AI制药破局：华源智因如何用虚拟细胞重构临床预测范式

全球生物医药行业正面临着前所未有的效率瓶颈。每年超过两万亿元的研发总投入中，高达四千亿资金消耗在临床阶段的失败损失上。Nature杂志的研究数据揭示了一个残酷现实：86%的新药在临床折戟的根源，在于小鼠、猴子等动物模型与人类生理机制之间存在无法跨越的物种鸿沟。尽管人工智能技术被寄予厚望，但当前大多数AI制药企业仍扎堆于药物发现的早期环节，如靶点挖掘或分子结构生成，这些工作仅覆盖了研发总成本的10%左右。它们擅长“造钥匙”，却无法回答最核心的命题：这把钥匙在真实人体的“锁”上能否转动？

在这一行业断点中，华源智因（GENESIGHT）选择了一条更为硬核且艰难的路径。这家成立于2024年的AI生命科学原生企业，于近期完成了数千万元种子轮融资，由水木创投领投。资金将主要用于数据、模型和临床三大核心壁垒的建设。华源智因的核心逻辑并非简单重复传统的AI CRO模式，而是试图重构药物研发的评价体系。其创始人杜润诗曾指出，药企相比发现更多分子，更关心的是哪个分子值得投入昂贵的临床成本。华源智因的目标，是在药物进入大规模临床前，通过模拟人体细胞反应，精准预测药效，从而成为药物研发行业的“金标准”。

传统虚拟细胞模型的构建往往依赖标准化的细胞系数据，这类数据虽便于高通量实验，却缺失了真实患者个体特征，难以反映疾病微环境的复杂性。华源智因认为，虚拟细胞的天花板不在于模型参数的规模，而在于数据的真实性与多样性。为此，公司独创了一套三级递进式数据体系：底层基于单细胞和多模态基础数据，解决“如何描述细胞”；中层引入基因和药物扰动数据，模拟“药物进入后的变化”；顶层则依托真实患者用药前后的组织样本，构建药效反馈闭环。这种从体外拟合到体内对齐的策略，旨在消除实验室数据与临床现实之间的偏差。

技术层面的突破是这一逻辑落地的关键。华源智因正在自研首个高通量单细胞跨模态测序技术UniOme。传统测序技术因破坏细胞结构，导致无法在同一细胞内同时获取DNA、RNA和蛋白等多层信息，只能依赖不同细胞数据的拼接，从而引入巨大噪声。UniOme技术通过在细胞制备与测序流程上的创新，实现了同一细胞内多层信息的严格对齐。这就像不再仅用“体重”描述一个人，而是同时记录身高、肤色、发型等多维度特征。对于AI模型而言，这种数据维度的提升比单纯扩大参数量更具价值，为模型提供了更丰富的生物学解释空间。

在此基础上，华源智因开发了药物扰动智能平台Wise-Perturb。该平台将候选化合物的多维编码与目标细胞的测序数据输入模型，进行虚拟扰动，预测全转录组层面的表达变化，并计算药效评分。测试数据显示，Wise-Perturb在关键预测指标上较国际公开模型提升了40%至130%，在私有大规模数据集中，差异表达基因预测误差降低了约41.77%。更关键的是，该平台具备强大的泛化能力，能够实现跨药物、跨细胞、跨患者的零样本精准预测，无需针对新场景重新训练即可保持高精度。

临床验证是检验AI模型价值的终极考场。华源智因已与多家超一线三甲医院建立深度合作，围绕真实患者样本建立专病、专模型的数据闭环。在中国医学科学院肿瘤医院的合作案例中，团队基于肺癌患者用药前的样本数据和药物分子结构，预测后续药效排序。模型输出的疗效分层结果，与临床医生在真实治疗队列中的观察高度吻合。此外，在DS-8201药物响应预测测试中，模型基于PDX样本数据推理，其预测结果与体内药效实验高度一致，展示了在新适应症和新人群中的零样本泛化潜力。

这些临床验证不仅意味着指标的提升，更指向了具体的商业落地场景。首先是临床患者分层，联合三甲GCP临床试验中心，为多个治疗队列和药物管线提供精准入组建议，提高试验成功率并降低成本。其次是模型能力变现，通过药物重定位和靶点筛选服务，绑定药企及跨国药企（MNC）客户。最后是数据平台合作，通过自动化测序扩充高质量训练数据，反哺模型底座，形成数据飞轮。

华源智因的团队配置体现了极强的互补性与前沿性。CEO杜润诗拥有UCLA本科背景及连续创业经验，对AI+生命科学有深刻认知；CTO王艺璇为港中文计算机博士，深耕单细胞AI与药物扰动预测，主导过多家虚拟细胞公司的模型搭建；CFO陈聪深耕医药健康领域十余年，拥有丰富的产业资源。联合创始人黄诗云和卓鑫凯分别来自Berkeley和Brandeis，在基因扰动生成模型训练及量化商业支撑方面发挥重要作用。团队强调，成员来自国内外前沿实验室，技术、算法、数据到产业资源严丝合缝，推进迅速且内耗极低。

与传统AI CRO的一次性服务费模式不同，华源智因的长远愿景是构建一套生命科学领域的操作系统（OS）。这套系统不仅能体现用药后的人体反应，未来还可能延展至日常生命体征变化（如喝咖啡后的反应），成为AI大健康领域的基础模型。通过与超一线医院的持续合作，华源智因正试图从细胞多组学层面建立可解释的药效预测系统，填补临床文本和影像数据难以解释“为什么”的空白。在AI制药从“造分子”向“懂人体”转型的关键节点，这种基于真实临床对齐的技术路线，或许将为降低研发成本、提高新药成功率提供全新的解决方案。