Iambic 推出 Enchant：在研發早期預測藥物人體臨床表現

造一款新藥之所以要花幾十億美元，很大一部分原因在於很多致命缺陷要等到人體臨床試驗時才暴露出來。

美國聖迭戈的生物技術公司 Iambic Therapeutics 推出了一款名為 Enchant 的多模態 Transformer 模型。它的核心目標很明確：在藥物研發的最早階段，直接預測候選分子進入人體後的臨床表現。

用 5 種分子的資料，撬動臨床預測

新藥研發一直有一道天然的屏障。早期在實驗室裡做篩選，前臨床資料要多少有多少；但真正關乎成敗的人體臨床資料，不僅獲取難度極高，樣本量也少得可憐。

Enchant 試圖把這兩類資料打通。它是一個多模態 Transformer，能同時吃進幾十種來源的公有和私有資料。Iambic 的做法是把研發各階段產生格式各異、質量參差不齊的資料清洗並標準化，切成可以直接餵給模型訓練的 token 資料流。

根據 Iambic 釋出的白皮書，Enchant 的小樣本表現非常亮眼。即使只給它喂不到 1% 的 Obach 人體藥代動力學（PK）資料集——相當於只看 5 種不同分子的人體資料——模型依然能憑藉海量的前臨床實驗室資料給出有意義的預測。

而在喂入完整的 Obach 資料集後，Enchant 在預測人體藥代動力學半衰期上拿到了 0.74 的斯皮爾曼相關係數，遠超此前行業標杆的 0.58。

麻省理工學院（MIT）副教授 Connor Coley 評價，這種深度機器學習方法能讓科研人員在分子進入臨床試驗之前看清它在人體內的反應，從而大幅減輕傳統實驗的篩選負擔。

為什麼重要

AI 製藥喊了這麼多年，很多人最大的疑慮就是「算出來的分子一進人體就失效」。

藥代動力學（藥物在體內怎麼吸收、代謝、排洩）是決定候選藥能不能成藥的硬指標。如果 Enchant 的預測能力立得住，藥企就能在計算機裡提前淘汰那些註定會在人體試驗裡暴雷的分子，不用等到砸了幾千萬上億美元進臨床一期才認虧。這對研發團隊來說不僅省下幾年時間，也減少了早期臨床試驗志願者的試藥風險。

我們認為 Iambic 這次最聰明的地方，不是單純堆引數，而是解決了製藥領域資料割裂的老毛病。用海量廉價的溼實驗資料去反哺昂貴稀缺的人體資料，這種多模態 token 化的思路抓住了真正的痛點。

不過也要看到，跑贏 Obach 這種公開基準是一回事，真正管線裡的複雜全新分子又是另一回事。這個工具到底能不能打破臨床高失敗率的魔咒，還得看 Iambic 自家管線裡的候選藥物能不能順利走通全流程。