AZD-4877

当癌症研究遇上大模型，数据稀缺不再是死结。 在医学研究大步迈入精准医疗时代的今天，数据成了最珍贵的“燃料”。无论是寻找新药靶点，还是预判治疗效果，AI模型都需要海量高质量的临床数据来支撑决策。然而现实却充满了“数据荒漠”：那些发病率极低的罕见病、研究甚少的特殊组织类型、以及缺乏样本积累的新型疗法，都面临着样本量严重不足的困境。传统的机器学习模型在这些场景下往往捉襟见肘——没有足够的数据，再聪明的算法也无从学起。面对这种“巧妇难为无米之炊”的局面，科学家们开始把目光投向一种全新的解题思路：既然数据不够，那就用知识来凑。 想象一下，医生想为一种罕见的骨癌患者尝试两种药物的组合疗法，但翻遍全球数据库，相关的实验记录只有寥寥几十条。传统的AI模型面对这种“数据荒漠”只能摊手放弃，而科学家们却想出了一个大胆的办法——让读过上亿篇科学论文的大语言模型来“猜”。 这并非科幻情节。美国德克萨斯大学的研究团队在《npj Digital Medicine》期刊上发表了一项研究，他们开发了一个名为CancerGPT的模型，专门用来预测两种抗癌药物联用是否会产生“1+1>2”的协同效果。 最令人惊讶的是，即便只给它看零个或几个训练样本，它也能给出相当靠谱的判断。 1 为什么“猜”药效这么难 联合用药是癌症治疗的常用策略。两种药物同时使用，有时会互相增强效果，这就是“协同作用”；有时却会互相干扰，甚至加重副作用。在实验室里逐一测试所有可能的药物组合显然不现实——光是已上市的抗癌药就有数百种，排列组合下来是天文数字。 于是，机器学习登场了。以往的AI模型需要大量数据来“学习”药物特征和细胞反应规律，但现实是：数据高度集中在乳腺癌、肺癌等常见癌症上。对于那些发生在骨骼、软组织、肝脏等部位的罕见癌症，可用的细胞系和实验数据少得可怜，传统模型根本吃不饱。 这就形成了一个悖论：越是罕见的癌症，越需要精准的联合用药方案，但能用来训练AI的数据却越少。 2 让大语言模型当“外挂知识库” 研究团队想到了一个巧妙的思路。GPT-3、GPT-4这类大语言模型在训练时“读”过海量的科学文献、专利和临床报告，虽然它们没有专门学过“药物协同预测”这门课，但它们脑中的神经网络里，早已编码了大量关于基因、蛋白质、药物靶点和疾病通路的知识。 换句话说，大语言模型相当于一个隐性的生物医学知识库。当给它输入两个药物名称和一个癌细胞系信息时，它能调动自己读过的所有相关文献片段，推断出这两个药物是否可能在那个特定细胞环境里“合拍”。 研究团队将这个思路具体实现为CancerGPT。它的工作流程很有意思： 第一步：把结构化的表格数据（药物A、药物B、细胞系名称、组织类型等）转换成自然语言句子，比如“第一种药是AZD1775，第二种药是AZACITIDINE，细胞系是SF-295，组织是骨……” 第二步：把这段话输入给大语言模型，让模型输出一个简单的判断——“协同作用阳性”或“非阳性”。 第三步：在模型的输出层接一个分类器，用极少的真实数据对模型进行微调。 这里的关键在于少样本学习。研究团队给模型喂的数据量从0、2、4、8……一直到128个样本，观察模型表现如何变化。在零样本的情况下，模型完全依靠自己读过的文献知识来“裸考”；而在有了几个样本之后，模型能快速将文献知识与具体任务对齐，准确率随之攀升。 3 结果令人振奋：小模型也能挑大梁 研究团队在七种罕见癌症组织（骨、软组织、肝、胃、泌尿道、子宫内膜、胰腺）上测试了CancerGPT，并与传统的表格数据模型（如XGBoost、协同过滤）以及GPT-3等大模型进行了比较。 有几个发现尤其值得注意： 第一，CancerGPT在肝脏、软组织和泌尿道等组织上取得了最高准确率。 这些组织的细胞特性与常见组织差异较大，传统模型从常见组织学来的规律难以迁移，而CancerGPT靠的是文献中关于这些特定组织生物学背景的知识。 第二，CancerGPT只有约1.24亿参数，却在很多情况下表现不输给1750亿参数的GPT-3。 这说明针对任务做适度定制（先用常见组织数据“预热”模型），比单纯堆砌参数量更高效。对预算有限的研究机构来说，这是个好消息。 第三，当外部数据与目标组织“长得像”时，传统数据驱动模型仍有优势。 比如在子宫内膜和胃组织上，传统模型表现更好，这是因为这些组织与常见组织的相似度更高，模型能够成功外推。这也说明CancerGPT和传统模型各有适用场景，并非谁完全取代谁。 4 让AI给出“思考过程” 除了预测准确率，研究团队还测试了模型的“可解释性”。他们要求模型不仅输出结论，还要用文字说明推理依据，然后人工核对这些依据在科学文献中是否站得住脚。 在膀胱癌细胞系的案例中，模型解释两种药物（AZD4877和AZD1208）之所以协同，是因为它们靶向同一条肿瘤生长通路中的不同蛋白质。研究团队逐条验证后发现，大部分推理都有文献支撑，虽然模型也“脑补”了一些未经证实的细节，但整体逻辑链条是成立的。 这种“思维链”式的输出，让研究人员可以追溯模型的判断来源，而不是面对一个黑箱。对于药物研发这种高风险领域，可解释性至关重要。 5 更深远的意义： AI从“归纳”走向“演绎+归纳” 这项研究不只是解决了一个具体的药物预测问题，更展示了一种AI范式上的融合。 传统机器学习是归纳式的——从大量例子中总结规律。而大语言模型的知识推理是演绎式的——从普遍原理出发推导具体结论。CancerGPT的创新之处在于，它先用大语言模型的演绎能力弥补数据不足的短板，再用少量真实数据对模型进行归纳式微调，两种推理方式相互补充。 这种模式对于整个生物医学领域都有启发。许多罕见病、新发传染病、个性化治疗方案都面临数据稀缺的困境，而人类积累的生物学知识却大部分沉睡在非结构化的文献文本中。大语言模型提供了一种唤醒这些知识、并将它们转化为可计算预测的方法。 当然，这项技术还不完美。大语言模型有时会产生“幻觉”，编造看似合理实则错误的理由；不同组织之间的预测效果仍有差异；对于需要复杂多步骤推理的极端案例，模型可能力不从心。但正如研究团队所言，这项工作的目标不是立刻替代实验室实验，而是帮助研究人员优先筛选出最有希望的候选药物组合，从而大幅降低实验成本和时间。 在未来，我们或许会看到这样的场景：医生面对一位罕见癌症患者，在系统中输入患者的基本信息后，AI快速扫描所有已知文献和数据库，给出一个经过智能推理的联合用药建议清单。而这张清单背后的“大脑”，正是那些通读了人类医学知识的大语言模型。 对于我们而言，这项研究传递了一个清晰的信息：AI在专业领域的突破，正从“有多少数据做多大事”的蛮力阶段，迈向“用知识弥补数据”的智慧阶段，并且，这扇大门才刚刚打开。