6月10日，AI制药上市公司Recursion宣布裁员20%，就在不久前，公司称要精简部分药物管线，在研发上更加聚焦。
作为AI制药领域的先行者，Recursion自成立以来始终坚持自我变革，如今，这家公司再次面临关键的转变时刻。
近日，公司创始人兼首席执行官Chris Gibson参加一档博客节目，分享了他的创业历程、Recursion如何用AI进行药物研发、超级计算机与自动化实验室背后的愿景、FDA对AI的态度、未来药物商业模式的设想，整个过程中既展现了技术突破的未来前景，也不回避现实挑战的艰巨复杂。
这不仅是关于一家公司的视角，更是理解行业的窗口。相信每一位关心生物医药的人，都将从中有所收获。
重要观点
我们发现大多数被搁置的药物确实有充分的理由。虽然从中挖掘出了一些有潜力的适应症，但在利用搁置药物开发罕见遗传病适应症这个领域，机会比我们预想的要少。
我们最初没打算自己做临床试验——现在却开展了一大批，也从没想过会拥有自己的超级计算机——如今它就运转在我们的实验室里。这场探索的规模越来越大，但核心理念始终未变：用计算机从数据中大规模提取有意义的生物学表征，十一年半过去了，我们依然在坚持这个最初的使命。
我们实际上在构建一个庞大的"生物学查询表"，不再需要逐个分析疾病，而是揭示复杂通路之间的潜在关联，更进一步地，预测各种细胞状态下所有生物学通路的表现形式，并据此定位小分子或大分子药物的潜在靶点。
目前已有数百家公司和大型药企投入资源，利用技术手段分析高维生物数据，从更复杂的角度理解生物学，但我们仍需要结合传统的简化研究工具。将两种方法融合，未来几十年可能会出现更多、更好的药物。
临床试验这个领域的数据积累还很有限，不过像Tempus AI这样的公司正在整合更多肿瘤患者数据。单个数据集可能价值不大，但当你分析数万甚至数十万患者时，就能发现有趣的规律。
AI现在完全能够产生新知识——我们在日常工作中就经常看到这种情况，罗氏/基因泰克和赛诺菲的同事们也能证实这一点。
未来五年，我们希望实现从“自动化实验室生成数据来验证假设”到“全计算机模拟预测”的跨越，这就像芯片行业30、40年前的转型——当年芯片都是通过经验方法设计和测试的，而现在像英伟达这样的公司完全通过软件设计芯片，因为他们的计算机模拟物理和电气模型已经足够精确。虽然生物学要复杂得多，但我相信我们也能做到。
我们看到了这样一个未来：用工业的形式来生成药物，随着AI能力的提升，研发费用会越来越低，患者甚至可以像在亚马逊上下单一样获得药物。礼来在GLP-1类药物上的尝试已经让我们看到了曙光——制药公司直接面向消费者，没有第三方。
弃医创业，Recursion的诞生
主持人：今天我们非常兴奋地邀请到了Chris Gibson，我和Chris很久以前就认识了，那时候你还在上学，现在Recursion已经真正成为利用人工智能进行药物研发的领导者。我们非常高兴今天能邀请你来，就人工智能的话题进行讨论，但在我们进入这个话题之前，我很想听听是什么让你的人生道路引向科学，特别是是什么让你对参与治疗领域感到兴奋？
Chris Gibson：是的，首先感谢邀请，能来到这里真的很令人兴奋。我小时候是那种会把所有东西拆开然后又试图重新组装起来的孩子。我一直喜欢理解事物是如何运作的，而且我从小就对科学很感兴趣，当时以为我会成为一名宇航员。然后我想是在六年级或七年级的时候，我超过了宇航员录取的身高标准。
所以我在初中时经历了一场存在主义危机，不得不思考自己的人生方向。我一直对科学很感兴趣。在思考该做什么的时候，我经常和爸爸聊天。他在我出生前两周创立了一家以英特尔首批并行处理器为基础的公司。所以在我成长的过程中，我亲眼见证了这一切，我也想做一些类似的事情。但我认为下一波浪潮将出现在生物工程和电气工程领域，所以这就是我在学校选择的专业，后来我进入了Dean Li博士的实验室。
图：Dean Li，现为默克研究实验室总裁，在加入默克之前，他在犹他大学从事转化医学研究二十多年，担任犹他大学健康科学中心的副院长和首席科学官
是Dean实验室的一个项目让我加入了Huntsman癌症研究院，在那里进行药物发现工作，最终形成了Recursion。嗯，这是一条漫长的道路，充满了机缘巧合，但我认为在某种程度上，我一直注定要在不同领域之间进行交流。我不擅长任何单一领域，但有几件事情我能做得相当不错。
主持人：我完全理解这种感觉，我也有同感。你在一个非常好的实验室里工作，导师也非常出色。那么是什么让你突然转变，觉得可以抓住这个机会，并决定围绕它建立一家公司的？
Chris Gibson：在攻读医学博士期间，我原本以为自己会成为一名心脏外科医生。那时，我经常带着传呼机在凌晨两点跑去观摩心脏移植手术，甚至帮忙收集患者的心脏组织——这一切都让我觉得，这就是我未来的样子。
然而，在Dean实验室参与的一个关于颅内海绵状血管瘤（CCM）的项目改变了一切。作为实验室的工程师，我尝试了传统方法，但失败了。于是，我们转向了机器学习，用简单的分类器分析人类细胞图像，并在停滞的领域取得了突破。这一进展让我意识到，我们或许可以走得更远。
后来，Dean安排我去斯坦福大学做了一个类似创业项目的暑期研究，最终形成了Recursion。尽管知道失败的可能性很大，但如果不尝试，我一定会后悔。
主持人: 那真是太好了。那么作为一个真正在将机器学习和人工智能应用于药物发现领域的先驱，你最初提出的那个吸引人的商业计划是什么，又是如何随着时间的推移而演变的？它是如何与你的早期投资者产生共鸣的？
Chris Gibson: 那时候专注"生物学+科技"交叉领域的投资人很少，所以我们得找那些能横跨两个领域视角的投资者。
一个关键转折点是2012年ImageNet的发布。谷歌通过这个项目首次在大规模图像上验证了机器学习的威力，直接推动了计算机视觉的革命——计算机可以从图像中提取真正有意义的深层信息。
我们2013年创立Recursion时，恰好带着一个生物学假设：既然生物结构决定功能，那么如果能建立一个庞大的生物图像库，并运用顶尖的计算机视觉技术，或许就能破解生物学密码。
当时的商业构想很明确：药物重定位。市面上有成千上万种研发失败的药物，它们只是没找到正确的适应症。我们要做的就是当这个"解码者"，为这些被埋没的化合物找到真正该治疗的疾病。
但我们现在不怎么做这个了，因为发现大多数被搁置的药物确实有充分的理由。虽然从中挖掘出了一些有潜力的适应症，但在利用搁置药物开发罕见遗传病适应症这个领域，机会比我们预想的要少，而这原本是我们重点探索的方向。
于是，早期阶段我们开始调整策略——自己动手做化学合成。当我们发现有趣的靶点或通路时，意识到必须设计出匹配的化合物。就这样，我们的研发版图不断扩展，要搭建的体系也越来越庞大。
我们最初根本没打算自己做临床试验——现在却开展了一大批，也从没想过会拥有自己的超级计算机——如今它就运转在我们的实验室里。这场探索的规模越来越大，但核心理念始终未变：用计算机从数据中大规模提取有意义的生物学表征，十一年半过去了，我们依然在坚持这个最初的使命。
借助AI、超级计算机和自动化实验室，绘制生物学导航图
主持人：确实如此。生物学的一个核心法则就是"结构决定功能"——这不仅体现在分子层面，更体现在细胞层面。
这让我想起过去医生问诊时那种细致的观察力。比如William Osler（译者注：现代医学之父）的经典案例：仅仅通过患者嘴唇的小斑点、舌苔的变化，甚至指甲床的弧度，就能洞察疾病本质。这些细微的宏观特征尚且蕴含如此丰富的生物学信息，那么在细胞层面存在同样的规律，也就不足为奇了。
Chris Gibson：我们验证了这一点。是的，我们现在已经敲除了基因组中许多不同细胞类型的每一个基因。我们不仅为自己进行这项工作，还与罗氏、基因泰克、赛诺菲等公司合作进行。
但事实证明，生物学极其复杂。就像所有事物一样，我认为我们取得了惊人的进步，但我们正在构建的，是一张非常密集、充满挑战、复杂的图谱。
主持人：是的，这正是最大的挑战。大多数科学家倾向于简化问题——寻找某个特定基因或蛋白质的变化，然后在试管中单独研究它。但生物学从来不是单一蛋白质的孤立作用。
Chris Gibson：非常认同。这种简化方法确实有效，就像代数中通过减少变量来解方程一样。这也是许多医学发现的传统路径。不过历史上药物研发主要有两种方式：要么是这种系统性研究，要么纯粹靠偶然发现。
不断发展的生物学工具也带来了便利，例如CRISPR基因编辑技术的出现和算力的飞跃，15年前如果要完成Recursion现在的工作，仅计算和数据存储的成本就高达10亿美元，根本不可行。
现在很多人都认为这种技术驱动的方法将成为未来药物研发的重要组成部分（当然不是全部），但问题在于：我们是否太早踏上了这波浪潮？还是恰逢其时？
目前已有数百家公司和大型药企投入资源，利用技术手段分析高维生物数据，从更复杂的角度理解生物学，但我们仍需要结合传统的简化研究工具。将两种方法融合，未来几十年可能会出现更多、更好的药物。
主持人：这就是我们所有人想要的。我认为这完全正确，我们可以在传统研究方法的基础上增加新的维度。生物学难的地方在于它非常复杂，很容易让人迷失其中。但Recursion选择了一个巧妙的切入点：病变细胞或组织在形态上会表现出明显差异，而这些结构变化会告诉你一些关于其功能的信息。
我特别欣赏这种化繁为简的思路。通过追踪和测量细胞形态这个可量化的指标，我们就能理解复杂生物学的结果。要知道，当我们面对转录组学和RNA测序数据时，常常会感到无从下手。但细胞形态的变化至少让我们有了一个可以具体把握的研究对象。
让我确认一下我的理解是否正确：你们的核心思路是通过药物干预，让异常细胞恢复正常的形态特征？也就是说，如果我们能让一个结构和功能都出现异常的细胞重新看起来正常，那就意味着我们修复了所有出问题的生物学机制？
Chris Gibson：这就是我们自始至终一直在做的，我们已将这一方法拓展至更丰富的维度——不仅分析细胞图像，还整合转录组学数据和患者样本，构建高维数据集。这正是AI的用武之地：它们擅长在海量数据中发现人类难以察觉的复杂模式。
当我对某个疾病状态下的细胞进行成像时，计算机能精准捕捉到人类无法识别的细微形态差异。比如敲除某个基因后，细胞形态会发生变化；而加入某些药物后，又可能使其恢复"健康"外观。这种直观的变化为我们提供了重要线索。
随着实验规模扩大到数百万种不同条件——包括小分子化合物、基因扰动等——我们实际上在构建一个庞大的"生物学查询表"。这是最让人兴奋的地方：现在，我不再需要逐个分析疾病，而是当某个基因被破坏导致细胞形态改变时，可以在所有可能破坏其他基因的方式中寻找产生相似表型。
这种方法能揭示复杂通路之间的潜在关联，比如基因A与基因B是否存在相互作用。更进一步地，我们试图预测各种细胞状态下所有生物学通路的表现形式，并据此定位小分子或大分子药物的潜在作用靶点。
图：Recursion 的BioHive-2，制药业最快的超级计算机
这就是为什么Recursion 实验借助超级计算机和大规模自动化实验室发展如此迅速的原因，我们看到了机会——从“挽救疾病状态”转向映射与导航方法，或许能发现一些真正令人兴奋的药物。
主持人：这真是一个浩瀚无垠的项目。
Chris Gibson：确实如此。比如我们和罗氏/基因泰克的合作——为了绘制神经细胞图谱，我们不得不培养超过一万亿个神经诱导多能干细胞(iPSCs)。光是为了这一个项目，我们可能就成了全球最大的神经iPSCs生产商。最初询价时供应商报价7.5-10亿美元，而我们的预算只有700万美元，于是决定自己搭建培养体系。
虽然项目规模庞大，但随着数据集的积累，计算机能发现越来越多人类难以洞察的复杂关联。这些发现又能反哺传统研究方法，推动药物研发进程。
AI十年内治愈一切疾病？激进但值得期待
主持人：这正好引出了我的下一个问题。作为这个领域的先行者，你如何看待机器学习在生物学中的应用潜力？之前DeepMind CEO在《60 Minutes》里预言“十年内攻克所有疾病”，虽然这种豪言壮语让我们这些业内人士会心一笑，但确实反映了这场变革的势头。
能否请你帮我们区分哪些是真实前景，哪些是过度炒作？毕竟历史上"颠覆性突破"的预言大多未能兑现。
图：DeepMind首席执行官Demis Hassabis，因在AI预测蛋白质结构上的贡献获得2024年诺贝尔化学奖，他在近期的采访中表示，在AI的帮助下，人类将在下一个十年治愈所有疾病
Chris Gibson：生物学总能教会我们谦逊，这一点我深有体会。十年前我曾公开预测我们将在十年内拥有100个在研药物，如今实际数字是30-40个（包括合作项目）。虽然进展显著，但确实比预期慢了不少。
但当你亲眼见证这些技术工具的力量——即便在十年前我们就已经看到了这种潜力——你很难不相信这个领域即将发生指数级的变革。问题在于，我们现在究竟处于这个变革曲线的哪个位置？
虽然Demis在《60 Minutes》节目中的言论听起来很激进，但我确实认为在未来几十年内，我们将会看到一些颠覆性的突破。可能是十年后...我原本以为这个时间点会更近一些，进展确实比预期要慢。
我可能更接近Demis，而不是Derek Lowe，后者认为机器学习和人工智能无法生成任何新知识，而我认为这完全是错误的。
事实上，AI现在完全能够产生新知识——我们在日常工作中就经常看到这种情况，罗氏/基因泰克和赛诺菲的同事们也能证实这一点。
关键在于，药物研发不是一蹴而就的。它不仅仅是发现靶点或分子这么简单，还要经历ADMET、转化研究、临床试验等诸多环节。正是这些环节拖慢了整体进度。如果只考虑药物发现中的某一个环节，我认为十年内我们确实可以实现预期目标。但要把这些技术应用到上百个研发环节中，并让它们协同工作，同时还要建立相应的数据基础设施——这需要巨大的工作量。
这就是为什么进展比我预期的要慢，再加上生物学本身的复杂性。但总体而言，我认为我们更接近DeepMind首席执行官描绘的愿景，而不是Derek的怀疑论调。
主持人：我完全同意这个观点。关键问题在于，即便前端工具开发完善，如果后端转化环节跟不上，就会遇到瓶颈。你们最初没想过要亲自做临床试验，但现在却涉足其中。这是否意味着你们正在考虑将AI应用于临床试验领域？
Chris Gibson：实际上，我们已经开始这么做了。
主持人：太好了。
Chris Gibson：说实话，临床试验确实让人头疼。目前这个领域的数据积累还很有限，不过像我们合作的TempusAI这样的公司正在整合更多肿瘤患者数据。单个数据集可能价值不大，但当你分析数万甚至数十万患者时，就能发现有趣的规律——比如某种乳腺癌患者接受特定药物治疗后的预后情况。
我们将这些临床数据与我们的生物扰动平台结合，通过AI分析，可以更精准地定义临床试验的目标人群。我们还在尝试用机器学习模拟临床试验，但挑战在于，每个临床试验都耗资数千万美元且只有一次机会，不像实验室里低成本的实验可以反复尝试，这是个高风险创新领域。
为此，我们特别引进了强生前首席数字数据官Najat Khan。这位受过专业训练的化学家，在强生时就致力于将AI技术应用于临床开发和商业化。她正在帮我们构建相关工具。
目前进展还处于早期阶段，有些工作甚至称不上AI——比如自动化站点沟通的基础软件开发，就帮我们减少了50人的临床运营团队。这个领域存在大量未被开发的机会，基础设施建设需要时间，但已有数百家公司正在努力。
关于AI，FDA比想象中更积极
主持人：当然，让我们谈谈监管层面的挑战。你们与FDA的互动情况如何？对于将人工智能和机器学习应用于整个药物研发流程，他们的态度怎样？毕竟政府机构通常对新技术的适应速度较慢。在你看来，监管机构是否已经为此做好准备？
Chris Gibson：我认为FDA的工作确实很不容易。如果他们行动太慢，我们会不满；如果太快，又可能危及患者安全。他们就像在走钢丝，怎么做都会有人批评。
主持人：确实，这对他们来说是个两难局面。
Chris Gibson：正是如此。所以我们要理解他们所处的困境。就我们的经验而言，与FDA的互动总体上是积极的。虽然有时他们会要求我们做一些我们不太情愿的事，但总体来说，实际情况比我们最初预想的要好得多。
到目前为止，我们与FDA已经有数百次互动，过程都很顺利。实际上我们发现，在这个领域，FDA可能比许多大型制药公司更具前瞻性。两年前的5月份，他们就发布了一份白皮书，探讨如何在临床前研究、临床开发和药物审批中应用AI。虽然内容还不够细致，但至少表明他们正在认真考虑这个问题。
就在几周前，他们还讨论了如何利用AI分析各类临床前数据，我认为他们的态度相当开放，但他们肩负着保护患者安全的重任，这是一项重要职责。因此，我们作为行业创新者，有责任向他们展示经过深思熟虑的风险可控方案。
我们经常采取的做法是：既提供AI预测结果，也提交传统实验室验证数据。如果我们能持续证明这种方法的可靠性，相信未来FDA会逐渐接受仅基于预测的结果。不过在这个转型过程中，适当的谨慎是必要的。
主持人：我完全同意。很多人没有意识到，要彻底革新整个药物审批流程，必须考虑到这个过程的复杂性。有些环节确实需要格外谨慎。
Chris Gibson：没错。
主持人：说真的，看着这个领域的发展演变确实很有意思。我个人是持乐观态度的，我知道你也是个乐观主义者。
Chris Gibson: 是的。
将生物学当作整体来研究，将有效预防疾病
主持人:观察当前的医疗变革，虽然表面看起来充满混乱，但我认为这实际上是一个重塑医疗体系的重要契机。我们正处在一个转折点——不仅是新疗法研发方式的变革，更是整个医疗理念的根本转变。
过去我们只想着治病，就像"胳膊断了打石膏"这么简单直接，这确实是最容易理解的医疗模式，但现在情况不同了。随着人口老龄化，慢性病越来越多——而我们对慢性病真的没辙。这些病可不是贴个创可贴就能解决的。研发这些药又贵，要考虑成本回收和投资回报...这个模式还能撑多久？我感觉很多方面都已经到极限了。你看看未来十年医保的预算就知道，形势很不乐观。
Chris Gibson：所以"好医疗"的定义正在发生变化。
主持人：没错。最高明的疗法是让人根本不生病！你们做的基础性工作正好契合这个方向。比如并不是所有携带不良基因BRCA1的人都得乳腺癌，问题在于为什么其他人没有得？从来没人深入研究过这个。而你们的技术和平台，正好可以用来解答这些问题——为什么某个基因突变在不同人身上表现不一样？还有什么其他影响因素？
说真的，要"治愈所有疾病"，关键不是治疗已发生的疾病，而是从根本上预防疾病发生。要我说，等阿尔茨海默病发作再治就太晚了。我们得在问题出现前就解决它。
Chris Gibson：现在的医疗体系确实让人头疼。前阵子我因为运动受伤去看病，四天里被问了七遍同样的问题，简直要疯了。而且我敢肯定根本没人认真看那些回答。整个医疗体系确实需要系统性改进。
疾病预防确实至关重要。就像你说的，生物学和健康看似充满随机性——有人携带突变基因会发病，有人却没事。但我认为生物学其实是确定性的：如果我们能搞清所有基因的相互作用，就能明确告诉患者："虽然你有这个基因，但另外17个保护性基因让你大概率不会得癌症"，或者"虽然你没有这个突变，但其他因素可能导致患病"。
要实现这种精准预测，我们必须把生物学当作完整系统来研究。虽然离完全破解还有距离，但发展曲线是指数级的。所以我跟你一样，期待未来医学能实现有效预防。
FDA最近对超罕见遗传病的态度就很有前瞻性——既然发病机制明确，何不适当冒险？毕竟这类患者通常被药企忽视。看到这些进步让人欣慰。尽管系统存在缺陷，我们仍要保持乐观。
主持人：是啊，虽然问题很多，但突破从未停止。像GLP-1类药物就彻底改变了人们对糖尿病和肥胖症的认知——这个困扰人类多年的难题，终于看到了曙光。
Chris Gibson：是的。
五年内药物设计进入全仿真模拟时代，药企将直接面向消费者
主持人：让我们展望下未来，Recursion五年后会是什么样？过去11年你们已经验证了这个方法的可行性。现在基础打好了，下一步是什么？
Chris Gibson：我们希望实现从"自动化实验室生成数据来验证假设"到"全计算机模拟预测"的跨越，那个时候湿实验室仅作为计算机模拟预测的验证而存在。
这就像芯片行业30、40年前的转型——当年计算机芯片都是通过经验方法设计和测试的。而现在像英伟达这样的公司完全通过软件设计芯片，因为他们的计算机模拟物理和电气模型已经足够精确。虽然生物学要复杂得多，但我相信我们也能做到。五年后我们应该就能达到这个拐点。
图：上世纪60年代，研究人员手动设计芯片
这对Recursion意味着什么？希望到那个时候我们能有多个药物进入临床试验阶段，甚至在未来五年内获得批准并用于治疗患者——这就引出了如何在当前这个存在缺陷的医疗体系中进行商业化的问题。我认为这可能成为我们最大的创新点。
我们看到了这样一个未来：如果我们做得好，我们可以用工业化的方式生产药物，并随着时间的推移降低研发成本。随着机器学习能力的提升，研发费用会越来越低。患者甚至可以像在亚马逊下单一样获得药物，也许未来会出现“医药会员制”的模式。
礼来在GLP-1类药物上的尝试已经让我们看到了曙光——制药公司直接面向消费者，也许可以绕过像药品福利管理公司（PBMs）这样的第三方。
主持人：我完全同意。我和医院管理者交流时都认为，我们正处于一个临界点，现有的医疗体系必须改变。传统的"小公司创新-大公司收购"的模式，在未来可能行不通了。
Chris Gibson：如果能做成几笔这样的交易我也不会反对。
主持人：就当是为其他项目提供资金支持。
Chris Gibson：没错。
怎么面对短期波动？坦诚沟通是关键
主持人：人们总问为什么药价这么高——这不是个简单的问题，我们建立了一个极其复杂的体系，部分原因在于我们总是在旧体系上打补丁，其实推倒重来往往更好。
我们正亲眼见证这种变革。令人振奋的是，我们都能参与其中。Chris，作为上市公司CEO，在这么多噪音和不确定性中，你如何让团队专注真正使命？作为领导者，你怎样让大家别在意短期波动，专注于做出改变？
Chris Gibson：主要是两点——不经常提及短期波动但保持透明沟通。例如，近期大型生物技术股票大幅波动时，我站出来表示公司不会过度反应或反应不足，回顾我们曾经犯过的错误以及从中吸取的教训。
我们所有员工都非常聪明，坦诚沟通虽然不容易，但关键是要让大家时刻牢记我们工作的真正意义。我们会定期组织员工接触患者——几乎每个人背后都有故事，或是失去过亲人，或是正在照顾病患。通过这种有温度、有尊严的互动，给团队注入强心剂，让大家始终保持清醒的认知。
主持人：完全合理。告诉大家不要担心日常琐事，而要专注于年复一年的目标——只要持续进步，终会成功。
你显然学到了成为一名优秀领导者的方法。就像我说的，这一路难免犯错，但这就是成长过程。我常对同事说：真正的难题是患者的痛苦和我们想攻克的疾病，别自己制造问题。
我的座右铭是：好科学造就好药物，好药物自然带来好生意。如果我们做好科学，研发出好的药物，一切都会顺利。
Chris Gibson：有点Henri Termeer那股劲儿。
图：Henri Termeer，被誉为“罕见病教父”，一手将健赞从岌岌无名的生物科技公司缔造为罕见病巨头
主持人：Chris，能成为你的朋友和同事，看到你所取得的成就，真是令人惊叹。我们对Recursion寄予厚望，并希望它能取得巨大成就。
Chris Gibson：谢谢。
推荐阅读
