Maccabi 的 Michal Tzuchman-Katz 谈:为什么 AI 的下一前沿是存储的人体生物学
The Biobank Bet: Why AI’s Next Frontier Is Stored Human Biology — A Conversation with Maccabi’s Michal Tzuchman-Katz
以色列第二大 HMO Maccabi 首席创新与研究官 Michal Tzuchman-Katz 认为,AI 的下一前沿是存储的人体生物学,其样本库 Tipa 覆盖 280 万会员、积累逾 100 万份连续样本。她批评 AI 多用于优化旧流程,虽压缩候选分子时间却未解决临床转化瓶颈,主张用「逆向转化」把临床信号提前反馈到临床前设计。在她看来,AI 当下真正落地的只是可行性研究等运营环节。
2026 年,一个特定的想法正日益深入人心:下一代药物的原料不是更多的算力或更聪明的算法,而是被储存下来的人体生物学数据——患者组织和血液,并与患者随时间推移实际发生的情况相关联。这仍是一笔早期押注,规模以千万计,而非涌入 AI 模型的数十亿美元,且迄今只有少数几家参与者下注。但其轮廓如今已清晰可见。1 月,GSK 支付 5000 万美元预付款,从初创公司 Noetik 授权虚拟细胞模型,这些模型基于其自有的专有组织数据构建。8 月,Network Bio 以 5000 万美元融资成立,旨在将美国学术医疗中心的生物样本库串联起来,并于 11 月签约 Duke 作为其首个具名合作伙伴。
为了理解是什么让这些样本库变得有价值——以及为什么拥有最多的样本并不等同于拥有最好的样本——我在阿姆斯特丹的 HLTH Europe 2026 大会上与 Michal Tzuchman-Katz 进行了交谈。

Tzuchman-Katz 是以色列第二大健康维护组织(HMO)Maccabi 的首席创新与研究官,也是一位由工程师转行的儿科医生,曾创办过一家医学知识图谱公司。
她否定了大多数人出发时所采用的框架。这场竞争通常被描述为规模问题:谁拥有最多的样本、最多的基因组、最大的队列。她告诉我,大多数生物样本库只有单一的生物学样本视角,其中大多数并没有如此丰富的电子健康记录(EHR)数据。
她用来说明许多生物样本库局限性的对比,是照片与电影之间的区别。
大多数生物样本库,即使是最大的,本质上都是横断面的:每位参与者只有一次基线测量。这对于最重要的问题来说是错误的工具,比如疾病如何发展、患者如何对药物产生反应,以及为什么一个人有反应而另一个人没有。
Maccabi 构建了另一种东西。其名为 Tipa 的生物样本库由研究部门 Kahn-Sagol-Maccabi(KSM)运营,在 280 万名成员中保存了超过一百万份连续样本,这些样本是被动积累的:当一名已同意的成员进行常规抽血时,系统会额外留存一份等分样本。
她说,经过数年,这会产生一个生物学时间序列。诊断前、诊断后;治疗前、治疗后;并发症前、并发症后。有时每位患者会有数十甚至数百份样本。
这正是新进入者试图弥合的差距,也解释了为什么他们将核心问题描述为关联,而非收集。
例如,Network Bio 融资 5000 万美元,旨在将学术生物样本库连接成一个数据集,涵盖组织、配对血液以及来自 50 万多名患者的纵向结果。
首席执行官 Asad Ali Ahmad 表示,每位患者都会在组织中留下其疾病的条形码,而到目前为止,还没有人能够大规模读取这些条形码。他指出的障碍是美国生物样本存储的结构性缺陷:样本确实存在,但它们被孤立在各个机构中,按照不同标准收集,无法跨库训练。他的整个愿景就是构建连接组织,使它们能够被共同读取。
以色列从未有过这个问题,而这正是 Maccabi 优势的核心。Network Bio 必须在各机构之间构建连接,而 Maccabi 天生就具备这种连接。以色列约 30 年前就实现了病历数字化,因此电子健康记录(EHR)的基础十分深厚。而且 Maccabi 既是支付方又是医疗服务提供方,临床记录从不断裂。
“我们无所不知,从出生到病床,”Maccabi Innovation 业务发展与合作伙伴关系总监、分子生物学家 Gil Azulay 这样说,“即便他去了医院,我也是支付方,所以我知道发生的一切。”由于还运营着一个封闭的本地环境,Maccabi 能够快速提供新鲜组织,其速度足以支撑那些冷冻存档无法满足的检测——其中包括转录组学,分子状态在取样后几分钟内就会衰减。

这项资产在不断复利。280 万的人口增长缓慢,但每位成员的数据随着每一项合作而不断加深——随着企业陆续加入,基因组学、蛋白质组学、多组学等层次不断叠加。“我们越是利用这些数据工作,它就变得越大,”Tzuchman-Katz 说,“它为接下来与之合作的企业带来的价值也就越多。”
对 Gil 来说,这种深度就是全部卖点,而且他用前沿领域的语言来表达。“全世界没有人知道这座金矿,”他说。他认为,信号其实已经躺在数据里——那些已知安全性的现有药物,一旦生物样本库浮现出一个此前无人关注的关联,就能立刻重新定位。用他的话说,梦想是在人群层面上、随时间推移、连续地获取患者的分子生物学信息。
尽管对自己的资产充满热情,Tzuchman-Katz 对于旨在利用这项资产的技术却异常克制……她认为,人工智能(AI)大多被指向了错误的目标。
“AI 正被用于优化旧流程,”她说,“而它本该做的是从根本上重新设计这些流程。”
“它压缩了得到候选分子的时间,却让真正扼杀药物的那一步原封未动。它没有解决瓶颈——临床转化。分子在试验中失败,而 AI 在这方面没有太大进展。”
她举出的重新设计的例子是反向转化:与其等待分子在临床中失败,不如尽早收集临床信号并将其反馈到临床前设计中——这正是一个连续的、与临床相连的生物样本库所要构建的循环。
在她看来,这个反馈循环也正是 Maccabi 的规模成为优势的地方。发现、验证、临床工作以及由此反馈回来的信号可以置于同一个体系之内,而不是分散在各自割裂的部门,甚至不同的医疗体系、不同的国家。
在她看来,AI 今天真正发挥作用的地方更为务实和运营层面:可行性研究。评估样本库是否拥有合作伙伴所需的内容,过去需要数据科学家团队手工完成,而现在其运行速度足以匹配一家公司的节奏,这一点很重要,因为输入的数据已经爆炸式增长。
“患者数据来自可穿戴设备、临床数据、非结构化数据、笔记、影像、病理结果——非常多,”她说,“当然,AI 能做得好得多。”她谨慎地划出界限:“这不是临床质量改进,而是让我们能够以“]}[
她认为更宏大的愿景是真实但遥远的:一个能像大语言模型学习语言那样学习疾病语法的生物世界模型。她提到了 Noetik——她指出,这家公司对约 1,000 份黑色素瘤样本的小型样本库进行深度测量,并将其输入一个旨在理解底层生物学的模型。她说,从某种意义上说,这是一种类似 OpenAI 的方法,构建一个理解生物学的 ChatGPT。
对于 Maccabi 这样的资源目前能带来什么回报,她没有夸大其词:它今天可能不会带来具体的 ROI,但它将构建未来——也许是两三年,也许是五年。
能够推动医学变革的信号已经存在,只是沉睡在那些尚无人能大规模读取的档案中。她押注的差异化因素是时间分辨率、临床关联、新鲜样本能力以及合作伙伴可以信赖的治理——而非原始规模。但她明确表示,其余方面并不会自动跟上。
她说,必须有一个生态系统协同运作,才能改变生物学成为我们改进医学的方式——而不仅仅是药物发现的方式。
通过BiopharmaTrend Pro 会员深入了解这个日益有利可图且日益复杂的科技生物领域。
主题: 下一代工具
来源:BiopharmaTrend · biopharmatrend.com