Iambic 推出 Enchant：在研发早期预测药物人体临床表现

造一款新药之所以要花几十亿美元，很大一部分原因在于很多致命缺陷要等到人体临床试验时才暴露出来。

美国圣迭戈的生物技术公司 Iambic Therapeutics 推出了一款名为 Enchant 的多模态 Transformer 模型。它的核心目标很明确：在药物研发的最早阶段，直接预测候选分子进入人体后的临床表现。

用 5 种分子的数据，撬动临床预测

新药研发一直有一道天然的屏障。早期在实验室里做筛选，前临床数据要多少有多少；但真正关乎成败的人体临床数据，不仅获取难度极高，样本量也少得可怜。

Enchant 试图把这两类数据打通。它是一个多模态 Transformer，能同时吃进几十种来源的公有和私有数据。Iambic 的做法是把研发各阶段产生格式各异、质量参差不齐的数据清洗并标准化，切成可以直接喂给模型训练的 token 数据流。

根据 Iambic 发布的白皮书，Enchant 的小样本表现非常亮眼。即使只给它喂不到 1% 的 Obach 人体药代动力学（PK）数据集——相当于只看 5 种不同分子的人体数据——模型依然能凭借海量的前临床实验室数据给出有意义的预测。

而在喂入完整的 Obach 数据集后，Enchant 在预测人体药代动力学半衰期上拿到了 0.74 的斯皮尔曼相关系数，远超此前行业标杆的 0.58。

麻省理工学院（MIT）副教授 Connor Coley 评价，这种深度机器学习方法能让科研人员在分子进入临床试验之前看清它在人体内的反应，从而大幅减轻传统实验的筛选负担。

为什么重要

AI 制药喊了这么多年，很多人最大的疑虑就是「算出来的分子一进人体就失效」。

药代动力学（药物在体内怎么吸收、代谢、排泄）是决定候选药能不能成药的硬指标。如果 Enchant 的预测能力立得住，药企就能在计算机里提前淘汰那些注定会在人体试验里暴雷的分子，不用等到砸了几千万上亿美元进临床一期才认亏。这对研发团队来说不仅省下几年时间，也减少了早期临床试验志愿者的试药风险。

我们认为 Iambic 这次最聪明的地方，不是单纯堆参数，而是解决了制药领域数据割裂的老毛病。用海量廉价的湿实验数据去反哺昂贵稀缺的人体数据，这种多模态 token 化的思路抓住了真正的痛点。

不过也要看到，跑赢 Obach 这种公开基准是一回事，真正管线里的复杂全新分子又是另一回事。这个工具到底能不能打破临床高失败率的魔咒，还得看 Iambic 自家管线里的候选药物能不能顺利走通全流程。