间减少多少？」——Max Jaderberg
• 「患者安全始终是核心，但不同适应症的患者，面对风险时会有不同的承受度。」——Max Jaderberg

洞见与延伸背景

「实验准确度」是起点，不是终点。 模型能否替代某项测量，首先取决于它在独立样本和适用条件下能否稳定重现该测量；而该测量能否代表患者受益，是另一道更难的验证关口。把这两道问题分开，才能避免把模型评测进步误读为临床进步。

联合治疗会放大设计与验证的复杂度。 多个药物可能覆盖不同靶点或耐药途径，但也会带来相互作用及更多剂量组合。因此，更强的分子设计能力若能降低单药风险，将扩大可探索的组合空间；它却不能省去对组合本身的研究。

健康寿命让「成功」的定义更完整。 对慢性病和衰老相关问题而言，死亡率之外，行动能力、日常独立性与生活质量也是重要结局。选择什么结局来训练和评估模型，会影响研发最终优化的目标。

争议与需核实

1. 行业成本和周期：节目中的「15 亿美元、15 年」及阶段成本拆分属于讨论用估计；需按药物类别、统计方法及是否计入失败项目分别核对。
2. 动物实验约 30% 的预测力：缺少对应研究与指标定义；不同毒性类型、物种和实验方案不宜合并成单一准确率。
3. 自建数据的扩展规律：公司未在访谈中提供数据量、测试集、对照组或可供独立复核的结果。
4. 跨疾病通用性：模型目标覆盖多类疾病和药物形式，但各任务上的实际表现仍须分别证明。
5. 研发进展与时间表：Jaderberg 提到在研药物和临床团队建设，却未宣布首个临床试验日期，也未预测何时能治疗 80% 的癌症。
6. 节目中的历史与市场类比：主持人提及药企市值、青霉素开发史等例子，均未在谈话中附来源；不宜据此直接推导当前监管的影响。

行动建议

• 评估 AI 制药公司时，先问模型改善的是哪一环：实验读数、候选药物质量，还是人体临床成功率；不要把三者混为一谈。
• 阅读模型成果时，查清训练数据来源、独立验证方式、适用范围，以及评测终点与患者结局的距离。
• 观察后续进展时，重点跟踪候选药物进入临床后的安全性、疗效和跨项目可复用性，而非只看生成分子的数量。
• 讨论研发提速时，同时提出风险问题：哪些实验可以减少，哪些患者安全验证绝不能省略。

来源

• 本集 YouTube 视频及英文字幕（youtube-captions）
• 本集音频
• 本文议程时间依据提供的官方章节；分节内容依据英文转写整理。未提供独立 Episode 页面链接。