数字孪生助力临床试验提速：Unlearn.AI完成5000万美元B轮融资
数字孪生——利用计算机模型构建的人体数字表征——在医疗研究中的应用正受到私营部门和学术界的广泛关注。借助预测性模拟技术，该理念有望通过评估疾病症状出现前的健康风险来改善医疗保健，辅助临床医生精准决策干预时机与必要性。
未来，医生或可通过模拟所有治疗方案对患者数字孪生的影响，确定最优治疗路径。尽管这一愿景雄心勃勃，但初创公司Unlearn.AI选择从临床试验切入。该公司今日宣布完成5000万美元B轮融资，其数字孪生产品通过结合人工智能与历史数据复制试验患者特征，旨在实现更小、更快的临床研究。
Unlearn.AI首席执行官查尔斯·费舍尔（Charles Fisher）表示：“我们使用的是大量已运行临床试验的综合数据。我们的产品本质上是一项临床试验，而非单纯的AI模型。”他指出，疫情期间疫苗开发的漫长等待凸显了加速临床试验的紧迫性。虽然业内不乏利用真实世界数据优化试验的尝试，但Unlearn.AI拥有将技术直接应用于晚期临床试验的独特监管路径。
Unlearn.AI由费舍尔、亚伦·史密斯（Aaron Smith）和乔恩·沃尔什（Jon Walsh）于2017年创立，三人均具备物理学背景，曾共事于运动传感器公司Leap Motion。他们致力于处理历史临床试验数据集，构建“特定疾病”机器学习模型，进而生成包含纵向人口统计信息、测试结果及生物标志物的数字孪生体，使其在临床试验中与真实患者记录高度一致。
费舍尔透露，团队初衷本是机器学习的学术研究，但其制药行业背景（曾任辉瑞首席科学家）让他意识到该领域对机器学习技术的投资匮乏，Unlearn.AI由此应运而生并不断演进。
目前，Unlearn.AI已与多家药企、生物技术公司及学术机构合作，为临床试验患者生成数字孪生。经校正后的结果可更精确地估算治疗效果。据悉，已有三家公司采用其产品开展研究，其中包括德国达姆施塔特的Merck KGaA。后者正利用Unlearn.AI的数字孪生预后信息纳入随机对照试验，以期缩小对照组规模，生成支持免疫学管线监管决策的关键证据。
若该技术如预期般有效，将为饱受高昂成本和后勤挑战困扰的医疗行业带来转机。约翰斯·霍普金斯大学2018年研究显示，支持FDA批准新药的临床试验中位成本达1900万美元，且平均耗时六至七年，常面临受试者招募困难或方案变更等障碍。
然而，多项研究也对数字孪生提出质疑，指出其可能受偏差数据集影响。例如，临床试验中黑人患者代表性不足可能导致预测准确性下降。对此，费舍尔引用欧洲药品管理局（EMA）草案意见予以反驳，该意见表明数字孪生可用于1期和2期药物研究的主要分析。他强调：“使用这项技术的临床试验不存在数学上的偏差，且Unlearn.AI仅使用去标识化数据，不涉及私人信息。”
随着本轮融资到位，Unlearn.AI总融资金额达6985万美元。公司计划将40人团队规模扩大一倍，并拓展新的疾病领域。费舍尔坦言，制药公司对新技术持怀疑态度是行业主要痛点，当前最大挑战在于建立充分证据，证明新方法既能创造价值，又能满足监管要求。
据悉，Insight Partners领投了Unlearn.AI的B轮融资，Radical Ventures及现有投资者8VC、DCVC、DCVC Bio和Mubadala Capital Ventures也参与了此次投资。