AI as a Biological Primitive: Individual Biological Simulation Without Population-Scale Reference Cohorts for Personalized Care and Drug Development

在攻克复杂疾病的过程中，医学长期以来一直依赖于一种“平均值”策略。医生和研究人员通过研究大规模人群来寻找规律，然后将这些通用规则应用于个体患者。当每个人反应相似时，这种方法运作良好；但当一个人的生物学特性非常独特，或者标准治疗方案失效时，这种方法就会显得力不从心。为了弥补这一差距，科学家们开始开发“数字孪生”（digital twins）——即针对特定个人的虚拟模型，可以在对真实身体进行任何尝试之前，先用不同的治疗方案对其进行测试。然而，传统上，这些模型是通过获取广泛的人群数据并将其微调以适应某个人来构建的。它们从“多”出发，试图向“一”收敛。

一项新的研究挑战了这一方向。这种方法不再是从人群中缩小范围，而是追问：一个人自己详尽的历史记录是否足以构建一个有效的自我模型？如果医生拥有足够多的关于患者身体如何对食物、药物和日常生活做出反应的记录，那么仅凭这些记录能否创造出一个可靠的模拟系统？这个问题将焦点从“寻找一个符合人群模型的患者”转向了“构建一个符合患者自身独特历史的模型”。它表明，通过充分的观察，一个人不需要通过与他人比较来被理解；其自身的过往行为本身就可以成为其未来护理的实验室。

Maurice Antony Ewing，一位来自 Conquer Medical Health 的研究人员，利用一组包含 12 名 1 型糖尿病患者的数据集测试了这一想法。这些个体接受了密切监测，在八周内产生了近 20 万个关于血糖水平、胰岛素使用情况和日常活动的快照。目标是观察计算机是否能仅利用每个人的自身数据，在不依赖其他 11 人或任何更大群体平均反应的情况下，为每个人学习出一个模型。研究人员创建了他们称之为“人工生物原基”（artificial biological primitive）的东西。请不要将其视为一个静态的轮廓，而是一个活生生的、数字化的患者版本，它已经从自身的历史中学习到了自身的行为规则。

团队首先测试了这种自建模型能否识别通往健康状态的可行路径。他们选取了患者血糖处于危险高位的时刻，并询问模型：“如果你采取特定的行动，比如注射一剂胰岛素或进行一些运动，能否将你的血糖引导至目标值？”在最具灵活性的测试中，该模型成功识别出了能够将当前高位状态与健康目标之间的差距缩小近 97% 的干预措施。这证明了该模型能够映射出个体在特定行动与结果之间的关系，生成的是候选干预方案，而非断言因果治疗效果。

然而，更关键的测试是看这个个体模型是否真的不同于基于群体平均值的模型。研究人员将基于个体自身历史给出的建议，与基于全部 12 人综合数据训练出的模型所给出的建议进行了对比。结果令人震惊：这两个模型的建议极少达成一致。事实上，它们仅在约四分之一的情况下提出了完全相同的治疗方案。反应的形态——即身体对变化的反应方式——是如此具有独特性，以至于群体平均值无法成为有效的指南。这一发现排除了这样一种观点，即患者可以通过简单调整人口模型来获得准确代表；个体的自身历史包含了一种反应的几何结构，而群体模型根本无法察觉。

为了确保这些数字模型不仅仅是在猜测，研究人员观察了当这些人实际注射胰岛素或进行运动时，现实世界中发生了什么。他们测量了在实际干预后，与什么都没发生时的相比，个人的血糖轨迹发生了多大的变化。数据显示，实际治疗引起了身体路径的显著且可测量的偏移，这种“形变”几乎是稳定时期自然波动（wiggles）的两倍。这证实了身体的历史蕴含着一个清晰的信号，展示了它如何应对变化，从而为构建可靠的模拟系统提供了原材料。

随后，研究转向了实际应用：在尝试于真人身上之前，利用数字孪生来测试新的想法。计算机提出了数千种潜在的治疗变更方案，例如调整胰岛素剂量或给药时间。系统随后根据该人的过去记录来检查这些提议。如果该人从未尝试过某种特定的调整，或者其历史显示类似的举动曾导致过不良结果，系统就会将其标记为具有风险或缺乏依据。值得注意的是，大约 78% 的提议在个人的历史记录中都有先例，并且在这些先例中，近三分之二的效果是良好的。这创造了一个安全网，使计算机可以说：“我们以前尝试过这个，而且效果很好，”或者“我们尝试过这个，但失败了，”而无需再次在患者身上进行实验。

至关重要的一点是，该模型并非静止不变的。随着个人的状况在每小时发生变化，最佳治疗建议也会随之改变。当研究人员在不同时间或设定不同目标时询问模型建议时，模型在超过三分之二的情况下会给出不同的答案。这证明了该模型不仅仅是将一个人归入一个固定的类别（如“A型糖尿病患者”），而是作为一个动态的实验伙伴，随着患者的变化而演进。

研究人员还测试了这种方法是否适用于糖尿病之外的领域。他们将同样的逻辑应用于关于大流行期间政府政策的人口层面数据，以及关于单个脑细胞如何响应视觉刺激的数据。在两种情况下，系统都能从该特定系统（无论是国家还是神经元）的具体历史中学习，并模拟其对新输入的反应。这表明该方法并不局限于某种特定生物学，而是一种利用深度观察来理解任何系统行为的通用方法。

研究结论指出，对于个性化医疗和药物研发而言，最强大的工具可能不是一个更大的他人数据库，而是对个体更深层的记录。通过将一个人的自身历史作为主要事实来源，医生和研究人员可以构建一个针对该个体的虚拟实验室。这使得他们能够在吞下第一颗药丸或进行第一次注射之前，筛选治疗方案，剔除历史表明会失败的方案，并优先考虑历史表明会奏效的方案。这项工作并不声称已经解决了疾病问题，但它提供了一种看待问题的新方式：即患者独特的难题，或许完全可以在其自身的过去找到答案，等待着被一台懂得如何倾听的机器去解读。