药物研发卡住的根源不是审批太严，而是临床前看不见毒性
Isomorphic Labs 的判断是：药物成本飙升主要来自临床阶段的失败，而失败根源在于临床前根本看不到毒性——大鼠毒性测试对人类的预测力只有约三成。
原视频在 YouTube 上放不出来，用音频听：
核心论点 · 点时间戳可跳到原声
新药审批数量停滞，知识却在爆炸式增长
Max 的对话伙伴指出，过去几十年论文数量涨了十到二十倍，新药模态（抗体、小分子、蛋白、肽）种类不断增加，但每年新药审批数量基本持平。与此同时成本从几百万美元涨到15亿美元，周期从八九年拉长到15年，每一项指标都在变差。Max 认为根本原因是整个行业仍然依赖一种古老的经验驱动流程：先假设一个分子设计，再去现实世界里反复试错验证，而生物学和分子设计的空间都是高维、组合爆炸式的巨大，经验试错只能找到低垂的果实。
— Max Jaderberg目标是让模型达到「实验级精度」而不是加速实验
Isomorphic 内部团队的北极星不是把湿实验做得更快，而是干脆把药物设计工作搬到计算机上。Max 用 AlphaFold 举例：结构预测原本要做数月到数年的 X 射线晶体学实验，如果模型能达到实验级准确度，就完全不需要再进现实世界验证。团队内部的所有排行榜都标注着一条「实验准确度」基准线，一旦模型跨过这条线，现实世界的工作就从「用来学习迭代」变成「用来验证」，进入真实世界的轮次因此大大减少。
— Max Jaderberg临床阶段才是药物失败和成本高企的真正源头
对谈双方拆解了15年、15亿美元的时间线：小分子发现和体外阶段其实只占两三年、约五千万美元，剩下绝大部分时间和费用都砸在临床阶段。Max 解释，这是因为很多问题——意外毒性、脱靶效应、或者分子打中了靶点却仍对身体有负面影响——只有在真正把药物用到患者身上时才会暴露出来，之前的动物模型和体外实验根本看不到这些问题，所以真正能降低失败率的机会，是在进入患者之前就获得更多这类理解。
— Max Jaderberg不依赖公开数据库，自己生成专有数据
Max 指出，公开或制药行业内部积累的数据大多是多年「被动收集」的副产品，本质上是带偏差的，不利于训练追求泛化能力的通用模型。因此 Isomorphic 选择自己生成所需的数据分布，而不是单纯依赖现成的大型数据库，他提到这样做之后在模型训练上观察到了「非常惊人的数据规模定律」(data scaling laws)。
— Max Jaderberg大鼠毒性测试对人类的预测力只有三成
监管要求的毒性金标准是先在大鼠等动物身上证明药物无毒，但即便通过了动物测试并获批，药物进入人体后依然经常出现毒性。Max 直言这是因为大鼠根本不是人，这项「金标准」对人类临床毒性的预测准确率大约只有三成，他半开玩笑地说如果自己团队的 AI 模型只有30%准确率，他会要求工程师「做得更好一点」。他认为应该把体外实验、AI 预测模型，以及类器官、器官芯片这类能模拟人体组织微环境的新实验技术结合起来，直接对「人类临床毒性」建模，绕开动物模型这个用了五六十年却并不可靠的代理指标。
— Max Jaderberg多药联用卡在安全工程，而非生物学理解
对谈提到 HIV 和癌症治疗中常见的「鸡尾酒疗法」思路——肿瘤内部存在一个突变谱系，单一药物容易被癌细胞「绕过」演化出来，必须同时压制多个靶点才能根治。但 Max 解释现实中很少这样做，是因为现有分子往往本身就有毒性，或者对肝脏有影响，多种药物同时使用时会产生有害的药物相互作用。换句话说，限制联合用药的不是对生物学机制理解不够，而是现有分子工程精度不够、做不到既精准又安全，一旦能把分子设计得更精细、更干净，就有机会针对一整个复杂生物通路的多个靶点同时下手。
— Max Jaderberg风险容忍度因病情而异，不是统一的安全标准
针对「监管过度强调安全是否拖慢药物研发」的提问，Max 承认患者安全必须始终放在中心位置，但风险容忍度本身是动态的：新冠疫情期间因为疾病足够普遍和危险，社会对加速审批的需求和接受度发生了明显变化；同样，晚期癌症且无其他选择的患者，和慢性低风险病症的患者，对风险的接受程度也完全不同。他认为最终目标是让患者尽快用上更好的治疗，而不是用一刀切的安全标准去衡量所有疾病场景。
— Max Jaderberg延长寿命不够，晚年质量同样是药物该解决的问题
讨论老化与寿命时，Max 提出即便攻克癌症和心脏病这类大病，衰老本身仍会带来一系列慢性问题的累积——骨骼和肌肉退化、摔倒后活动能力下降，进而拖累心理健康和生活质量。他强调即使人活到八九十岁，人生最后十到二十年也未必过得好，所以行业需要同时从两个方向发力：既要治疗具体致命疾病来延长「寿命」，也要攻克衰老本身的根本机制来延长「健康寿命」。
— Max Jaderberg原话 · 已逐字校验
The large part of the industry makes medicines is this very empirically driven process.
这个行业做药的大部分方式，仍然是一种非常依赖经验试错的流程。
Max Jaderberg0:00
Where things really fail is in the clinic because we never could see the problems until we get to the point where we put these drugs in patients and we say, oh no, like there's toxicity that we didn't account for.
真正失败的地方是在临床阶段，因为在把药用到患者身上之前，我们根本看不到这些问题——然后才发现，糟糕，有一些我们没预料到的毒性。
Max Jaderberg0:00
a rat isn't actually a human. It's not actually very predictive. I think, you know, choose your study, but it's about 30% predictive of human clinical tox, like in a rat.
大鼠终究不是人类，它其实预测力并不强。看你引用哪项研究，但大鼠对人类临床毒性的预测力大概只有30%。
Max Jaderberg20:53
if one of my, like AI scientists or engineers came up to me and said, hey, we've got this amazing model, it's 30% predictive. You're like, okay, maybe do a bit better than that.
如果我的某个 AI 科学家或工程师跑来跟我说，我们做了一个很棒的模型，它的预测准确率是30%，我的反应会是：好吧，你最好能做得比这更好一点。
Max Jaderberg20:53
I'd be really disappointed if we fast forward, you know, even five years time, if we don't have the base tools, like the predictive understanding of disease biology has not stepped change in like a massive way.
如果快进五年之后，我们还没有那些基础工具——疾病生物学的预测性理解没有发生巨大的跃迁式提升，我会非常失望。
Max Jaderberg34:26
even if people live to a lovely long age of 80 or 90, like, they, maybe the last, like, 10 years of their life or even 20 years of their life isn't necessarily as great as it could be.
即便一个人活到了八九十岁这样令人羡慕的长寿年纪，他人生最后的十年、甚至二十年，也未必过得像本可以的那样好。
Max Jaderberg35:42
数字与实体
| 单个新药平均研发成本（现在） | 15亿美元 | 6:09 |
| 单个新药平均研发周期（历史→现在） | 从8-9年拉长到15年 | 6:09 |
| 大鼠毒性测试对人类临床毒性的预测准确率 | 约30% | 20:53 |
术语
- AlphaFoldAlphaFold
- DeepMind 的蛋白质结构预测模型，被 Isomorphic 视为「生物学可被深度学习模型泛化」的第一个证明
- organoids / organs on a chip类器官/器官芯片
- 用合成人体组织模拟器官微环境的新实验技术，用于替代动物毒性测试
- CRO (contract research organization)合同研究组织
- 制药公司外包实验工作的第三方机构，质量参差不齐
收听指南
关注 AI 制药、生物技术投资或药物研发流程的创业者和投资人，想了解 AI 到底能改变药物研发哪一环节。
开场1-5分钟关于 Max 个人履历和如何加入 DeepMind 的部分信息量较低，可以跳过。