藥物研發卡住的根源不是審批太嚴，而是臨床前看不見毒性
Isomorphic Labs 的判斷是：藥物成本飆升主要來自臨床階段的失敗，而失敗根源在於臨床前根本看不到毒性——大鼠毒性測試對人類的預測力只有約三成。
原視頻在 YouTube 上放不出來，用音頻聽：
核心論點 · 點時間戳可跳到原聲
新藥審批數量停滯，知識卻在爆炸式增長
Max 的對話夥伴指出，過去幾十年論文數量漲了十到二十倍，新藥模態（抗體、小分子、蛋白、肽）種類不斷增加，但每年新藥審批數量基本持平。與此同時成本從幾百萬美元漲到15億美元，週期從八九年拉長到15年，每一項指標都在變差。Max 認為根本原因是整個行業仍然依賴一種古老的經驗驅動流程：先假設一個分子設計，再去現實世界裡反覆試錯驗證，而生物學和分子設計的空間都是高維、組合爆炸式的巨大，經驗試錯只能找到低垂的果實。
— Max Jaderberg目標是讓模型達到「實驗級精度」而不是加速實驗
Isomorphic 內部團隊的北極星不是把溼實驗做得更快，而是乾脆把藥物設計工作搬到計算機上。Max 用 AlphaFold 舉例：結構預測原本要做數月到數年的 X 射線晶體學實驗，如果模型能達到實驗級準確度，就完全不需要再進現實世界驗證。團隊內部的所有排行榜都標註著一條「實驗準確度」基準線，一旦模型跨過這條線，現實世界的工作就從「用來學習迭代」變成「用來驗證」，進入真實世界的輪次因此大大減少。
— Max Jaderberg臨床階段才是藥物失敗和成本高企的真正源頭
對談雙方拆解了15年、15億美元的時間線：小分子發現和體外階段其實只佔兩三年、約五千萬美元，剩下絕大部分時間和費用都砸在臨床階段。Max 解釋，這是因為很多問題——意外毒性、脫靶效應、或者分子打中了靶點卻仍對身體有負面影響——只有在真正把藥物用到患者身上時才會暴露出來，之前的動物模型和體外實驗根本看不到這些問題，所以真正能降低失敗率的機會，是在進入患者之前就獲得更多這類理解。
— Max Jaderberg不依賴公開數據庫，自己生成專有數據
Max 指出，公開或製藥行業內部積累的數據大多是多年「被動收集」的副產品，本質上是帶偏差的，不利於訓練追求泛化能力的通用模型。因此 Isomorphic 選擇自己生成所需的數據分布，而不是單純依賴現成的大型數據庫，他提到這樣做之後在模型訓練上觀察到了「非常驚人的數據規模定律」(data scaling laws)。
— Max Jaderberg大鼠毒性測試對人類的預測力只有三成
監管要求的毒性金標準是先在大鼠等動物身上證明藥物無毒，但即便通過了動物測試並獲批，藥物進入人體後依然經常出現毒性。Max 直言這是因為大鼠根本不是人，這項「金標準」對人類臨床毒性的預測準確率大約只有三成，他半開玩笑地說如果自己團隊的 AI 模型只有30%準確率，他會要求工程師「做得更好一點」。他認為應該把體外實驗、AI 預測模型，以及類器官、器官芯片這類能模擬人體組織微環境的新實驗技術結合起來，直接對「人類臨床毒性」建模，繞開動物模型這個用了五六十年卻並不可靠的代理指標。
— Max Jaderberg多藥聯用卡在安全工程，而非生物學理解
對談提到 HIV 和癌症治療中常見的「雞尾酒療法」思路——腫瘤內部存在一個突變譜系，單一藥物容易被癌細胞「繞過」演化出來，必須同時壓制多個靶點才能根治。但 Max 解釋現實中很少這樣做，是因為現有分子往往本身就有毒性，或者對肝臟有影響，多種藥物同時使用時會產生有害的藥物相互作用。換句話說，限制聯合用藥的不是對生物學機制理解不夠，而是現有分子工程精度不夠、做不到既精準又安全，一旦能把分子設計得更精細、更乾淨，就有機會針對一整個複雜生物通路的多個靶點同時下手。
— Max Jaderberg風險容忍度因病情而異，不是統一的安全標準
針對「監管過度強調安全是否拖慢藥物研發」的提問，Max 承認患者安全必須始終放在中心位置，但風險容忍度本身是動態的：新冠疫情期間因為疾病足夠普遍和危險，社會對加速審批的需求和接受度發生了明顯變化；同樣，晚期癌症且無其他選擇的患者，和慢性低風險病症的患者，對風險的接受程度也完全不同。他認為最終目標是讓患者儘快用上更好的治療，而不是用一刀切的安全標準去衡量所有疾病場景。
— Max Jaderberg延長壽命不夠，晚年質量同樣是藥物該解決的問題
討論老化與壽命時，Max 提出即便攻克癌症和心臟病這類大病，衰老本身仍會帶來一系列慢性問題的累積——骨骼和肌肉退化、摔倒後活動能力下降，進而拖累心理健康和生活質量。他強調即使人活到八九十歲，人生最後十到二十年也未必過得好，所以行業需要同時從兩個方向發力：既要治療具體致命疾病來延長「壽命」，也要攻克衰老本身的根本機制來延長「健康壽命」。
— Max Jaderberg原話 · 已逐字校驗
The large part of the industry makes medicines is this very empirically driven process.
這個行業做藥的大部分方式，仍然是一種非常依賴經驗試錯的流程。
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.
真正失敗的地方是在臨床階段，因為在把藥用到患者身上之前，我們根本看不到這些問題——然後才發現，糟糕，有一些我們沒預料到的毒性。
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.
大鼠終究不是人類，它其實預測力並不強。看你引用哪項研究，但大鼠對人類臨床毒性的預測力大概只有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.
如果我的某個 AI 科學家或工程師跑來跟我說，我們做了一個很棒的模型，它的預測準確率是30%，我的反應會是：好吧，你最好能做得比這更好一點。
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.
如果快進五年之後，我們還沒有那些基礎工具——疾病生物學的預測性理解沒有發生巨大的躍遷式提升，我會非常失望。
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.
即便一個人活到了八九十歲這樣令人羨慕的長壽年紀，他人生最後的十年、甚至二十年，也未必過得像本可以的那樣好。
Max Jaderberg35:42
數字與實體
| 單個新藥平均研發成本（現在） | 15億美元 | 6:09 |
| 單個新藥平均研發週期（歷史→現在） | 從8-9年拉長到15年 | 6:09 |
| 大鼠毒性測試對人類臨床毒性的預測準確率 | 約30% | 20:53 |
術語
- AlphaFoldAlphaFold
- DeepMind 的蛋白質結構預測模型，被 Isomorphic 視為「生物學可被深度學習模型泛化」的第一個證明
- organoids / organs on a chip類器官/器官芯片
- 用合成人體組織模擬器官微環境的新實驗技術，用於替代動物毒性測試
- CRO (contract research organization)合同研究組織
- 製藥公司外包實驗工作的第三方機構，質量參差不齊
收聽指南
關注 AI 製藥、生物技術投資或藥物研發流程的創業者和投資人，想了解 AI 到底能改變藥物研發哪一環節。
開場1-5分鐘關於 Max 個人履歷和如何加入 DeepMind 的部分信息量較低，可以跳過。