Precision Medicine in Pharma: Sanofi’s Frank Nestle
24:42 Share

今天，我们播放的是由我们的朋友 Modern CTO Podcast 制作的一期节目，他们最近很友好地邀请我作为嘉宾参加。我们讨论了生成式 AI 的兴起，在技术方面取得成功的意义，以及领导者在指导技术实施工作时需要考虑的一些因素。您可以在 Apple Podcast、Spotify 或任何您收听播客的地方找到 Modern CTO Podcast。人工智能有可能以前所未有的规模推动药物研发。

在本期节目中，了解一家制药公司如何使用人工智能。我是赛诺菲的弗兰克·内斯特尔，您正在收听《我和 AI》。欢迎收听《我和 AI》，这是一档关于人工智能和商业的播客。在每一期节目中，我们都会向您介绍一位在人工智能领域进行创新的个人。我是萨姆·兰斯博瑟姆，波士顿学院分析学教授。我还是麻省理工学院斯隆管理评论的 AI 和商业战略客座编辑。

我是谢尔文·科多班德，BCG 的高级合伙人，我与人共同领导 BCG 在北美的 AI 业务。麻省理工学院、SMR 和 BCG 共同研究和发表关于 AI 的文章已有六年时间，采访了数百名从业人员，并对数千家公司进行了调查，了解构建、部署和扩展 AI 能力以及真正改变组织运营方式需要什么。今天，谢尔文和我正在与弗兰克·内斯特尔交谈。

赛诺菲全球研发负责人兼首席科学官。弗兰克，感谢您与我们交谈。欢迎。很高兴见到您，内斯特尔博士。你好，谢尔曼。也很高兴见到你。弗兰克，也许可以先说说你在赛诺菲目前的职位。你在做什么？

我是赛诺菲的全球研发负责人兼首席科学官。赛诺菲是一家真正让药品惠及全球的公司，遍布 100 多个国家，拥有大约 10 万名员工，为数百万人民提供药品和疫苗。我们目前正在经历一次非常令人兴奋的转型。我们最初从事的是初级保健，现在正在向专科医疗过渡，在免疫学、肿瘤学、罕见病（包括罕见血液病）、

神经学以及疫苗方面提供药品。而我作为全球研发负责人的角色，是真正地为正在等待的患者发现并转化下一代突破性药物。我可以告诉你这一点。告诉我们一些关于你的背景信息，弗兰克，你是如何开始你的职业生涯的，以及你最终是如何来到这里的。我是一名临床医生和科学家。

我最初在皮肤病学和临床免疫学、变态反应学方面接受过培训，但我一直被改善患者状况的愿望所驱使。我通过努力了解疾病机制，然后将这些机制方面的见解转化为治疗方法来做到这一点。

希望并且理想情况下，能够精确地满足个体患者或患者群体的需求。现在这被称为精准医疗，但这始终是我的动力。在科学方面，我试图弄清楚这些疾病机制。其中一个是免疫系统的科学。

我很高兴现在可以告诉所有听众，在大流行期间，我们都成为了免疫学家。所以现在有很多关于抗体、T 细胞和 B 细胞之间区别的知识。我不确定有多少知识。有很多专家。有很多专家。这实际上让我的科学研究更有趣，因为你可以……

完全主导任何晚餐谈话。另一个我可以轻松谈论很长时间的话题是皮肤病学，这在晚餐期间总是一个不错的话题。

但是，思考免疫系统令人难以置信地着迷。它本质上是通过我们身体循环的一组移动细胞，它们在发生癌症或免疫疾病的组织和血液之间来回移动。它们可以通过简单的抽血轻松获取，了解这个相互关联的系统如何运作非常令人兴奋。

我坚信，所有生物学都是相互关联的，例如，它在癌症中发挥作用，以保护我们免受癌症侵害。我们在癌症的检查点免疫疗法方面取得了巨大的成功。但是，如果它失控了，如果它在自身免疫方面反应过度，那么免疫系统的基本结构就是我们在疫苗中应用和利用的东西。我们的免疫系统已经进化到可以对抗病原体。

告诉我们免疫学的新世界与旧世界是如何通过技术，可能是通过更好的分析、更好的 AI 而发生转变的。

是的，关于生命科学与数据科学和工程的伟大融合如何发挥作用以增加我们对免疫系统的了解，实际上有一个很好的故事。这一切都集中在单细胞免疫学的主题上。我们现在只需几千个细胞就可以评估和分析患者的免疫系统。我们通过应用单细胞免疫学技术来做到这一点

我们可以研究每个细胞的 2000 个基因。所以想想一下，如果我们取 10 万个细胞，并且在这 10 万个细胞中，我们研究每个细胞的 2000 个基因，我们可以研究基因修饰的程度。这是因为工程学、微流控技术的进步才成为可能。这是因为人工智能才成为可能。例如，在赛诺菲，在我们的实验室，

研究所，我们正在编写代码，我们正在编写 AI 算法，然后基本上分析这些数据并重新发现细胞命运。然后，我们注释一个细胞是 B 细胞还是 T 细胞，或者是我们从未听说过的一些新的免疫细胞。令人兴奋的事实还在于，我们不仅可以从血液、循环中获取细胞，还可以进入例如患有

关节炎患者的关节，甚至多发性硬化症患者的脑脊液。所以我们突然可以进入疾病发生的地方，然后从字面上将这种疾病置于你可以称之为分子显微镜下。如果你考虑到细胞是

生理系统、免疫系统的共同点，那么你可以称它为免疫系统的原子。我们可以从字面上以原子水平的分辨率研究免疫系统。人工智能在这里的用途既是为了理解机制，也是为了可能提出新的药物。

没错。所以第一步是，我总是说，首先你必须探索并创建一个生理学和病理学的图谱、景观。这就是我们目前正在做的。然后，一旦你掌握了所有这些信息，你就会创建其背后的理论，机制是如何发挥作用的，然后你就会制造药物。

首先，我们想了解疾病机制是如何发挥作用的。这正是我们使用这些 AI 算法的地方。想象一下，你有 10 万个细胞，它们有 2000 个基因上调或下调。我们不知道它是否是 T 细胞、B 细胞或某种新的免疫细胞。因此，如果你对这些数据集运行学习算法，该算法会越来越好，实际上可以告诉我们。因此，你基本上会重新组织或重新发现免疫系统的细胞注释。

在我看来，在 AI 的一些应用中，我和萨姆一直在谈论，这是一个现有的业务流程，它得到了一些改进或优化。弗兰克，你谈论的是如果没有 AI 就根本不存在的应用，我认为是这样，对吧？因为你谈论的规模涉及数千个细胞和数千个基因……

在我看来，如果没有使用 AI，这些问题将无法解决。我倾向于同意。我的意思是，问题总是，你所说的 AI 是什么意思？从……

AGI，你知道，人工通用智能，我们还没有达到各种机器学习的应用，当我多年前开始使用机器学习方法时。这些只是简单的聚类算法或这些是。

例如，随机森林类型的机器学习方法。但是现在，在应用 AI 方面，我们显然可以做得更多。然后，药物的发现是一个完全不同的挑战。这正是你进入分子设计这个问题的地方。你知道，药物有不同的尺寸和形状。如果它们是

低于 500 道尔顿，则称为小分子，高于则为大分子。小分子是你通常服用的药丸，大分子可能是生物制剂，你注射的抗体。正如我们从 COVID 中了解到的那样，你可以注射抗体来保护自己免受 COVID 的侵害，但你也可以服用

小分子药丸来基本上阻止例如 COVID 病毒的病毒复制。那么你如何获得这些分子呢？你首先必须了解你的目标。例如，如果你考虑一下

多发性硬化症或系统性红斑狼疮中的靶标，你有一个特定的靶标。它是一种蛋白质，你必须了解该蛋白质的结构。这称为结构赋能。我们现在可以使用诸如冷冻电子显微镜等奇妙的技术，

或这些靶标的 X 射线分辨率，我们可以发现它们的结构。但我们还可以做的是，我们可以虚拟地将数十亿个小分子与这些靶标进行比较，然后发现以具有功能性影响的方式击中这些靶标的小分子。

这些通常被称为变构抑制剂。因此，一种抑制剂基本上与靶标、蛋白质结合，并以功能性输出的方式这样做。然后它可以例如阻止某个靶标，阻止某个蛋白质，

而这正是药物的第一步，因为我们突然有了靶标。我们有一种疾病，它在其中发挥作用。我们有一个工具化合物，例如一个小分子。然后我们可以将这种起始化学物质最终转化为真正的药物。所以你是在谈论尝试所有这些东西。你是实时尝试还是在物理世界中尝试？你是虚拟地尝试吗？

它是现实世界和物理世界的结合。我总是将 AI 比作桌子旁的化学家。例如，如果你想提出一个小分子、药物的新结构，我们过去会众包。我们组织中有 300 多名化学家，因此你可以向他们发出众包请求，你将有 300 个化学家的头脑参与寻找完美的分子。

但是，如果你使用 AI 并使用生成算法，那么你可以从字面上遍历数百万甚至数亿个潜在结构，然后对其进行优化。这只是我们过去所做工作的数量级。

比我们过去做的更大。例如，我们只对几十万个分子进行了高通量筛选。现在我们可以对数亿个分子进行高通量筛选，我们可以在虚拟环境中进行。但是，虚拟筛选只会让你获得一个命中。我们称之为潜在药物的第一次迭代。然后必须对其进行优化。实际上，机器和人之间的这种串扰一直在发生。

在这种情况下，人是化学家吗？人是化学家，是的，没错。所以化学家在这里仍然有工作。绝对的，绝对的。我本来想问一下，那一群化学家认为突然间不再需要 300 名化学家的意见了。他们对此怎么看？

没错。所以他们实际上很享受这个挑战。我们所说的配体空间或我们正在探索的化学空间正在不断扩大。通过该化学空间的扩大，我们可以提出全新的分子。没有什么比让化学家面对他们甚至从未想过的新分子，然后将其付诸行动更有趣的了。但这从最初的命中点到

最终成为临床候选药物通常需要四到五年时间。然后你必须将其进行临床转化。这还需要八年时间。所以从最初的命中到最终成为药物是一段漫长的旅程，但正是在这里，分子诞生了。药物后来在临床试验中诞生，当我们在患者身上进行原理验证研究时。但这似乎有点困难。例如，如果你突然有了很多很多命中，

这不会对你的流程和下游工作流程产生很大的影响吗？

你可能会这么认为，但实际上恰恰相反。所以我们的经验告诉我们，这些模型可以预测结构，并帮助我们将巨大的空间缩小到更小的空间。我给你举个例子。几年前，我们通常必须合成近 5000 个分子，采用的是我们几年前应用的典型药物发现模式。如果你使用

预测模型（如 AI 模型）的支持，并且在价值链中有多个步骤才能获得一个分子来最终应用模型，你可以将其减少到 500 个。而这正是现在的巨大希望，并且真正重要的是要理解这一点，那就是 AI 算法的预测能力，它被大量数据集训练，从而减少了我们概念上需要提出和测试的分子数量

在我们的分析系统中。所以它实际上所做的，是减少了我们合成所需的投资，合成化合物很昂贵，但也要测试这些化合物。最终，这可能导致我们缩短时间表。而且，你知道，如果你了解药物发现和开发的数学或经济学，那就是时间表。如果你可以从

将药物送到你附近的 CVS 所需的 10 到 13 年中减少一两年，那么我们可以显著改变药物发现和开发的经济性。所以从 5000 个（在旧世界中，我认为必须通过反复试验进行测试）到 500 个，你正在限制将要开发和测试的宇宙。

在这个排除其他 4500 个的过程中，你可能会丢弃一些好的候选药物吗？我很想知道学习是如何在这里发生的。因为在我接近的大多数其他 AI 系统中，存在一个算法从中学习的真实数据。是的，什么是真相？对。什么是真相？如果你丢弃了引擎加上化学家认为甚至不起作用的结构。

你可能会丢弃一些可能从未问世的好药物候选药物吗？是的，这是一个很好的观点。它还取决于价值链的不同步骤。当我们制造药物时，

我们正在测试不同的属性。例如，只有一个属性可能是非常有效的结合。下一个属性可能是高度特异性的结合，不会击中其他靶标。下一个属性可能是它很安全。它不会例如导致

心脏功能障碍或肝脏的其他副作用。下一个属性可能是分子被肠道很好地吸收。所以下一个属性是在你需要的器官系统中在体内分布。所以所有这些不同的属性都是由专门的模型优化的。这些模型经过训练

我给你举一个具体的例子。我们使用所谓的 caco 细胞系来模拟肠道吸收的样子。我们通过了解该细胞系吸收或吸收分子的程度来模拟这一点。所以我们一直在运行数千个这些 caco 细胞系。然后我们研究真相是分子在多大程度上被吸收。

在该 caco 细胞系中，这给了我们分子的高排名。然后系统从这个迭代过程中学习什么是好的 caco 细胞系摄取分子。这最终给了我们一个越来越好的模型。所以这个模型将是我们用来预测我们最终将测试的 500 个模型中的一个。这说得通吗？是的，是的，因为你所说的

你选择的分子必须具有不同的属性。这些属性是在可能看起来类似于这些分子的其他分子上进行现实世界测试的。所以某种类型的聚类或看起来像这样或具有这些类型的链或任何东西的分子，或这些类型的配体效果更好。这就是你将学习融入算法的方式，如果我理解正确的话。是的，非常好。我认为重要的是，我认为我们犯了滑入这个错误

二元分类的事情，它要么是好药，要么是坏药，你有很多不同的属性需要考虑，你可以玩弄每一个属性，你可以在每一个属性上进行测试，这样它就不只是那种粗略的，你知道，向上、向下、是或否，我们之前粗略地思考过。

我们称之为优化过程。这是一个高维优化过程，通常如果你去除分子的某个分子片段，你可能会提高吸收率，但你可能会降低效力。所以这实际上是一个权衡过程。

而这正是化学家擅长的地方。而这正是他们享受的地方，因为这是一个如此高维的空间，我们有如此多的数据可以拥有那个合作伙伴，即 AI，来告诉他们 AI 的想法。弗兰克，这太吸引人了。所以我们将过渡到一个环节，这是一个快速问答系列。所以我只会问你五个问题。

你可能还不知道。所以只需给出你脑海中第一个答案即可。你准备好了吗？当然，当然。好的，那么告诉我们你最自豪的 AI 时刻。最自豪的 AI 时刻是，我们第一次能够使用赛诺菲内部开发的 AI 算法注释单细胞免疫学细胞命运。太棒了。那是什么时候？

那是 2018 年。你对 AI 感到担忧的是什么？让我担心的是，人们不明白 AI 是什么。他们总是认为人工通用智能就像机器取代人类一样。这根本不是我所看到的。如果你看看自动驾驶汽车目前的情况，在接近它之前还有很多问题需要解决。

但是 AI 真正的作用是，对于非常具体的问题，使用良好的数据集、高计算能力和良好的算法来解决人脑无法解决的问题。AI 的这些小小的贡献正在改变一切，当然在我的研发价值链中也是如此。你最喜欢的不用技术的活动是什么？骑自行车。你童年时想从事的第一个职业是什么？

我一直想走作家和导演的道路，实际上是戏剧导演。

然后我读了阿尔贝·加缪的《鼠疫》，我当时正在学习哲学和文学。那里有一个人，里厄医生，他正在与瘟疫作斗争。这与大流行非常及时。他正在通过做好事、通过帮助来对抗这种荒谬，这种荒谬的存在。我不是那么哲学。但是当我进入医学领域时，这只是一个……

一种做好事和做一些有用的事情的方式。现在我们通过希望找到下一种改变患者生活的药物来大规模地做到这一点。这与阿尔贝·加缪形成了鲜明的对比。是的，没错。你对未来 AI 的最大愿望是什么？

让它更易于解释，无论是在将其从黑盒状态中解脱出来方面，还是在理解它所做的事情方面，也要向人们解释它，这样就不会对这个不幸的小首字母缩写词产生误解。一旦你在某些情况下使用它，它实际上是具有变革意义的。

谢谢你，弗兰克。这非常有见地，我相信对我们所有的听众来说都非常有价值。非常感谢你。感谢你们的邀请。是的，很高兴与你们交谈。下一次，谢尔文和我将与欧莱雅的美容科技项目总监斯特凡·勒内泽尔交谈。我总是喜欢关于化妆品的精彩节目。请加入我们。

感谢收听《我和 AI》。我们相信，与你一样，关于 AI 实施的对话不会仅限于此播客。这就是为什么我们在 LinkedIn 上专门为像你这样的听众创建了一个小组。它被称为 AI for Leaders。如果你加入我们，你可以与节目创建者和主持人聊天，提出你自己的问题，分享你的见解，

并获得来自麻省理工学院 SMR 和 BCG 关于 AI 实施的宝贵资源，你可以通过访问 mitsmr.com/AIforLeaders 来访问它。我们将把该链接放在节目说明中，我们希望在那里见到你。