全球学者看生物技术的未来：需要国家层面的医疗数据收集与利用体系
基于人工智能（AI）的新药开发竞争已从分子设计转向患者和临床等人类医疗数据的获取。然而，国内缺乏支持这一过程的医疗数据和利用体系，因此必须建立国家层面的数据收集与联动基础，以便AI新药能够真正转化为治疗效果。◇ "分子设计是创意与GPU的竞争，下一步是医疗数据"石教授将AI新药开发分为分子设计和治疗效果预测及验证两个阶段。他指出，在分子层面，数据不再是决定性变量。他表示：“在分子层面的建模中，数据的种类和规模在模型之间并没有显著差异。”他提到，AlphaFold也使用了与之前竞争组相似的公开数据，而现在AI生成的蒸馏数据也扮演着重要角色。他进一步指出：“当前阶段的分子设计更接近于创意和计算资源（如GPU）的竞争，而非数据竞争。”问题在于下一步。要预测设计的物质是否对实际患者有效，需要细胞、组织和人体层面的数据。石教授强调：“这一领域尚未达到AI模型能够主导整个行业的阶段，要进一步发展，必须有国家级的数据体系作为支撑。”他认为，要挑战现有方法无法治疗的疾病，数据融合是必不可少的。石教授表示：“Galax目前正在将分子设计技术应用于生物学上已验证的疾病和靶点，要创造出以往方法无法实现的新疗法，仅凭分子层面的数据是不够的，还需要生物数据与医疗数据的AI融合。”石教授认为，AI新药的潜力已经开始实现。他预测：“采用从零开始（de novo）设计的抗体已经进入新药开发阶段，未来几年内将有相当数量的候选物质能够转化为新药。”AI带来的变化不仅发生在新药开发领域，还在几乎所有科学技术领域中出现。因此，石教授认为，与其集中支持特定领域，不如支持AI在科学技术的广泛传播。在人才培养方面，他指出：“必须筛选出各学科中必需教授的核心知识，重新设计融合课程，以培养既懂AI又精通专业领域的‘双手人才’。”◇ 斯特法诺普洛斯："AI与自动化结合将推动代谢工程的飞跃，解决方案在现场"开创代谢工程领域的美国麻省理工学院（MIT）教授斯特法诺普洛斯在此次学术大会上进行了关于未来生物技术发展方向的演讲。在随后的记者会上，他展望了AI与自动化结合将推动生物制造的飞跃。当被问及“像AlphaFold一样，代谢工程是否也能实现AI驱动的飞跃”时，他表示：“这还需要观察，但AI与自动化结合可能会带来重大进展。”他进一步解释：“通过机器人测试各种候选物，并利用这些数据不断重新训练机器学习模型，设计、构建和测试的循环将大部分实现自动化。”他补充道：“可以从已知领域出发，逐步扩展到数据不足的领域。”这种变化可能会出现在菌株性能改进、代谢工程以及药物候选物设计等方面。然而，他对AI将如何改变整个行业持谨慎态度。他表示：“AI带来重大变化的可能性很高，但在哪个领域首先发生仍然难以预测。”他认为，新药开发是一个潜力巨大的领域，因为这里存在许多未满足的医疗需求。斯特法诺普洛斯教授还强调了现场专家的作用。他指出：“在生物精炼工艺的氢化阶段或高分子的解聚阶段，AI的应用没有通用解决方案，各领域的专家必须根据自己的工艺进行探索。”他补充道：“计算机科学家与生物专家之间存在明显的差距，需要努力理解彼此的基本原理。”此次以“AI STAR（AI集成可持续转型以促进先进稳健生物技术）”为主题的学术大会邀请了国内外顶尖专家，广泛讨论生物技术（BT）领域的主要议题。国际会议的主要议题包括融合生物工程、生物工厂基础的可持续航空燃料（SAF）生产技术、细胞微环境控制的技术与应用等。国内会议则包括各分委员会主办的会议，以及基于数字转型的细胞培养工程、温室气体减排生物技术、针对下一代癌症治疗的细胞与基因工程及精准传递技术、蛋白质纳米笼工程、可持续生物资源全生命周期评估（LCA）、基于AI的生物制造研讨会等。※ 本报道经人工智能（AI）系统翻译与编辑。
2026-10-03 02:08:00
