医疗AI的下一个5年

Anthropic的CEO Dario Amodei, 最近写了一篇 Machines of Loving Grace, How AI Could Transform the World for the Better 文章. 标题来自美国作家Richard Brautigan的一首诗 All Watched Over By Machines Of Loving Grace. 这首诗描绘了乌托邦式自然与科技和谐共存的画面，传达了一种希望与可能性的感觉. Dario Amodei也是借着这首诗, 表达了AI接下来5-10可能改变人类生活的巨大潜能.

我一直是AI 乐天派，作者的观点带给我很多启发。我想结合作者的观点，聊聊 AI 在生物健康领域, 能给我们带来的变化，以及身处这股科技浪潮中的我们，如何抓住这些机会。

生物健康可能是人类最关心的领域, 因为这个领域直接关系人类的生活质量, 健康水平, 和生老病死。但现在仍有许多疾病没有被根除，比如各种癌症, 糖尿病, 艾滋病, 如何有效治疗这些疾病仍然是巨大的挑战。

将AI直接应用于生物医学时，面临很多挑战. AI模型的基础就是大量高质量的训练数据, 而获得这样的生物医学数据往往面临很多挑战.

真实世界物理过程限制。比如细胞培养、动物实验往往需要较长的时间，因为细胞的扩增传代和动物生长需要时间, 这些实验可能需要几天, 甚至几个月或数年. 我在中科院遗传所的时候, 有师兄师姐研究植物育种, 需要种植拟南芥, 这是一种模式生物常被用在植物学研究中. 而拟南芥的种植和培养往往都是以月来计算, 因此一轮时间需要几个月才能看到结果, 而一个研究课题可能需要反复经历失败, 因此跨越一年甚至多年的多轮实验是很常见的. 因此想要获得特定领域的生物数据, 周期是十分漫长的, 这样限制了大量数据的获取.

生物系统的内在复杂性. 生物是一个极其复杂的系统, 仅仅看一个简单的细胞, 里面每时每刻都在发生着各式各样的生物化学反应, 无数的生物分子在发生作用, DNA被转录成RNA, RNA被翻译成蛋白质, 这里面每一个生物化学通路, 在我大学所学的教科书上可能就是整整一个章节, 而且细胞随环境变化, 这些生化反应也在发生变化, 这就是为什么人类身体在摄入淀粉后, 细胞会通过一系列生物化学通路自动调节血糖浓度.

因此想要把某个特定生物效应隔离出来, 并且采集对应的数据是非常困难的, 因为生物系统过于复杂, 动一发而牵全身, 没法仅仅改变一个特定生物效应而控制其它所有变量. 即使分子生物学中常用的knock-out实验, 即完全移除某个基因, 观察产生的结果, 也不是完全意义上的单变量控制法, 因为移除某个基因不可避免对整个生物系统造成很大扰动, 有可能该基因移除导致另外基因表达的改变, 而这些基因才是性转改变的罪魁祸首. 所以生物学研究很多时候是通过间接方式推测生物体背后的原理. 因此收集直接反映因果关系的数据, 是十分困难的.

最近高通量的方法被广泛用于生物医疗领域, 如质谱, 高通量测序，这些海量数据的获取大大加速了生物医学的研究和应用. 但这些数据往往存在很多噪音. 并且也受到生物系统的内在复杂性的限制.

基于 “垃圾进，垃圾出”的原理, 许多生物学家仍然认为 AI 的应用范围有限，通常只能在特定的情况下有所作为, 那些能获得大量高质量数据的领域, 比如最近获得诺贝尔化学奖的 AlphaFold.

但 AI 的潜力真是如此有限吗？难道我们只能袖手旁观，无所作为吗？面对如此巨大的科技潜力，我们应当积极探索其可能带来的变革，而不是两手插兜,保持观望的态度?

Dario Amodeige给我最大的启示就是我们作为"人类"生物学家, 需要有思考范式的转变.

我们不应该把 AI 仅仅当做一种像计算器那样的简单工具，而应该利用AI作为虚拟生物学家助手，帮助执行所有生物学家做的任务，设计和运行实验，发明新的生物学方法或测量技术等。就像钢铁侠里面的人工智能虚拟助手, Jarvis, 帮助 Tony Stark 完成各种复杂任务, 从设计和完善想法到制造时间穿梭机, 帮助复仇者联盟回到过去拯救人类.

因此，我们需要应用 AI 在整个生物医学研究过程中, 利用 AI 来执行、指导并改进生物学家的所有工作。比如使用 AI 来进行实验、引导研究方向，并提升生物学研究的效率和效果，以加速生物学的发展。

回顾近几年生物医学的发展，有许多重大进展，例如我之前的研究领域, 高通量测序技术的飞速发展。从第一代测序技术（Sanger测序）到第二代测序（高通量测序），再到第三/四代测序（单分子实时测序），这些技术在基因组研究中起到了重要作用，不仅显著提高了测序速度和准确性，还降低了成本。

这些测序技术在临床中的应用也越来越广泛。例如：

肿瘤基因检测：通过基因组测序，医生可以识别癌症患者体内的基因突变，从而为患者制定个性化的治疗方案。

遗传病筛查：高通量测序可用于新生儿筛查，以检测可能导致遗传疾病的基因突变，帮助及早干预和治疗。

无创产前检测（NIPT）：通过对母体血液中胎儿游离 DNA 的测序，能够准确检测胎儿的染色体异常风险，减少侵入性检测带来的风险。

感染病原体检测：通过基因测序，可以快速识别感染患者体内的病原体类型，帮助医生制定更精确的治疗方案。

药物基因组学：测序技术也用于研究个体对药物的代谢差异，从而制定个性化的药物治疗方案，减少不良反应并提高疗效。

但是回过头看, 第一代 Sanger 测序技术于 1977 年被首次提出，距今有四十多年的发展历史。生物测序技术的发展是一个漫长而复杂的过程，从第一代的基础研究到如今第三代的高效测序，这些技术的成熟经历了许多年的不断改进和创新。

再比如, mRNA 疫苗技术最早于 1990 年被提出，经过了数十年的发展才达到今天的应用水平。这一技术的发展经历了长期的探索、验证和改进，最终在新冠疫情期间实现了广泛应用，体现了科学进步的漫长过程和积累的重要性。

那我们是否能利用强大的 AI，将这些重大进展的速度提高 10 倍，将未来 50-100 年的生物学进展"压缩"到5-10 年？

如果将老的范式:

Human only researcher

转变为

AI + human researcher

答案是完全可能的, 这有以下几个原因:

生物医学研究中存在大量重复的体力工作, 比如抽质粒, 养细胞, 再到跑DNA电泳胶等. 而且有很多工作需要多次的尝试. AI完全可以将人类科学家从这些体力工作中解放出来, 投入到更多的有创造性的脑力工作中.

AI承载了海量的人类知识, 单个生物学家无法掌握AI那样的广泛知识, 并且可能并没有AI那样善于寻找知识之间的联系, 挖掘数据中潜在的内在规律. AlphaFold已经证明，在解决某些重要问题上，AI 的表现远胜于人类科学家花费了几十年精心设计模型。

这是一个真实的故事：4岁男孩Alex被一种罕见的疾病困扰了三年，母亲带着Alex看了新的儿科医生、小儿内科医生、成人内科医生和肌肉骨骼医生等。最终，Alex看过的医生多达17位，可以说几乎踏遍了能想到的所有科室，甚至被送入急诊，但依旧未能确诊。最终，母亲抱着试一试的态度将他的症状输入了ChatGPT，ChatGPT成功地给出了“脊髓栓系综合征”的诊断建议. 随后母亲带着这一结论和Alex的MRI报告找到了神经外科医生。这次终于是找对人了，神经外科医生看了一眼MRI就给出了和ChatGPT一样的结论，并指出了栓系的具体位置。随后，Alex接受了手术治疗，慢慢康复中。这一经历展示了ChatGPT作为知识助手的强大之处，能够连接和整合大量人类的长尾知识，从数据中寻找人类因为知识盲点而忽略的问题, 帮助解决传统诊断中被忽视的复杂问题。

随着硬件发展, AI计算速度会不断呈指数级提高, 曾经因计算资源受限而无法解决的问题, 都变成可能. 比如，对复杂生物系统的模拟，可以通过 AI 的帮助实现更精确、更大规模的仿真。复杂生物系统的动态变化通常包含了数不清的变量，这些变量相互作用形成了一个庞大的网络。通过 AI 技术，我们可以模拟这些生物化学反应，预测不同环境下系统的反应行为，从而更深入地理解生物系统的运行机制。这种能力不仅能够帮助科学家们找到解决方案，还能推动新疗法和技术的研发，从而造福医疗行业。比如，AI 可以模拟肿瘤对不同药物的反应，预测在使用不同治疗方案时肿瘤的生长或缩小情况。这种技术可以帮助医生更快地选择最佳的治疗方案，减少传统“试错”过程的时间和成本，提高患者的治疗效果和生活质量。同时，这种对药物反应的模拟还能帮助研发新药，通过更快地筛选出有潜力的药物来加速药物的上市过程。

AI 的大规模并行计算使得许多原本需要大量时间和精力的人类尝试和试错过程变得更加高效。AI 可以同时进行多个实验，通过并行处理和优化算法，减少重复的试验次数和失败的成本，从而大大缩短研究的周期。例如，在药物研发中，AI 可以同时测试数百种化合物的效果，以找出最有效的候选药物。这种并行计算的能力极大地加速了科学发现和技术进步，推动了医学、农业、材料科学等多个领域的发展。

因此, 在接下来的10年, AI加持下, 生物医疗领域完全有可能出现更多的重大技术突破或者发现.

比如，新一代的测序技术正在迅速发展，使得快速获取个人基因信息成为可能。这些技术的进步为精准医疗奠定了基础，特别是在个性化癌症治疗方面，医生可以根据患者的具体基因特征制定专属的治疗方案。这种精细化的治疗方式，不仅提高了疗效，还能有效减少不必要的副作用，真正让“对症下药”成为现实。通过对肿瘤基因突变的精确分析，医生能够在早期阶段更好地判断癌症类型，从而选择最佳的治疗路径，让癌症治疗更具针对性和个体化。

再比如，未来十年，随着新一代 CRISPR 基因编辑技术的不断发展，遗传疾病的治疗有望成为现实。这项技术的进步不仅能够精准地修复导致遗传疾病的基因缺陷，还可能大幅提升基因治疗的安全性和效率，让许多过去无法治愈的疾病得到有效的解决。CRISPR 的广泛应用将为医学界带来革命性的变化，使得个性化基因治疗不再只是理论上的设想，而是切实可行的临床手段，为无数患者带来新的希望。

再比如，mRNA 疫苗技术近年来的迅速发展，使得预防大部分传染病成为可能。通过 mRNA 技术，我们能够快速设计和生产针对特定病毒的疫苗，这种方式极大地缩短了疫苗研发的时间。在新冠疫情期间，mRNA 疫苗的成功应用证明了这一技术的巨大潜力和灵活性，不仅提升了疫苗的有效性，还为应对未来潜在的新型病原体奠定了基础。未来，随着 mRNA 技术的不断完善，我们有望看到更多针对不同传染病的高效疫苗，这将显著改善全球公共卫生状况。

那么，我们如何才能在这波 AI 浪潮中站稳脚跟，抓住它带来的机遇？

我们需要保持一个开放的心态, 主动学习 AI 技术，理解它的基本原理和应用场景，培养跨学科的思维能力，这样才能在未来的工作和生活中更好地利用 AI，为我们的专业领域注入新的动力。无论是科学研究、医疗健康，还是其他行业，AI 都正在不断改变着我们的世界。我们每一个人都应该保持开放的心态，积极拥抱 AI 时代的到来，成为这一波浪潮中的积极参与者，而不是旁观者。

如果你像我一样, 是生物医疗领域的从业者，我们需要积极拥抱 AI + 人类合作的新思维范式，适应这种转变，将 AI 技术融入到我们的日常研究和工作中，以推动生物医学的创新和发展。这意味着我们不仅要掌握 AI 技术的基本操作，还要深入理解其原理，探索 AI 在生物研究中的各种应用可能性。通过这种融合，我们可以从繁琐的日常工作中解放出来，将更多的精力投入到创造性和战略性的任务中，从而大幅提升工作效率和科研产出。未来的生物医疗创新，将越来越依赖于 AI 的辅助，而那些能够率先适应和引领这种转变的研究者，将在下一代科学突破中占据主导地位。因此，培养 AI 思维、跨学科能力以及与 AI 合作的能力，是每一个生物医疗从业者在未来十年中需要重点发展的方向。