人体组织、纵向临床结局和多模态数据为寻找跨疾病可迁移信号的新平台提供了基础。
Network Bio近日宣布获得5000万美元融资，用于扩展围绕大规模人类生物学数据集构建的AI平台。该平台将患者来源的组织、成对血样与分子信息及纵向临床结局相结合。投资方包括Section 32、Thiel Bio、Founders Fund、Breyer Capital、Blue Venture Fund和JSL Health Capital。
这家总部位于帕洛阿尔托（Palo Alto）的生物科技公司正在开发针对特定疾病的模型，旨在支持个性化医疗。其研究网络依托于包括麻省总医院布莱根医疗集团（Mass General Brigham）、宾夕法尼亚大学（University of Pennsylvania）和科罗拉多大学安舒茨分校（University of Colorado Anschutz）在内的多家学术生物样本库。尽管Network Bio并非一家严格意义上的长寿公司，但其致力于探究代谢、心血管、免疫等多种疾病中共享生物学的努力，使其平台非常贴近衰老生物学（geroscience）的核心问题：当我们不再把慢性病简单视为孤立的终点，而是视为随时间推移生物学变化的重叠表现时，我们能从中学到什么？
Network Bio或许不会将自己描述为一家衰老生物学公司，但拒绝让人类生物学被整齐地划分进各种疾病大小的盒子中，这种做法具有鲜明的衰老生物学色彩。毕竟，衰老是一个热忱的「壁垒打破者」——代谢功能障碍、心血管疾病、免疫失调和其他慢性病在数十年间不断累积并相互作用，往往在获得独立的诊断标签之前很久，就已经共享了相同的生物学机制。因此，Network Bio提出的设想中最吸引人的地方，与其说在于AI能够在海量数据集中找到规律——这种把戏如今已经屡见不鲜——不如说在于这些数据集将患者组织、血液、分子信息以及纵向临床结局结合起来，从而有可能让模型探究哪些生物学信号能够跨越组织、疾病和时间持续存在。对衰老生物学而言，这至关重要：该领域的大部分前景都寄托于识别出先于多种年龄相关疾病出现并促成这些疾病的过程，然后进行足够早的干预，以改变疾病轨迹，而不仅仅是治疗其后果。如果Network Bio能够将真正可迁移的生物学特性与由数据规模、异质性和技术噪声产生的相关性区分开来，此类模型将有助于填补长寿研究中最顽固的鸿沟之一——机制洞察与有意义的人类预防之间的距离。当然，这里的关键在于「如果」；一个大型生物学图谱可以提供一张极其详细的地图，但医疗健康的改变只有在我们发现哪些道路值得走时才会发生。
构建生物学底层
Network Bio的研究网络旨在解决生物医学AI中一个常见的问题：数据在各个机构内部可能非常丰富，但收集、处理和注释上的差异使得数据整合变得极其困难。在衰老研究领域，这一点比大多数领域都更为重要，因为异质性——随着年龄、暴露史、疾病负担和治疗史而产生的不同轨迹——本身就是信号，而不是需要被平均掉的噪声。
Network Bio联合创始人兼首席执行官阿萨德·阿里·艾哈迈德博士（Asad Ali Ahmad, PhD）表示：「每个患者都在其组织中留下了疾病的条码，直到现在，还没有人能够大规模地解读这些条码。通过与全美顶尖学术医疗中心的生物样本库合作，我们构建了能够解读这些条码的网络。随后，我们构建了一个AI平台，它已经在从未接受过训练的病症中找到了信号。这就是医学的未来。」
跨疾病学习
Network Bio表示，其架构不打算为每种适应症设计单独的计算系统，而是旨在学习能够跨疾病、跨组织和跨数据模态迁移的生物学原理。该平台将生物样本库网络与它所称的「生物原生AI」（bio-native AI）结合起来，旨在解释技术混杂因素并生成疾病生物学的可解释表征。该公司指出，发表在包括《自然·机器智能》（Nature Machine Intelligence）在内的同行评议期刊上的论文证明了这种方法在公司外部同样经得起检验；已发表的工作包括呼吸系统疾病，并在卵巢病和骨病领域开展了进一步研究。
这种雄心不仅限于创始团队。Section 32管理合伙人兼Network Bio董事会主席迈克·佩利尼（Mike Pellini）表示：「Network Bio的不同之处在于，它将学术医疗中心生物样本库网络与专为医学构建的AI架构结合在了一起。该公司没有逐个疾病地构建模型，而是在构建通用医学智能（General Medical Intelligence），它每回答一个新的生物学问题，能力就会变得更强。」这是一个精炼的说法，用以概括其底层主张——但该主张本身仍需要像任何其他主张一样接受严格审查；泛化能力必须在独立人群和临床审查中经受住考验，才能配得上这个称号。
Network Bio已经与一家未具名的财富100强顶级医疗保健公司达成了一项价值超过3000万美元的共同开发和许可合作。这种规模的商业兴趣是一张意味深长的信任票——尽管它本身并不等于临床验证；真正的考验还在前方，即模型的信号最终能否改善诊断、疗法开发或患者分层。
联合创始人哈尼·古达尔齐博士（Hani Goodarzi, PhD）和拉斐尔·波特（Raphael Potter）将这一挑战归结为将数据获取与数据解释相结合。「我们建立Network Bio的信念是，AI和数据掌握着改善人类状况的钥匙。我们一直孜孜不倦地专注于双重使命：一是获取能够解释疾病的组织数据集，二是构建能够解释复杂结果的AI系统，」他们说道。
从信号到轨迹
对于健康长寿而言，更长期的机遇在于上游。如果多模态模型不仅能将分子变化与疾病状态联系起来，还能与随后的临床轨迹联系起来，它们将有助于识别看似健康的生物学何时开始走向病理状态，以及在何处进行预防干预最为有效。
这仍然是一段相当漫长的转化征程。然而，随着衰老生物学越来越多地从编目机制转向改变人类的临床结局，绘制出生物学如何在时间、组织和疾病中展开的更好图谱，或许不仅是这段征程的附属品，更将成为道路本身的一部分。
📎 来源：Longevity Technology