真实肠道组织、机器人筛选、机器学习和制剂工程，能否让更多多肽告别注射？Vivtex 给出了一条值得追踪的研发路线。
多肽药越来越受关注，但口服递送依然困难。多肽不仅会遭遇消化酶降解，还要穿过黏液层和肠上皮；即使找到了能提高透过率的辅料，也要解决释放位置、个体差异、制剂稳定性和跨物种转化。
我最近看了 Vivtex 联合创始人 Thomas von Erlach 关于高通量口服多肽递送的报告。
最值得讲的，并非某一种“神奇吸收促进剂”，而是他们把真实组织实验、机器人、数据分析与最终药物产品接在了一起。沿
着两篇 Nature Biomedical Engineering论文，再看其与 Novo Nordisk 的合作，就能看清这条路线。
一、把真实猪肠道装进机器人平台
2020 年，von Erlach 等人在 Nature Biomedical Engineering发表研究，报告了 GI-TRIS：使用离体猪胃肠道组织的机器人操作系统。
研究者把完整组织固定在可重复测量转运的实验装置中，使一次性测试数千个样本成为可能。Vivtex 后来的 GI-ORIS™沿用了这种以真实胃肠组织为核心的高通量思路。[1][3]
图 1｜原论文 Figure 2：GI-TRIS 装置的开发与组织固定方式。来源：von Erlach 等，2020
这一工程步骤的难点很实在：组织要有活性，装载不能漏液，孔间结果要稳定，还得能接受机器人操作。
平台价值就在于，把难以规模化的真实组织实验转成可持续采集数据的实验流程。
论文用一组已知人体肠道吸收情况的药物做比较：GI-TRIS 结果与人体吸收的 Spearman 相关系数为 0.906，Caco-2 Transwell 为 0.302。
这是该研究验证集中的比较，不能直接外推为对所有药物的预测精度。[1]
对 AI 药研来说，数据的价值不仅取决于数量，也取决于它与最终生物学问题有多接近。
二、2930 种配方，找到一个能在猪体内验证的结果
平台搭好后，团队以口服吸收很差的多肽 催产素（oxytocin）为对象，筛选了 2930 种配方。原论文 Figure 6 展示了这次高通量筛选。[1]
图 2｜原论文 Figure 6：GI-TRIS 对催产素配方的肠道转运筛选。来源：von Erlach 等，2020。
为什么需要这么大规模？因为制剂开发的变量不止一种辅料：促进剂、浓度、辅料组合、释放位置、溶出速度，都会改变结果。组合一多，经验筛选很快遇到瓶颈。
后续猪体内实验中，研究者找到的吸收促进方案使催产素口服生物利用度提升 11.3 倍，研究报告未见肠组织细胞结构破坏。[1]
这个结果有意义，但要把边界说清楚：这是特定候选方案在猪中的结果，不能理解为已在人体实现同样提升。
筛到一个液体配方，也还不是患者能服用的药片。
真实产品要进一步回答：片剂在哪里崩解？多肽与促进剂能否同步释放？有效局部浓度能维持多久？动物模型中的改进能否转化到人体？
这些问题决定高通量筛选的命中结果能否走向药物开发。
三、第二篇论文：机器学习连接转运体和真实组织实验
2024 年，Shi 等人在 Nature Biomedical Engineering发表第二项相关研究，把视线移向肠道转运体。
研究整理了 4554 条药物—转运体标注，涉及 2261 种小分子药物和筛选化合物，以随机森林模型预测相互作用，再通过完整猪肠组织中的 siRNA 干预进行实验检验。[2]
研究对 28 种临床药物和 22 种研究化合物进行分析，识别出 58 个此前未知的药物—转运体相互作用；进入小鼠药代测量的 8 个结果中，7 个获得支持。[2]
这里有一个需要区分的地方：2024 年论文研究的是药物与肠道转运体的关系，不能把其中的 4554 条标注或 58 个新相互作用直接算作 Vivtex 口服多肽配方平台的业绩。
两篇论文呈现的是相通的研究思路：用生理相关实验产生可解释数据，再让计算模型提出值得验证的问题。
AI 的作用因此非常具体：从庞大候选空间中优先挑选实验，并通过新的实验结果不断校正判断。
四、从液体命中到药片，难点在“产品化”
口服多肽研究中，液体配方的动物 PK 常常很漂亮；一旦做成片剂或胶囊，原来的效果可能消失。固体制剂要让 API 与吸收促进剂在正确肠段、正确时间、足够接近的位置释放。
胃排空、肠道转运和溶出速率都会改变这件事。
有关 von Erlach 报告的会议综述也专门讨论了从液体到固体剂型的转化，以及大动物结果不能保证人体成功的问题。[4]
因此，Vivtex 的研发链条可以概括为：
真实胃肠组织筛选 → 配方候选 → 计算分析与再实验 → 动物 PK → 固体剂型 → 大动物验证 → 人体转化
这是对其公开技术路线的概括，不是已完成全部环节或获得人体疗效的宣称。
公司的目标是找到能够进入上述链条的候选口服生物药产品。[3][4]
五、Novo Nordisk 为什么愿意合作？
2026 年 2 月 25 日，Novo Nordisk 与 Vivtex 宣布合作，面向肥胖、糖尿病及相关并发疾病开发下一代口服生物药。
Vivtex 授权部分递送技术；研究与配方筛选后，Novo 负责全球开发、注册、生产和商业化。[3]
Vivtex 有资格获得最高 21 亿美元，这个数字是预付款、研究经费和潜在里程碑付款合计的上限，
未来产品销售还有阶梯式特许权使用费。公告没有说 21 亿美元已经到账，也没有宣布候选产品已经获批。[3]
这笔合作的看点在于，Novo 本身就有口服多肽经验。
它继续引入外部平台，说明行业关心的不只是证明“多肽能否口服”，还包括：能否为更多 API 更快找到可开发配方，并在人体获得稳定、可复制的表现。
六、对 AI 制药，三个判断
第一，AI 的应用边界正在从分子设计延伸到药物产品。亲和力再好的多肽，如果不能有效、稳定地递送，依然到不了患者手中。
制剂、PK、释放行为和生产可行性，都会成为计算优化的一部分。
第二，实验能力决定模型能学到什么。GI-TRIS 展示了先把难做的实验变得标准化、高通量，再积累数据的路径。
由此推断，持续产出可靠新数据的实验体系，可能比一次性训练的模型更难复制。
第三，AI 更有价值的用途是选择下一轮实验。机器学习可以减少漫无目的的组合尝试，但关键判断还要经过组织实验、动物 PK、剂型工程和最终人体研究。
真正重要的速度，是从假设到实验、从数据到下一次决策的速度。
结语
Vivtex 的故事可以用几个节点串起来：
2020 年真实猪肠组织高通量平台，2930 种催产素配方筛选和猪体内 11.3 倍结果；
2024 年机器学习与肠组织转运体实验；
2026 年与 Novo Nordisk 达成最高 21 亿美元的潜在合作。[1][2][3]**
这些节点分别是论文结果、相关方法学研究和商业合作，还不是口服多肽临床成功的证明。
但它们提出了一个值得行业认真回答的问题：当 AI 进入制剂和递送研发，竞争优势能否从“生成更多候选分子”，扩展为“更快把候选分子做成真正可用的药物”？
资料来源
[1] von Erlach T, et al. Robotically handled whole-tissue culture system for the screening of oral drug formulations. Nature Biomedical Engineering, 2020, 4:544–559.
[2] Shi Y, et al. Screening oral drugs for their interactions with the intestinal transportome via porcine tissue explants and machine learning. Nature Biomedical Engineering, 2024, 8:278–290.
[3] Novo Nordisk. Novo Nordisk and Vivtex partner to develop next-generation oral medicines for obesity and diabetes. 2026-02-25.
[4] The fourth Controlled Release Society workshop on oral peptide administration. Frontiers in Drug Delivery, 2026.
加入AI4Peptide交流群：加V：myt030489，备注：姓名_研究方向_公司