Vivodyne 开设人体组织数据中心以训练药物发现人工智能

Why it matters

AI drug discovery is constrained by the experiments behind its training data. Vivodyne is spending its venture capital on producing causal human evidence before clinical trials.

Vivodyne 在旧金山附近开放了它所称的人类数据中心，使用 HIVE 机器人在药物进入临床试验前生成人体组织数据。TechCrunch 报道 于 8 月 19 日称，Vivodyne 上周开放了该设施。这是 CEO Andrei Georgescu 和首席科学官 Dan Dongeun Huh 将自动化组织实验转化为药物发现模型训练材料努力的最新一步。

Inside the HIVE workflow

Vivodyne 的流程始于名为 TissueDisks 的微流控芯片。Vivodyne 表示，每个磁盘可以培养数百个自组装的人体组织。其 HIVE 机器人实验室随后在无需手工操作的情况下生长、给药、监测并分析这些组织。

根据 Vivodyne 的产品描述，每个 HIVE 一次可以测试 10,000 个组织，并在一到两周内返回数据。Vivodyne 表示，该平台能够以单细胞分辨率测量视觉变化、基因表达和蛋白质，覆盖 20 多种组织类型。

该设施被设计为重复运行相同工作流：确定组织的初始条件，施加药物或其他刺激，并记录由此产生的生物学变化。HIVE 实验让 Vivodyne 能够控制干预和测量过程，从而产生将特定动作与组织反应连接起来的数据集。

这种能力将 Vivodyne 置于已有的 organ-on-chip 市场中，与包括 Emulate、CN Bio、MIMETAS 和 Hesperos 在内的公司并列。Emulate 表示其 AVA system 每次运行最多可处理 96 个 Organ-Chip 样本。不同的组织格式、测量方法和实验工作流使得比较这些头条式的容量数字变得困难。Vivodyne 所声称的区别在于组织生产、机器人测试与旨在用于模型训练的数据层的结合。

公开披露并未说明 Vivodyne 主要是以服务方式出售实验、许可数据集、供应仪器，还是采用这些模式的组合。客户经济学也未公开。Vivodyne 表示它与全球十大制药公司中的多数公司有合作，这一说法出现在其2023 年融资公告中。Vivodyne 未披露这些合作伙伴的名称或合同金额。

Venture capital paid for laboratory capacity

Vivodyne 在 2023 年 11 月 22 日宣布了 $38 million in total seed financing on November 22, 2023 并在 2025 年 5 月 29 日完成了 $40 million Series A on May 29, 2025。Khosla Ventures 领投了两轮融资。A 轮还包括 Lingotto Investment Management、Helena Capital、Fortius Ventures、Kairos Ventures、CS Ventures、Bison Ventures 和 MBX Capital。

研究记录显示，Vivodyne 报告的融资总额约为 8200 万美元，涵盖三轮融资，包括早期的 400 万美元一轮。Vivodyne 尚未披露估值。

A 轮为南旧金山计划中的一座 23,000 平方英尺的机器人设施提供了资金。该支出使 Vivodyne 成为一家资本密集型的数据生产者，而此时许多 AI 药物发现公司更强调专有模型和计算资源。Vivodyne 的竞争护城河将取决于可重复的生物学实验是否能创造出客户无法从公共数据集或常规临床前测试中廉价获得的信息。

A founder's bet on experimental data

Georgescu 通过实验室工作形成了这一论断。他在 Cornell University 学习生物工程，在 University of Pennsylvania 的 Huh 的 organ-on-a-chip 实验室完成了博士学位，并参与过自动化微流控、DNA 合成芯片以及与 NASA 一起发送到太空的实验室培养组织 项目。根据 TechCrunch 的报道，Vivodyne 于 2021 年在 Georgescu 完成博士学位后从 University of Pennsylvania 分拆出来。

他对问题的总结直言不讳。“Absent human testing, what are these [AI] models going to do? They're going to cure cancer in mice,” Georgescu told TechCrunch。

Vivodyne 正在构建能够产生新训练记录的实验机器，每次干预都记录功能性人体组织随时间的变化。一项 2026 年的 Nature Methods 研究 支持一个更狭义的观点：增加更多的预训练数据并未为单细胞基础模型带来明显的扩展优势。随着预训练数据量的增加，性能经常出现平台期。

Vivodyne 提出的答案是改变模型可用数据的类型。静态观测可以显示两种细胞状态的存在。受控实验可以记录刺激、起始条件以及随后的反应。新设施使 Vivodyne 有更多能力在组织、药物和剂量之间生成这些干预记录。

Vivodyne 最终希望模型能选择后续实验，形成一个反馈回路：软件提出干预，HIVE 机器人执行，组织反应为下一个提议提供信息。这类似于通过物理实验进行的强化学习，尽管 Vivodyne 尚未发表证据表明这样的回路能够可靠地发现或优化出临床成功的药物。

Human tissue still is not a human trial

Vivodyne 表示，其肝组织在对人体毒性结果的预测上达到了 94% 的准确率，其气道组织在 96% 的情况下与真实人体行为相匹配，并且其骨髓测试在 20 种化疗药物上实现了完全一致性，以上数据来自 TechCrunch 的报道。这些公司报告的结果并不能证明通过 HIVE 选取或优化的药物将在人体疗效试验中取得成功。

即便是复杂的组织模型也简化了人体。当一个系统将活组织、机器人、成像和若干分子测量结合在一起时，可重复性会变得更加困难。

监管机构正在为这些方法创造空间，但并未给予全面批准。FDA 在 2026 年 3 月发布的有关新方法学（new approach methodologies）的草案指南中，为类器官、organ-on-chip 系统和计算模型描述了一个验证框架。该建议具有非约束性，开发者必须证明每种方法对于其拟议用途是可靠的。

Vivodyne 在证明通过 HIVE 选取的药物能够在患者中取得成功之前，就能创造价值。人体组织证据可以帮助制药商更早放弃弱候选药物，在临床试验前比较药物组合，或检测动物模型未发现的毒性。更大的雄心仍更难衡量：要确立自动化组织是否提供了足够的保真度和变异性来训练对人体生物学有用的模型。新设施赋予 Georgescu 和 Huh 以工业规模运行那场实验的能力。