Newsletter · 2026-07-23 · Ashutosh Agarwal

AI药物研发真正的瓶颈如今是数据 - AI Drug Discovery Weekly - 2026年7月23日当周

AI Drug Discovery Weekly,涵盖2026年7月16日至23日当周:三档独立播客分别聚焦Xaira、A-Alpha Bio和Cythera,不约而同地得出同一个结论——模型已不再是药物研发的制约因素,战场已转移到谁掌握了正确的实验室生成数据;与此同时,Digital Pathology Podcast上一个持怀疑态度的声音指出,迄今尚无一款真正由AI设计的药物获批上市。

AI Drug Discovery Weekly

2026年7月23日当周:AI药物研发真正的瓶颈如今是数据

主题行:模型从来都不是瓶颈,这一周三家独立实验室把这话说了出来,而战场如今转向了数据。

TL;DR

本周播客中最响亮的主题出奇一致:人工智能模型已不再是拖累药物研发的因素。三支独立团队——资金充裕的初创公司Xaira、数据平台公司A-Alpha Bio,以及如今执掌Cythera的资深计算化学家——各自用自己的话表达了同一个意思:真正稀缺的是正确类型的实验室生成数据(或者说,将分子呈现给计算机的正确方式)。瓶颈已从大脑转移到了眼睛和双手。
这不仅仅是"数据更多"的问题。本周浮现的细微之处在于:生物学需要一种特定类型的数据,而当今的公开数据库大多不具备——因果关系数据、关于什么行不通(而非仅仅什么行得通)的数据,以及每次都以同样方式测量、使模型能够真正进行比较的数据。
Xaira发布了拥有45亿参数的"虚拟细胞"模型X-Cell,并把它的理念作为该期节目的标题:因果模型需要因果数据。它的解法是在内部以工业规模制造这类数据(Latent Space,7月21日)。
本周最清醒的现实检验:尽管炒作满天飞,迄今仍没有一款真正由AI设计并获批上市的药物,那些常被引用的一两个例子,细究之下不过是老药新用(Digital Pathology Podcast,7月22日)。
一个生动的窗口展示了这一切将走向何方:Lila Sciences称其"用六个月完成了大约五年的生物科技工作量,成本仅为十分之一",仅靠两三人团队加一座自动化实验室,就在某款癌症疗法上达到了猴子实验阶段的数据水平(Latent Space,7月16日)。
一则值得关注的人事变动被顺带提及:据Cythera的Woody Sherman透露,Anthropic已聘请了AlphaFold的诺贝尔奖得主创造者John Jumper,这是大型AI实验室正更深入地介入科学本身、而不仅仅是出售工具的又一迹象(Data in Biotech,7月20日)。
在我们跟踪的股票中:**Recursion(RXRX)**持平,仍接近年内最低价;**Schrödinger(SDGR)**再度走低;**礼来(LLY)**因一项与AI无关的重磅减肥药试验结果而大涨。

本周新动态

Xaira立起一根标杆:"因果模型需要因果数据"

本周最重磅的消息来自我们覆盖范围内的一家公司。资金最雄厚的AI药物初创企业之一Xaira Therapeutics,登上一档广受关注的AI工程播客,详细介绍了其首个"虚拟细胞"模型X-Cell。虚拟细胞正如其名:一种计算机模型,试图预测当你改变某个变量时,活细胞内部会发生什么——比如,如果你调低细胞约2万个基因中的某一个,其余基因会发生什么变化,细胞会开始表现得像病变细胞还是健康细胞?这对药物研发至关重要,因为大多数药物正是通过调高或调低某个生物开关来起作用的(Latent Space,7月21日)。

有两点尤为突出。首先是规模:X-Cell是一个拥有45亿参数的模型("参数"是模型内部调节的旋钮;笼统地说,旋钮越多,容量越大)。其次,也更重要的是,Xaira的两位科学家——首席AI科学家Bo Wang和首席发现官Ci Chu——围绕这一论点搭建了整场对话。Chu在两类数据之间划出了清晰的界限:

描述性数据,健康细胞的快照,这类数据已大量存在于庞大的公开集合中(他引用了一个起初就有超过3300万个细胞的数据库)。它告诉你细胞看起来是什么样。
因果性数据,捕捉的是因为你以特定方式扰动细胞而发生的事情。它告诉你在干预之下细胞会做什么。

他直言不讳地指出:仅用描述性数据训练的模型"在因果任务上仍未超越线性模型"。换句话说,一个用快照训练出来的庞大AI,在回答药物设计中真正重要的问题——如果我对细胞做这件事,会发生什么?——时,并不比几十年前的简单数学更强。原因在于一个逻辑陷阱:如果基因A、B、C在快照中总是同升同降,你实际上无法判断是A控制了B和C,还是B控制了其他两者,又或者是某个第四方控制了所有三者。合理的解释太多了。你必须真正做实验才能知道答案(Latent Space,7月21日)。

因此,Xaira真正的产品不只是模型,还是一座生产因果数据的工厂。他们使用一种名为Perturb-seq的实验室技术,借助基因编辑工具CRISPR一次敲除一个基因,但是在庞大的细胞池中同步进行,从而避免了批次之间的干扰性差异。他们发布了一个名为Pisces的数据集:涵盖16种不同细胞类型、2500万个细胞,在全基因组范围内检测基因。Wang指出,切换模型内部的训练方式(从"自回归"改为"扩散",这是AI学习生成输出的两种不同方式)在最难的测试上带来了显著提升——预测模型从未见过的情境下的效果。在一次演示中,他们仅用静息态免疫T细胞训练X-Cell,然后要求它预测基因敲除在它从未研究过的活化T细胞中会产生什么效果,结果奏效了,超过了简单数学基线。这种"泛化到从未见过的情况"的结果,正是构建大模型而非仅仅查询数据库的全部理由所在(Latent Space,7月21日)。

关于这一主题为何反复出现的背景:Bo Wang是多伦多大学的教授,他的实验室在ChatGPT发布约四个月后就发表了单细胞领域最早的"基础模型"之一(称为scGPT),并且他也帮助确立了如今"虚拟细胞"这一术语。当有这种资历的人说制约因素在于数据而非模型设计时,这话值得倾听。

第二个声音,同样的诊断:A-Alpha Bio与"负样本数据"问题

如果说Xaira的观点听起来像是一家公司在自卖自夸,那么本周一家完全独立的公司几乎说出了同样的话。A-Alpha Bio于2018年从蛋白质设计先驱David Baker位于华盛顿大学的实验室分拆而出,如今拥有35名员工,已融资约5000万美元,运营着一个名为AlphaSeq的实验室平台,能够在单次实验中测量约100万次蛋白质间相互作用,且全部在相同条件下进行(The Bio Report,7月15日)。

CEO David Younger提出的三个论点,与Xaira的论点几乎完全吻合,这种趋同令人玩味:

模型正在变成大宗商品;数据才是护城河。 用他的话说,企业"一开始专注于开源数据……很快就撞上瓶颈",然后试图通过调整模型架构来榨取更多,但"模型的好坏终究取决于底层数据"。
那个著名的公开数据库太小、太片面。 蛋白质数据库(实验解析出的蛋白质结构的首选库)中,某种关键抗体结构类型只有"不到一千个",抗体-抗原结构总数也仅约1万个,并且每年只增长约1000个结构。用他的话说,"我们不想等上一百年才凑够十万个结构"。而A-Alpha能在几周内生成成千上万个。
最容易被忽视的空白是负样本数据。 公开数据库记录的是成功的相互作用。但要可靠地训练模型,"拥有大量负样本数据同样重要":也就是那些失败的配对。一个只见过成功案例的模型,根本不知道失败长什么样子(The Bio Report,7月15日)。

Younger还指出了本周贯穿始终的一种行业情绪转变:直到最近,业界的假设还是"公开可用的湿实验室数据加上聪明的机器学习技巧就足够了",而现在"共识确实变了"。AI原生公司正在"撞上"数据高墙,转而求助于像他这样的公司,因为架构调整已经没有多少余地可挖。他的客户包括安进(Amgen)、百时美施贵宝(Bristol Myers Squibb)和吉利德(Gilead,A-Alpha为其设计了一款保护范围更广的HIV抗体)。

第三个声音把赌注加大:或许我们需要一种完全不同的AI

这场争论中最具挑衅性的版本来自Woody Sherman,一位履历罕见的计算化学家:他曾在我们跟踪的Schrödinger(SDGR)工作十余年,创立了Silicon Therapeutics,又在Roivant负责平台扩展工作,如今担任Cythera的科学负责人,该公司致力于设计口服药丸以命中目前只能通过注射起效的靶点(Data in Biotech,7月20日)。

Sherman的主张是:支撑ChatGPT和Claude的大语言模型"在代码和文书工作上表现出色",在药物研发工作的写作、阅读和编程方面确实有帮助,"但语言模型不擅长的地方在于处理分子。而药物研发从头到尾都是关于分子的"。他认为,往语言模型里堆更多数据并不能解决这个问题,因为分子本质上并不是一句话。他提出的替代方案称为**"物理AI"(physical AI)**,或曰"纳米尺度世界模型":与其把分子表示为文本字符串或扁平的2D草图(标准的捷径做法),不如按照物理学实际"看到"分子的方式来表示它——一个由电子轨道构成的三维量子力学对象。Cythera构建了一个名为Cyformer的模型正是为此而生,它从量子力学计算而非人为选择的捷径中学习(Data in Biotech,7月20日)。

为什么不直接运行物理计算呢?因为这慢得令人痛苦:对单个分子进行严谨的基于物理的模拟,"在GPU上每个分子大约要花一天时间",所以无法用这种方式筛选数百万个分子。物理AI旨在学习通往物理学的捷径,从而快速给出物理级精度的答案。

有一个细节表明这并非仅仅是一位持不同意见者的一家之言:Sherman提到Anthropic最近聘请了John Jumper,这位DeepMind科学家因AlphaFold共同获得诺贝尔奖,他还指出Jumper"确实是个'原子人'……他懂原子、懂分子、懂分子模拟"。结合本周的其他所有信息来看,一种模式正在形成:拥有最深厚AI人才储备的公司,正在向分子与物理学这个问题靠拢,而不是远离它。(这是播客中提出的说法;此处应将招聘细节视为Sherman转述的信息,而非本文独立核实的事实。)

未来的实验室看起来像一座数据中心,而且已经在产出候选药物

如果三种声音都同意制约因素在于数据,那么显而易见的下一个问题是:谁来建造生产这些数据的机器?本周最具体的答案来自Lila Sciences,其创始人形容自己在建造"AI科学工厂"(Latent Space,7月16日)。

理解他们的框架很有价值,因为它解释了"自行生成数据"这场运动背后的商业逻辑。他们的论点是,当今AI之所以变得强大,是巨大算力与海量数据结合的结果,而这些数据来自互联网,如今互联网已被"用尽"。(他们引用了那句众所周知的话——互联网是AI的"化石燃料","而我们只有一个互联网"。)那么下一个互联网规模的数据集会从哪里来?他们的答案是:开展真实实验,让大自然本身为AI的猜测打分。用他们的话说,"科学……以自然和实验作为验证者,是"这种方法的终极版本,而这种方法正是让AI在数学和编程上表现出色的原因,因为在这两种情况下,答案都可以被核实(Latent Space,7月16日)。

有两个细节使这一切显得真实而非纸上谈兵:

他们的实验室建造得就像一个计算机网络。每台仪器都是一个"节点",孔板真的能在磁性轨道上悬浮移动,在节点之间穿梭,这样AI就能设计并运行一个它从未做过的全新实验,而不需要人类重新给工作台布线。他们汇集了一个由**10万亿个"科学令牌"**组成的训练数据集,这些是横跨生物学、化学和材料科学、经实验验证的推理轨迹,并发现一个在全科学范围内训练的通用模型,往往优于狭窄的单一领域模型。
有力的证据是:Lila一支两三人的团队,在研发一款体内版CAR-T疗法(一种强效但目前非常昂贵的癌症疗法,每次治疗费用约40万美元)时,在猴子实验阶段获得的数据显示,其疗效"明显优于"竞争对手——被艾伯维(AbbVie)以约21亿美元收购的Capstan。他们设计的基因指令表达强度,比Moderna和辉瑞(Pfizer)的标准参照高出约10倍。点睛之笔是:"六个月里完成了五年的生物科技工作量,只用了总投资的十分之一"。Lila本身不会亲自开展临床试验,它不是一家药企,而是一家模型公司,但它正在探索一种"零员工初创公司"模式,即由外部人士提出想法,再由Lila的模型加实验室来完成科学工作(Latent Space,7月16日)。

巡礼当下真正奏效的东西

为了对该领域做一次脚踏实地的巡视,心脏病学家Eric Topol邀请了ARC Institute联合创始人Patrick Hsu,后者列举的是具体成果而非空头承诺(Ground Truths,7月20日)。

5月发表的两个AI"联合科学家"系统做出了实实在在的成果:谷歌的版本为白血病、肝纤维化和抗微生物耐药性提出了药物再利用方案,一家非营利组织的系统(名为Robin)则提出了一种黄斑变性治疗方案。
一个由斯坦福主导、新近发表的智能体Biomni,配备150种专用工具并能访问数千篇文献,将某项研究流程从360小时缩短到不到2小时(约200倍加速),从14亿条心率传感器读数中验证了六个新冠生物标志物,并在胚胎骨骼发育方面发现了新的生物学现象。
Hsu坦诚谈及局限性:如今的模型仍会"产生数值幻觉"并"画错图",领域专家会说这些结果"还不太满足我的品味函数"。但他强调了生物学的救赎优势:"存在一个基准真相":你总是可以在真实的细胞、动物和患者身上检验AI的想法。

他还就竞争优势提出了一个尖锐的观点,这与此前几期提到的资金账目相呼应:大型AI实验室拥有开发药物"最低的资本成本"。当一家生物科技公司多年持续烧钱时,Anthropic"将……达到年化约600亿美元的营收规模",这为大量的"射门次数"提供了资金支持。他还描述了速度的实际上限:纯数字化的循环几乎是瞬时的,一次试管实验需要几小时到一天,基于细胞的实验需要数天,组织实验则更久,"随着生物复杂度的提升而压缩这些循环所需的时间,才是这场竞赛真正的核心所在"。这一句话或许是对本周全部主题最清晰的概括。

辩论

上周的摆动性问题是:真正的价值瓶颈是生成数据的湿实验室(自动化/云端实验室、临床前数据生成),而不是AI模型吗?本周,答案变得响亮且近乎一致,随后又变得更加具体,并出现了一个有价值的反驳论点。

共识(三个独立的声音): 模型不再是瓶颈;数据才是。

Xaira:需要因果性数据,这些数据通过干预细胞而生成,因为快照无法教会因果关系(Latent Space,7月21日)。
A-Alpha Bio:需要负样本数据和可互操作数据(每次都以相同方式测量),而公开数据库缺乏这些(The Bio Report,7月15日)。
Cythera的Woody Sherman:进一步提高了标准,或许语言型AI从根本上就是分子的错误形态,我们需要基于物理的"物理AI"(Data in Biotech,7月20日)。

请注意共识内部的分歧:三者中有两个(Xaira、A-Alpha)认为解决方案是更多、更好的数据;第三个(Sherman)认为解决方案是向计算机呈现问题的更好方式。两者都有可能成立,并分别指向不同的赢家——数据工厂型公司与物理模型型公司。

反驳论点,一剂健康的"别急"提醒: 在Digital Pathology Podcast上,结构生物学家Thibault Geoui阐述了为什么AI尚未"彻底改变"药物研发,这是我们几周以来听到的最有价值的怀疑声音(Digital Pathology Podcast,7月22日)。

头条事实: 迄今仍没有一款真正由AI设计、获批并上市销售的药物。那些常被引用的"一两个"例子,细究之下都是老药新用——AI帮助找到了现有药物的新用途,他认为这与AI设计一款药物并不是一回事。他自己对真正的"AI研发药物"的定义,是AI在整条链条上都创造了显著价值:发现疾病生物学、选择靶点、设计分子、预测其安全性。
对AlphaFold的看法: 他称其确实具有变革性——他在博士期间花了四年才解出一个蛋白质结构;AlphaFold几分钟就能完成。世界从50年间约17万个实验解析的结构,增长到AlphaFold发布以来的2亿至3亿个。但"它并没有解决药物研发的问题,因为药物研发不仅仅是拥有一个结构"。结构只是重要的一块拼图,而不是整幅拼图。
问题的庞大规模: 类药小分子大约有10的60次方种;要理解这个数字有多大,地球上所有的沙粒也不过是10的25次方,宇宙中所有的原子是10的80次方。你不可能全部制造出来,甚至无法全部计算出来;这场游戏的关键在于挑选出下一批真正要合成的少数分子。
一个支持自动化的微妙论点: 他指出了生物学领域一个由来已久的尴尬事实——一份著名的安进综述发现,约60%的里程碑式癌症实验无法被复现,后续调查也发现了类似的结果。对于重复性的"优化"任务(比如寻找培养细胞系的最佳配方),他认为你其实不希望人类插手,机器能够更系统、更一致地对各种可能性进行采样。但对于真正开放式的发现而言,"人类的参与仍然非常重要"。他称赞Insilico Medicine是"科技生物"领域的杰出范例——一家从一开始就以数字化为先、旨在生产可复用数据而构建的公司,同时也指出,即便是他们,也尚未将一款获批的AI设计药物推向市场。

本周的摆动性问题: 如果现在人人都同意制约因素在于专有的、为特定目的构建的数据,那么持久的价值可能会归属于拥有数据工厂的一方——也就是Xaira、A-Alpha Bio和Lila Sciences这类公司,而不是拥有最聪明模型的一方。但要留意反向情形:如果基于物理的"物理AI"(Cythera,如今或许还有携手Jumper的Anthropic)能够用更少的数据从第一性原理中榨取出药物级别的预测结果,那么护城河就会从数据体量重新转移到建模洞察力上。真正的瓶颈究竟是实验室,还是物理学?

值得关注的股票

截至2026年7月23日的股价(FactSet)。本周这些股价变动均未由AI相关的新闻驱动。

Recursion Pharmaceuticals(RXRX):3.01美元,与上周的3.02美元基本持平(约-0.3%)。该股仍接近其52周低点2.77美元(区间为2.77至7.18美元),市值约13亿美元。观察期内既无相关主题的播客报道,也无相关新闻,该股在其区间低位徘徊,而更广泛的AI药物讨论都是围绕这些已上市的AI优先公司展开,而非直接谈及它们。
Schrödinger(SDGR):15.13美元,较上周的15.60美元下跌约3%(区间为10.95至23.02美元,市值约11亿美元)。没有SDGR特定的新闻,不过该公司间接出现在了本周的讨论中:在Schrödinger工作了十余年的Cythera的Woody Sherman本周一直在论证,以分子为核心的"物理AI"——Schrödinger所擅长的基于物理的模拟领域——才是真正重要的方法(Data in Biotech,7月20日)。
礼来(LLY):1185.77美元,较上周的1170.23美元上涨约1.3%,当日涨幅接近2%(区间为623.78至1249.45美元,市值约1.12万亿美元)。此次上涨完全由减肥药消息驱动,与AI无关:7月23日,礼来宣布其三重激素药物瑞他鲁肽(retatrutide)在两项3期试验(TRIUMPH-2和TRIUMPH-3)中达到了主要目标,80周时,参与者平均最多减重22.5公斤(2型糖尿病患者)和25.3公斤(伴有心脏病的重度肥胖患者);礼来计划于2027年第一季度提交美国获批申请(TheFly,7月23日)。本周其他关于礼来的头条新闻同样与AI无关:诺和诺德(Novo Nordisk)就Zepbound/Mounjaro涉嫌误导性广告起诉了礼来;分析师指出礼来以约78亿美元收购Centessa以及其与AtaiBeckley的迷幻药交易,验证了这些新品类;而一项拟议的对进口仿制药征收100%关税的美国政策(自2028年起实施)则冲击了整个制药板块。

影响解读

"拥有数据工厂"的交易思路。 本周播客中最有力的可投资想法,不是某只上市股票,而是一整个类别。如果Xaira、A-Alpha Bio和Lila Sciences说得没错——专有的、为特定目的构建的实验室数据才是稀缺资源——那么价值就会流向那些能够大规模生产生物数据的公司(自动化实验室、高通量筛选、数据即服务)。这其中大多数如今仍是私营公司(Xaira、A-Alpha、Lila),但对上市股票的影响解读在于:去追问哪些上市公司拥有真正的数据生成引擎,相对于那些只是租用其他人也能用的公开数据的公司(Latent Space,7月21日;The Bio Report,7月15日)。
私募市场的资金继续验证这一主题。 在本周的新闻窗口期内,AI蛋白质初创公司Chai Discovery和AI芯片公司Etched各自筹集了"数亿美元"资金,估值被推高至数十亿美元规模,TheFly明确将它们与各自领域的上市龙头企业进行了比较(TheFly,7月23日)。Chai Discovery本周也从科学角度被提及,作为向制药公司出售抗体设计模型的公司之一(Ground Truths,7月20日)。私人资本仍在积极为"生成数据/设计分子"这一层持续注资。
临床试验机器(CRO)是押注"AI让药物研发更便宜"这一主题的一种上市途径。 一位来自临床研究行业的声音提出,对于合同研究机构(即制药公司付费委托开展试验的公司)而言,最糟糕的时期已经过去,AI是一件"利润武器和速度武器",而不是就业杀手。他引用了2025年营收163亿美元、积压订单320亿美元的IQVIA,以及营收82.5亿美元、积压订单30亿美元的ICON,并指出Medpace正在变得更高效,尽管其公开场合一直在淡化AI的作用;他还指出,FDA在2025年发布的AI指南草案(要求人类参与其中)实际上为行业采用这些工具开了绿灯(Random Musings From The Clinical Trials Guru,7月20日)。这与前几期提出的论点相呼应,即制药行业真正的瓶颈在于临床开发,而非发现阶段,而如果AI能压缩试验成本,IQVIA、ICON和Medpace将是受影响最直接的上市公司。
大型AI实验室的资本成本优势是真实存在的,值得计入定价考量。 有观点指出,Anthropic仅凭约600亿美元的年化营收规模,就能自筹资金支持大量的药物"射门次数",而生物科技公司往往要连续数年烧钱,这构成了一个结构性论据,说明为何AI巨头(Anthropic、谷歌旗下Isomorphic、OpenAI)从长远看可能比传统药物研发公司更能持久(Ground Truths,7月20日)。据报道Anthropic招募了John Jumper,这是朝同一方向发出的一个虽小但耐人寻味的信号(Data in Biotech,7月20日)。

相较上周的变化

上周的摆动性问题基本得到了解答。 我们此前问的是:湿实验室通量瓶颈是否使得自动化实验室和临床前数据生成成为真正的价值瓶颈。本周,Xaira、A-Alpha Bio和Cythera三个独立的声音都给出了肯定答案——制约因素在于数据(或分子的呈现方式),而非模型。如今辩论已转移到这一共识内部,聚焦于究竟需要哪种数据(因果性?负样本?可互操作?),以及一种不同类型的AI(基于物理)是否能够完全绕开数据问题。
"AI实验室即制药公司"这条线索,以一个真实数字向前推进了一步。 数周以来,我们一直在追踪从"出售AI工具"到"用AI制造自家药物"(Anthropic、Formation Bio)这一转变。Lila Sciences为这一承诺提供了一个具体数字:六个月内获得猴子实验阶段的癌症疗法数据,成本约为通常水平的10%,只用了两三个人,并在此基础上探索一种"虚拟初创公司"商业模式(Latent Space,7月16日)。
本周新出现的:一位可信的怀疑者。 在经历数周炒作氛围浓厚的报道之后,我们终于得到了一次严谨的现实检验——迄今没有一款真正由AI设计的药物获批;AlphaFold带来的是结构,而非治愈手段;而"AI药物已上市"这一说法经不起细究(Digital Pathology Podcast,7月22日)。
本周新进入对话的名字:Xaira。 该公司此前一直在我们的关注名单上,但直到现在才以实质内容浮出水面。同样新纳入雷达的还有作为数据工厂/物理AI论点私营代表的A-Alpha Bio、Lila Sciences和Cythera。
值得关注的人事变动: 据报道Anthropic招募了AlphaFold的John Jumper,若得到证实,这将是关于顶尖分子AI人才流向的一个重要信号。
股价: RXRX持平,仍接近其年内低点;SDGR再跌约3%;LLY因与AI无关的减肥试验数据(瑞他鲁肽)而上涨。上市的"纯AI药物"标的(RXRX、SDGR)持续落后,而最激动人心的进展则发生在私营公司和大型AI实验室之中。
本周在播客层面依然沉寂的公司: Recursion(RXRX)、Ginkgo(DNA)、Tempus(TEM)、AbCellera(ABCL)、Certara(CERT)、Absci(ABSI)、Relay(RLAY)、Isomorphic Labs、Iambic,以及英伟达(Nvidia)的医疗健康平台(Clara/BioNeMo),均未获得与该主题相关的报道。