當人工智慧與生物醫學相遇，創新正在改寫藥物研發的規則。Recursion Pharmaceuticals的創辦人兼執行長—Chris Gibson，正是這場變革的引領者。他將自己的科學專業背景與對技術的熱情結合，開創了一種嶄新的藥物開發模式，利用AI技術快速篩選化合物、分析生物數據，並為罕見疾病患者帶來希望。Gibson不僅挑戰傳統藥物研發流程的低效性，還通過科技力量縮短了實驗與臨床試驗的距離。他的創業之路始於一次簡單的實驗室靈感，如今已成為數十億美元規模的企業，而他的願景也不止於此。本篇將帶您深入了解Chris的創業歷程、Recursion的技術優勢，以及Chris對科技生物 (TechBio) 新世代的願景。
▍靈感來自實驗室的瓶頸：Chris Gibson的創新之路
Chris畢業於萊斯大學（Rice University），取得了生物工程與管理學雙學位。2009年，他進入猶他大學（The University of Utah）攻讀MD/PhD雙學位，並加入了Dean Li的實驗室（現任默克研究實驗室總裁）。當時，Dean Li的實驗室充滿創新研究的活力，擁有五項美國國家衛生院（NIH）補助金，專注於腦血管畸形（Cerebral Cavernous Malformation, CCM）這一嚴重腦部疾病的研究。在Chris加入之前，實驗室已經投入多年時間，建立了與CCM相關的細胞分子和動物模型，並推測RhoA蛋白在此疾病中起到關鍵作用。然而，當研究團隊認為即將取得突破時，實驗數據卻與預期截然相反，令研究方向面臨巨大的挑戰。
當時，團隊嘗試使用 FDA 已批准的藥物 Simvastatin，希望藉此改善腦血管畸形（CCM）的病情。然而，結果卻出乎意料—不僅無法改善，甚至讓動物模型的病情惡化。這次挫折成為 Chris 人生的轉捩點，讓他開始深刻反思研究可能存在的偏誤，以及對 CCM 生物學認知的不足。在壓力與挑戰中，Recursion 的雛形逐漸浮現。
身為一名生物工程師，Chris說服團隊設計一套表型篩選系統(phenotypic screening)。Chris的這種靈感來自於Ann Carpenter 在「表型組學」（phenomics）領域的開創性研究，該方法使用顯微圖像分析細胞的微小變化，與其只建立觀察一件事（例如螢光增加）的表型篩選，不如使用對許多細胞進行染色的細胞顯微鏡圖像，再透過電腦視覺技術和機器學習從這些圖像中提取比人眼能觀察到更複雜的測量值。
「表型篩選系統（Phenotypic screening）」是一種應用於生物研究與藥物開發的篩選方法，目的是識別能夠改變細胞或生物體表型的物質，例如小分子、肽或 RNA 干擾（RNAi）。所謂「表型」是指細胞或生物體的可觀察特徵，包括形狀、大小、生長速率、運動能力及對刺激的反應等。研究人員會在細胞或動物模型中測試各種化合物，觀察它們是否能引發期望的表型變化。一旦發現具有潛力的化合物，便會進一步進行目標解構（target deconvolution），以確定其作用機制。這種篩選方法的核心在於觀察物質對細胞行為或特徵的影響，而非針對特定分子靶點進行篩選。
基於這一概念，Chris 和團隊測試了數千種化合物，將其應用於健康與病變細胞，並使用顯微鏡記錄藥物對細胞的影響，構建了一個龐大的數據庫。透過機器學習技術，他們能從圖像中辨識出細微的細胞變化，以量化方式找出潛在有效的藥物，並預測其治療效果。他們讓團隊和該機器學習系統比賽，結果顯示系統在預測初步活性苗頭化合物(hit compound)對特定靶標或作用環節上的命中機率比人類專家高。一年內，團隊成功篩選出兩種化合物，並在動物模型中驗證其有效性，證明了表型篩選方法的強大潛力。
這一關鍵突破推動了 Chris 和團隊創立 Recursion Pharmaceuticals，目標是透過電腦運算與機器學習等 AI 技術，重塑生物製藥產業，將其帶入以科技為核心的 「TechBio 」新時代。十年後的今天，Recursion 已成為該領域的領導者，擁有超過 500 名員工，多款潛在藥物進入臨床試驗。其中進展最快的項目 REC-994，正是基於十多年前 Dean Li 實驗室研究治療腦血管畸形(CCM)藥物所做的發現。
▍從儲藏室到納斯達克
Recursion創立初期只是由包含Chris在內的兩名研究生和一名教授，在猶他州創立的新創公司，他的第一間辦公室是附近大學研究園區的一間會議室，第一個實驗室是由儲藏室改建而成。
2013年11月公司一成立就積極尋求外部資金，並將美國國立衛生研究院（NIH）的小型企業創新研究計劃（SBIR）的第二階段（Phase II）作為首要目標（SBIR 是一種政府資助計畫，旨在支持小型企業進行創新研究）。在 2014 年 7 月Recursion的申請書獲得幾乎滿分的評價，雖然取得了NIH資助的資格，但資金到位還需要等待八九個月。不過，這份高分的申請書已經足以吸引天使投資人對Recursion的關注。2016年以前，公司運營的資金主要仰賴NIH 補助金、天使投資人和Chris的個人資金等。隨著公司的成長，Recursion漸漸吸引了機構投資人的興趣，從2016年至2020年陸續完成ABCD輪多起融資，使Recursion有足夠的資金與資源發展此AI藥物開發平台，並於2021年將公司推展於NASDAQ上市。如今， Recursion 已是一家引領生物科技向科技生物轉型的跨國公司。
▍從心臟外科醫生到AI藥物開發先驅
公司創立除了上述來自外部的挑戰以外，對 Chris 而言，更大的考驗源自內心。2009 年，Chris 進入猶他大學（The University of Utah），攻讀 MD/PhD 雙學位，他加入 Dean Li 實驗室，專注於醫學博士階段的研究與訓練，目標是成為一名心臟外科醫生。然而，到了2013年，他面臨了人生艱難的交叉路口—選擇可預期的未來完成學業成為醫生，抑或是走向前途叵測的創業之路。當時，他已經快要完成醫生訓練的MD/PhD課程，若選擇創業，意味著他必須放棄投入整整九年的專業學習，將職涯的重心從醫學研究轉向商業發展。這樣巨大的轉變不僅是事業上的選擇，更是一場對理想與現實的賭注。最終，Chris透過思考此兩種不同道路能對世界產生的影響來做出決定，若當醫生，他預期可在職業生涯中對幾千名患者產生影響，但若創辦Recursion，卻有可能影響數千萬甚至數億患者的生活。正是此願景以及來自家人的支持，將他推向創業的冒險之路，Recursion成了他職涯轉折的重要起點。
▍用堅定的使命帶領公司發展—Decoding Biology to Radically Improve Lives
Chris致力於引領生物製藥產業( Biopharmaceutical Industry )從研發效率不斷下降的傳統「生物科技(BioTech)」，轉向以機器學習和人工智慧為核心工具的新「科技生物(TechBio)」時代。他認為，Recursion在這波轉型中具有獨特的優勢，歸功於專注建構專屬資料的AI藥物開發平台，並培養由生物學家、化學家、AI和資料科學家組成的「雙語」團隊，以及其對生物製藥產業變革堅定的使命—解碼生物學，徹底改善生活。
以實驗數據為燃料的AI藥物開發平台—Recursion OS
在機器學習研究中，訓練資料集的品質對於模型預測的準確性至關重要。與大多數AIDD（AI 驅動藥物開發）公司不同，Recursion的AI驅動藥物開發平台—Recursion OS 的獨特之處在於透過自身高度自動化的濕實驗室（Wet-lab），每週進行多達 220 萬次實驗，涵蓋表型組學（Phenomics）、轉錄組學（Transcriptomics）以及體內組學（In Vivomics）等多種研究領域，創造龐大的資料集，然後再結合乾實驗室(dry-lab)的機器學習演算法和模型來分析和處理和解釋濕實驗室產生的大量數據，並將分析的結果用於進一步的實驗，形成良性循環，推動迭代且高效的藥物發現過程，如此濕實驗室和乾實驗室之間的緊密整合協作，便是Recursion AI 驅動藥物開發平台的核心策略。
Chris認為，產生和匯集大規模、高品質的數據對於藥物發現的成功至關重要。他認為許多所需的數據並不存在於公共領域或製藥公司手中，因此需要被創造出來。Recursion已在多種「-omics」模態上完成了超過 2 億次實驗，此外，還透過對外策略聯盟聚集更多的高品質數據，例如透過與Tempus的合作，取得超過 10萬名癌症患者的DNA和RNA序列數據，將之與Recursion OS每一層強大的資料結合在一起，包括大規模的細胞組學資料、動物組學資料，和人類患者組學資料等，以訓練更通用的生物學模型。Chris認為產生和匯總大規模的、迭代的、多模式資料，將是實現Recursion解碼生物學的使命的最快途徑。
Recursion也正在利用大型語言模型（LLM）來自動化分析數據。在2024年初啟動了大型語言模型協調工作流程引擎(LOWE)，此工具連接Recursion OS的濕實驗室和乾實驗室組件，使用自然語言介面協調複雜的藥物發現工作流程，讓不具備資料科學專業知識的科學家或不熟悉程式碼的化學家，也能利用整個 Recursion作業系統來發現和開發藥物。這款工具已成功吸引了如拜耳（Bayer）這樣的大型製藥公司已將其整合到自身藥物開發流程中，證明了其實用性和市場價值。
打破學科藩籬，協作藥物發現—「雙語」團隊
Chris採用「雙語」團隊的概念，打造了一支精通傳統科學（生物學和化學）和正在重塑藥物發現的新技術（機器學習和資料科學）的跨學科團隊。「雙語」的協作方式不僅限於共享工作空間，而是創造了一個真正協同的環境。這些團隊成員不僅是各自領域的專家，還能有效理解並與其他學科的專業人士溝通，例如生物學家可以貢獻他們對疾病機制的理解，化學家可以貢獻他們對分子設計的知識，而資料科學家和機器學習專家可以使用他們的計算技能來識別模式並從數據中進行預測，通過分析這些數據找到解決方案。這意味著團隊中的生物學家和化學家不僅僅是做實驗，他們也在學習理解數據的語言，而資料科學家和機器學習專家則在深入了解生物過程的複雜性。這種模式打破了傳統藥物研發中各學科孤立作業的瓶頸，促進了團隊整合式問題解決的能力。
除了數據、人力，還有算力
Chris認為資料(data)與執行(Execution)是決定未來在生物製藥發展競賽中勝出的兩個關鍵因素。在接下來的幾年裡，獲得專用計算資源和強大的AI/ML與軟體工程團隊將是這場競賽的先決條件，這就是為什麼Recursion繼續投資於自有超級電腦BioHive的原因。
BioHive是Recursion內部部署基於NVIDIA的DGX SuperPod架構所打造的超級電腦，他角色不僅僅是高性能運算的支柱，它還是Recursion私有雲基礎設施的核心，負責協調實驗室活動和數據傳輸。這台超級電腦專注於支持深度學習模型的訓練，涵蓋了從生物學到化學再到患者數據的多模式分析，例如Phenom-1 (從細胞圖像中提取有意義的生物學特徵)和MolE(理解、表示和處理化學數據、預測藥物特性)等，幫助公司建構用於解碼生物學和工業化藥物發現的基礎模型。
Recursion於2020年底推出的第一代BioHive-1，最初配置了300多個NVIDIA A100核心GPU，經過擴建後增加了500多個NVIDIA H100 GPU。2024年5月，此超級電腦升級為BioHive-2，採用了63台 NVIDIA DGX H100 系統，包含 504 個 NVIDIA H100 Tensor Core GPU 和 NVIDIA Quantum-2 InfiniBand 網絡，性能是 BioHive-1 的四倍。這種升級使 BioHive-2 能夠更快地訓練更大、更複雜的 AI 模型，並支持多個大型 AI 項目同時進行，進一步鞏固了Recursion 開發基礎模型的能力。BioHive-2在全球最強超級電腦的 TOP500 排行榜中排名第 35 位。與一些可能使用雲端運算或租用超級電腦的公司不同，Recursion完全擁有並營運BioHive，這點很重要，因為這代表Recursion完全掌控其基礎設施和數據，提供了更高的可靠性和安全性。
呼應先前所述，Chris認為，計算能力、數據資源與人才的結合，是訓練領先AI模型的必要條件，而BioHive的存在和擴展則是這一理念的具體體現。Recursion如此不惜成本地投資在自有的超級運算基礎設施，除了強調在競爭中保持計算基礎設施領先地位的重要性外，也表明了Recursion對於要在科技生物領域處於領導地位的決心。
▍發展願景—解碼生物學，將藥物開發工業化
Chris的願景是希望Recursion能成為一間引領生物製藥產業從生物科技(BioTech)轉型為由AI驅動的科技生物(TechBio)的公司，利用數據、AI與多模組堆疊的技術平台來徹底改變傳統藥物開發模式，透過在藥物開發計畫一開始，便運用大數據、廣範圍精準的篩選，提早發現並加速高潛力候選藥物進入臨床試驗的時程，取代傳統開發早期透過不斷試錯的時間與資源耗損，將傳統藥物開發流程V形的漏斗形樣貌轉變為T形，將藥物發現過程工業化，如同Chris所期望的，Recursion不是一家建立一個平台來開發少數藥物的公司，而是一家正在建立一個平台能長期規模化開發許多藥物的公司，透過數據、生物學、化學，以及AI/ML的結合解碼生物學，讓藥物開發流程工業化，加速藥物推展上市時程，以徹底改善人類生活。
▍本篇思路
Thinking Map & Takeaways
