环球医讯AI与医疗健康

诺贝尔奖得主David Baker（大卫·贝克）将领导一项新的华盛顿大学计划，获得华盛顿研究基金会700万美元资助，用于开发定制酶和蛋白质，以解决医学、技术和可持续性领域挑战。该计划旨在加速华盛顿大学蛋白质设计研究所的工作，通过培养新科学家、将发现转化为商业工具及支持初创企业启动。Baker因利用AI设计蛋白质获2024年诺贝尔化学奖，其研究所已孵化十余家初创公司。此笔拨款来自基金会生物创新计划，总承诺超3200万美元。

Generate Biomedicines公司于2026年2月27日上市，发行2500万股，每股16美元，募资4亿美元，旨在利用人工智能革新药物发现。其核心药物GB-0895是一款抗TSLP抗体，用于治疗严重哮喘，目前处于三期临床试验，涉及约1600名患者，有望实现每半年给药一次。公司得到Flagship Pioneering支持，创始人Noubar Afeyan提出“多元智能”概念，认为AI可大幅缩短药物研发周期。股票上市后表现稳定，仅较发行价下跌约30美分。文章还探讨了AI在药物发现中的应用前景，以及人类与数字系统融合的“聚智能”理念。

人工智能正从根本上颠覆和重塑制药行业。传统的药物发现过程缓慢、昂贵且充满不确定性，一款新药通常需要超过10年、耗资约23亿美元，且约90%的候选药物在临床试验中失败。AI正通过机器学习模型分析海量生物数据，加速潜在疗法的识别，并推动预防性药物的研发。这不仅降低了研发成本和时间，还带来了医疗营销领域的机遇与挑战，要求企业向投资者、临床医生和公众清晰传达AI的价值。文章还探讨了AI在分子结构预测、候选药物筛选、临床试验优化等方面的具体应用，以及初创公司通过股权众筹等新模式融资的案例。

华盛顿研究基金会向华盛顿大学蛋白质设计研究所拨款700万美元，用于推进人工智能酶设计的计划。该计划将加强华盛顿州在蛋白质科学领域的领导地位，加速将发现转化为新工具和公司，涵盖医学、可持续性和技术等领域。由诺贝尔奖得主大卫·贝克领导，旨在改进深度学习驱动的酶设计流程，创建更可靠的预测工具，并培训新一代创新者。

本文介绍了数字孪生技术在医疗领域的应用，以波士顿儿童医院为例，展示了通过MRI和CT扫描构建患者心脏的虚拟模型，帮助外科医生在手术前进行模拟和优化方案。文章还讲述了“活心脏项目”的起源和发展，从个人经历出发，推动医学与工程学的结合，并展望了虚拟孪生在个性化医疗、临床试验和未来健康管理中的巨大潜力。

新加坡国立大学研究人员结合AI引导的蛋白质结构预测（AlphaFold3）与新型细菌进化筛选平台（Trinity-Screen），成功优化了紧凑型碱基编辑器SsdAtox。优化后的变体在多个人类基因靶点上的编辑效率最高提升11.8倍，同时将非目标DNA断裂率降低约一半，细胞毒性降低10倍，整体性能提升达31倍。该工具尺寸约为常用编辑器的一半，更易包装进基因治疗载体，为开发更安全、更精准的基因疗法提供了新策略。

人工智能技术的快速发展已成为全球多学科研究的基石，建立了“AI for Science”的新范式。AI正逐步改变医疗保健领域，在疾病预防、诊断和治疗中发挥日益关键的作用。然而，现代医疗数据处理面临数据维度高、数据不平衡、隐私问题等多重挑战。本专题深入探讨AI技术在医疗大数据中的处理方法与应用，旨在帮助医疗专业人员和研究人员高效管理数据，提升诊断、预测和决策的准确性。为解决这些问题，应采用多模态学习处理多源异构数据，利用数据增强和生成对抗网络处理不平衡数据，使用联邦学习和同态加密技术保护数据隐私，应用深度神经网络建模复杂数据，并借助多源信息融合理论、D-S证据理论、粗糙集理论、可能性理论、遗传算法和支持向量机等智能计算与不确定性推理方法。本专题关注的议题包括：AI通过分析医学影像、基因数据、病历等识别潜在健康风险并提供个性化预警；AI分析患者健康数据发现疾病模式、优化治疗方案、提高疗效并减少副作用，同时用于新药研发缩短周期降低成本；随着智能硬件普及，AI推动健康管理向便捷、个性化方向发展，智能可穿戴设备实时监测生理状态并提供定制健康建议，帮助患者和健康管理者长期预防疾病、康复和管理健康。

本文探讨了医疗人工智能在美国全国范围内大规模部署的现状与治理挑战。作者指出，AI已开始改变日常诊疗，但围绕其性能监控、安全监管和问责机制的治理体系远未成熟。通过参议院听证会、自身作为多发性硬化症患者的经历以及对放射科、船厂等领域的案例剖析，作者强调：动态AI系统需要持续的后市场监督，而不仅仅是上市前的审批。治理不是创新的刹车，而是让创新可持续的引擎。全文呼吁建立国家级的隐私保护数据集、全生命周期监测标准以及跨医疗系统的统一评估框架，以确保AI真正改善患者护理，而非增加系统噪音。

本文介绍了Veerendra Nath通过基础设施即代码（IaC）为医疗AI构建云平台的核心实践，包括在Inovalon和HCA Healthcare等机构的关键项目，如自动化部署、安全合规、共享基础设施模型等，显著提升了环境部署效率并确保数据安全，同时展望了未来自调节系统的趋势，展现了IaC在医疗技术中的信任与可靠性。

本文探讨了医疗机构在采用人工智能方面面临的三大核心挑战：长期资金短缺、跨学科人才匮乏以及数据碎片化与不一致性，并提出了相应的解决方案，如建立长期投资战略、提升AI素养及加强数据整合与互操作性，旨在帮助医疗行业加速AI应用，释放其变革潜力。