ARTICLE · 1239407
GSK押注1.1亿美元:AI制药的下一场竞争,可能不在算法,而在实验室
2026年7月30日，全球制药巨头GSK宣布，与英国人工智能生物技术公司Relation Therapeutics扩大合作。
根据双方公告，新合作的潜在交易金额最高达1.1亿美元。
这笔交易表面上看，是又一家大型药企与AI公司建立战略合作。在AI制药已经不算新鲜概念的今天，类似消息似乎并不令人意外。
但仔细研究双方的合作内容，会发现一个值得关注的变化。
GSK看重的不只是一个AI模型，而是能够系统性生产高质量细胞实验数据，并利用这些数据预测疾病生物学的研发平台。
双方计划利用自动化实验室，大规模开展人类细胞的基因和药物干预实验，获得包含时间信息的多组学数据，再用这些数据训练AI基础模型。
其中就包括Relation最新推出的细胞模型MORGAN。
这意味着，AI制药正在出现一种新的研究路径：
不再只是让算法学习过去几十年积累的生物数据库，而是根据AI建模的需要，主动设计和开展新的生物学实验。
这一变化，或许比1.1亿美元的交易金额更加重要。
一、为什么一家顶级药企要与一家年轻的AI公司合作？
Relation Therapeutics是一家总部位于伦敦的生物技术公司，成立于2020年。
与许多主要专注算法开发的AI药物发现公司不同，Relation从成立之初就强调一个理念：
理解人类疾病，应该尽可能从真实的人类生物学出发。
传统药物研发的一个长期困难，是实验模型与真实人体疾病之间存在差异。
科学家可能在培养皿中的细胞系里发现某个有效靶点，但这种靶点到了患者体内，却未必还能产生预期作用。
类似问题也存在于动物实验。
部分动物疾病模型可以模拟人类疾病的某些表现，却不一定能够完整反映人体的分子机制。
Relation希望通过直接研究患者来源的组织、单细胞多组学数据、人体遗传学信息，以及后续的功能实验，尽可能在早期阶段建立与人类疾病相关的生物学证据。
其研发体系有一个名字：Lab-in-the-Loop。
可以把它理解为一个持续循环的研究系统：
真实患者组织提供疾病相关信息，AI分析识别潜在关键靶点，研究人员通过湿实验进行功能验证，再将新的实验结果反馈到后续分析与模型开发中。
这种方式与传统药物研发最大的区别，不是取消湿实验，而是尝试让计算模型与湿实验形成更紧密的反馈机制。
二、第一轮合作：2024年，GSK先选择了两类疾病
实际上，GSK与Relation并不是2026年才开始合作。
2024年12月10日，双方就已宣布两项战略合作，分别针对纤维化疾病和骨关节炎。
根据公告，GSK提供的首期付款为4500万美元，其中包括1500万美元的股权投资。
Relation还可能根据合作进展获得额外里程碑付款、药物开发与商业化相关付款，以及未来产品销售提成。
这里需要强调，这些潜在付款并不意味着Relation已经获得了全部资金，后续金额取决于项目能否实现约定的研发或商业目标。
为什么选择纤维化疾病和骨关节炎？
从疾病生物学角度看，这两类疾病都十分适合研究复杂的细胞调控网络。
纤维化疾病涉及组织损伤、炎症、异常修复、成纤维细胞激活及细胞外基质沉积。
骨关节炎则涉及软骨、滑膜、软骨下骨和局部炎症等多种组织与细胞的相互作用。
它们并不是单一基因发生异常，就能完整解释的疾病。
许多相关药物在早期研究中看起来具有潜力，但真正能够改变疾病进程的治疗手段仍然有限。
对于GSK而言，如果能够更准确地识别哪些分子机制真正驱动疾病发生和进展，就有机会降低早期靶点选择错误的风险。
而Relation的工作，正是通过人源疾病数据和功能实验，筛选并验证潜在药物靶点。
这也是双方第一阶段合作的重点。
值得注意的是，当时双方强调的还不是一个能够模拟完整细胞的AI系统，而是利用患者组织、遗传学、多组学和机器学习来理解疾病机制。
这是一个相对明确且务实的研发目标。
三、第二轮合作：2026年，GSK为什么开始投资细胞干预数据？
2026年7月，双方宣布进一步合作。
但这一次，合作内容发生了明显变化。
新协议重点提出：
利用自动化实验系统，大规模生成疾病相关人类细胞的干预数据，测量细胞对基因和药物处理的反应，并将这些数据用于细胞基础模型的训练和验证。
这里出现了三个值得特别关注的技术方向：
基因与药物干预、多组学测量，以及时间分辨数据。
为什么这三项如此重要？
因为它们恰恰对应了目前AI虚拟细胞研究中尚未解决的核心问题。
1. 仅仅观测细胞，并不等于理解细胞
过去几年，大量单细胞基础模型主要使用RNA测序数据进行训练。
研究人员通过测量数百万乃至上亿个细胞的基因表达情况，让AI学习不同细胞之间的统计特征。
这种方法具有重要的基础研究价值。
但RNA表达只是细胞真实状态的一部分。
一个细胞的功能还取决于蛋白质丰度、蛋白质活性、代谢网络、信号传导、细胞空间结构以及外部环境。
即使两个细胞的RNA表达谱高度相似，它们也可能因为蛋白质磷酸化、受体激活或代谢状态不同，而表现出完全不同的生物学行为。
更重要的是，大量RNA测序数据只是细胞在某个时间点的分子快照。
这并不等于真正理解细胞受到干预后将会如何变化。
因此，对药物研发来说，一个能够识别细胞类型的基础模型，与一个能够预测药物作用的模型，是两个不同层次的能力。
2. 干预数据比单纯的观察数据更接近药物研发需求
假设我们想知道，抑制某个蛋白质是否能够减少疾病相关的炎症反应。
仅仅观察大量患者组织，发现这个蛋白质与炎症程度存在相关性，并不能证明抑制它就能改善疾病。
它可能是疾病的驱动因素，也可能只是疾病发生后的伴随变化。
真正有价值的实验，是主动改变这个蛋白质的功能，再观察细胞系统会发生什么反应。
例如，通过基因敲除、基因表达调节或药物干预，研究人员可以获得干预前后分子状态和功能表型的差异。
这些实验能够提供比单纯相关性分析更强的因果证据。
当然，干预实验本身也可能受到脱靶效应、补偿机制等因素影响，因此仍然需要严格的实验对照。
但对于药物靶点发现而言，这类数据具有更加直接的应用价值。
3. 细胞是动态系统，必须考虑时间
细胞受到药物刺激之后，并不是立即进入一个新的稳定状态。
某些蛋白质可能在几分钟内被激活。
随后，细胞内的信号通路发生变化，进一步影响基因转录、蛋白质合成、代谢和细胞行为。
不同时间点得到的细胞状态，可能存在显著差异。
因此，如果只测量某个药物处理24小时后的RNA表达，可能无法还原此前发生的关键调控过程。
GSK与Relation的新合作明确提出，要通过自动化实验获取具有时间信息的多组学干预数据。
这至少为模型学习细胞在不同时间点的反应创造了条件。
但需要注意：在多个时间点测量不同细胞样本，不等于连续追踪同一个活细胞，也不能保证模型掌握完整的细胞动力学机制。
这是当前技术仍然存在的重要限制。
四、MORGAN：Relation想训练怎样的细胞模型？
就在GSK公布新合作的同一天，Relation推出了自己的细胞基础模型项目MORGAN。
MORGAN的全称是：
Multi-Omic Regulatory Genomics using Artificial Neural Networks。
从名称就可以看出，Relation希望利用多组学和调控信息，建立能够预测细胞对不同干预产生何种反应的AI模型。
与单纯分析静态RNA表达不同，MORGAN的目标包括学习疾病相关细胞状态，以及基因和药物干预引起的变化。
这里有一个值得注意的技术思路。
Relation并没有把全部研究价值押在一个已经完成的通用虚拟细胞上，而是计划利用持续产生的实验数据，迭代适用于不同组织和疾病环境的细胞模型。
举一个假设性的应用场景。
一家药企正在研究肺纤维化。
研究人员首先获取患者来源的相关细胞，了解其分子状态，然后利用基因干预或候选药物处理这些细胞。
实验过程中，测量RNA、蛋白质及相关功能表型在不同时间点发生的变化。
AI模型通过学习这些实验数据，尝试预测哪些分子通路可能参与疾病进展，哪些干预能够改变疾病相关表型。
随后研究人员选择模型预测最值得验证的靶点，再进行新的湿实验。
实验结果又可以用于后续模型训练。
这个过程如果能够持续、稳定地运行，就有可能形成一种不断积累高质量数据的疾病研究平台。
不过，截至2026年10月，公开信息还不足以判断MORGAN已经具备多高的预测能力。
公司尚未完整披露其模型架构、训练数据规模、具体多组学覆盖范围、独立实验验证表现，以及在未见过的新药物或新细胞模型上的泛化能力。
因此，我们可以确认的是Relation正在建设这一研究体系，不能直接认定其已成功实现高可靠性的虚拟细胞预测。
五、为什么说这可能是一种比通用虚拟细胞更务实的路线？
AI虚拟细胞有一个非常宏大的远期目标：
在计算机中模拟一个活细胞的完整生命活动。
但真正的细胞系统极其复杂。
一个人类细胞涉及成千上万种蛋白质、复杂的代谢反应、细胞器之间的物质运输，以及不同时间尺度上的信号调控。
想要完整模拟这一切，仍然面临巨大的科学和计算挑战。
然而，药企可能并不需要等待完整虚拟细胞实现，才能从AI模型中获益。
例如，一家专注骨关节炎的药企，其核心问题可能是：
哪些分子机制驱动软骨退化？
哪些基因干预可以改变疾病相关细胞的功能？
哪些靶点值得进一步开发成药物？
为了回答这些问题，模型不一定需要知道细胞内部发生的全部反应。
它只需要在明确的适用范围内，对某些关键分子变化或细胞表型进行可靠预测。
这是一种更容易通过实验评价的目标。
如果一个疾病模型能够在未知干预条件下，持续优于传统方法，并且帮助研究人员减少无效实验，那么它就已经产生了实际研发价值。
由此可以提出一个判断：
未来最有商业价值的AI细胞模型，未必是规模最大的通用模型，而可能是针对某种疾病、某类细胞或特定药物机制训练的高可靠性预测模型。
GSK与Relation的合作，正提供了一个值得持续观察的产业案例。
六、真正昂贵的可能不是AI，而是制造训练数据
近年来，人工智能领域普遍重视模型架构、参数规模和算力。
但对于生命科学而言，数据本身可能更加难以获得。
互联网存在海量可用于训练语言模型的文本，而细胞实验数据不能简单依靠网络抓取获得。
每一组新的药物干预数据，都可能需要经历细胞培养、实验设计、试剂处理、样本采集、分子检测及质量控制。
如果还要同时覆盖多个细胞类型、多个药物、不同剂量以及多个时间点，实验规模就会迅速扩大。
假设一个项目计划研究：
50种药物、5个药物剂量、6个时间点、10种细胞模型，以及3次实验重复。
即使不考虑额外对照，仅这些组合就对应45000个实验条件或重复单位。
如果每一个单位都需要进行蛋白质组、转录组以及功能表型检测，成本与实验复杂度会显著增加。
这只是一个用于说明组合规模的假设，并不是GSK或Relation已披露的实际实验设计。
因此，建设这种平台并不容易。
它需要稳定的细胞来源、自动化实验系统、多组学检测能力、生物信息学处理能力和实验质量控制体系。
更重要的是，研究人员还必须知道应该选择哪些实验条件，才能最大程度提高模型的预测能力。
这意味着未来AI制药企业的竞争壁垒，可能不仅是算法，还包括：
能否持续、规模化地制造高质量、具有因果信息、能够用于疾病预测的生物实验数据。
从这个角度看，Relation试图建设的不只是一个AI模型，而是一套服务于模型训练和药物研发的实验基础设施。
七、GSK为什么有动力投资这种能力？
大型制药企业在特定治疗领域积累了长期经验，也掌握大量专有数据。
但这些历史数据并不一定适合直接训练现代细胞基础模型。
过去许多药物实验是围绕具体研究假设开展的。
研究人员可能只测量一个药物剂量、一个时间点，以及少量生物标志物。
不同项目使用的实验条件、检测平台和数据格式也可能并不一致。
从传统药物研发的角度看，这些实验可能已经足以支持当时的决策。
但从建立细胞动态预测模型的角度看，数据可能过于零散。
因此，顶级药企即使积累了大量历史数据，也可能需要重新设计实验体系，专门生成适用于AI训练的标准化干预数据。
与拥有先进实验平台的外部生物技术公司合作，可以成为一种现实选择。
不过，这也带来一个值得思考的商业问题：
这些数据最终归谁所有？
药企是否可以独家使用？
AI公司能否将模型能力继续应用于其他药企？
哪些底层数据或模型可以跨项目共享？
目前GSK与Relation的新合作公告没有完整披露相关知识产权和数据使用权的安排。
但可以预见，如果疾病特异性AI模型未来成为药企的核心研发能力，那么高质量专有干预数据的控制权，将可能具有重要的战略价值。
八、1.1亿美元究竟意味着什么？
需要避免把合作金额直接等同于技术成功。
根据2026年7月公告，Relation在新合作中可能获得最高1.1亿美元的预付款与成功里程碑付款。
这不是已经确认的全部收入，更不是MORGAN已被验证能够显著提高药物研发成功率的证据。
类似合作通常反映的是药企对某项技术路径的认可，以及愿意为潜在研发成果承担一定投入。
真正的技术价值仍需要由后续成果证明。
对于GSK与Relation，我认为最值得关注的不是合同金额，而是未来能否公开回答四个问题：
第一，平台生成的数据是否能够在不同实验批次和不同患者样本中保持可靠性？
第二，MORGAN能否预测训练过程中从未见过的基因或药物干预？
第三，模型推荐的靶点能否在独立湿实验中被反复验证？
第四，与传统药物筛选和靶点发现流程相比，这套系统究竟能够降低多少成本、缩短多少时间，或者提高多少有效靶点发现率？
如果这些问题得到强有力的实验支持，那么这种研发体系就具有真正的产业意义。
如果不能，模型再复杂、实验数据再庞大，也可能只是一个非常昂贵的生物学研究平台。
九、AI制药的下一场竞争，可能发生在实验室里
过去，人们谈论AI制药，往往会首先想到算法。
更大的模型、更强的计算能力、更复杂的神经网络，以及更丰富的公开生物数据库。
但GSK与Relation的合作提示我们，未来竞争的重点可能正在发生变化。
一家公司是否拥有世界上最大的细胞模型，也许并不是最重要的。
真正重要的，可能是它是否能够针对某一种疾病，持续开展高质量实验，并建立可靠的预测与验证闭环。
对于制药行业而言，AI不需要首先学会模拟完整生命，才有机会创造价值。
只要能够更准确地识别疾病驱动机制，更有效地排除不值得开发的靶点，或者帮助科学家发现原本容易被忽略的有效候选药物，就可能对研发效率产生实质性影响。
当然，最终的概念验证仍然离不开湿实验、临床前研究和临床试验。
AI预测的作用，不是替代这些环节，而是帮助研究人员在进入昂贵的后续验证之前，做出更好的选择。
真正有价值的AI虚拟细胞，未必需要完整复制一个细胞的所有生命活动，但必须能够可靠地预测那些决定药物研发成败的关键生物学反应。
GSK与Relation正在尝试建立这样一种能力。
它能否成功，目前还没有定论。
但这笔合作至少说明，大型药企已经开始把AI制药的竞争，从单纯的计算模型扩展到真实生物实验数据的生产方式。
未来最重要的AI药物研发平台，或许既是一家人工智能公司，也是一座高度自动化、持续学习的生物学实验室。
而真正决定其价值的，不是它拥有多少亿条数据，而是它能否帮助人类更有效地发现真正有用的药物。
参考资料
Relation Therapeutics. Relation announces two strategic collaborations with GSK to advance therapeutics for fibrotic diseases and osteoarthritis. 2024年12月10日。
Relation Therapeutics. Relation Announces Expanded Collaboration with GSK. 2026年7月30日。
Relation Therapeutics. Relation Unveils MORGAN, the Next-Generation Model of Cellular Biology. 2026年7月30日。
Reuters. GSK, Relation Therapeutics sign up to $110 million AI drug discovery deal. 2026年7月30日。
Nature Methods. Evaluating the role of pretraining dataset size and diversity on single-cell foundation model performance. 2026年。
本文仅用于生命科学技术与生物医药产业研究讨论，不构成投资或医疗建议。
