Mantis Biotech 打造人体“数字孪生”，破解医学数据可用性难题
在人工智能加速生物医学研究的浪潮中，数据稀缺——尤其是罕见病、特殊病例等边缘场景——成为制约模型潜力的关键瓶颈。总部位于纽约的 Mantis Biotech 正试图通过构建人体的“数字孪生”来填补这一空白。
什么是“数字孪生”？
Mantis 提出的“数字孪生”并非简单的数据画像，而是基于物理学的、可预测的人体模型，涵盖解剖结构、生理机能乃至行为模式。公司创始人兼首席执行官 Georgia Witchel 在接受 TechCrunch 采访时解释，其平台整合了教科书、动作捕捉摄像头、生物特征传感器、训练日志和医学影像等多种异构数据源。
技术如何实现？
平台的核心流程分为两步：
- 数据整合与合成：首先，利用一个基于 大型语言模型（LLM） 的系统，对多源数据进行路由、验证和合成。
- 物理引擎建模：随后，将所有信息输入一个物理引擎，生成高保真度的数据集渲染，并最终用于训练预测模型。
Witchel 强调，物理引擎层是技术的关键。它通过将生成的合成数据“锚定”在物理现实基础上，并真实模拟解剖结构的物理学特性，从而增强了可用信息的深度与可靠性。
应用场景与价值
这些数字孪生体旨在用于数据聚合与分析，其潜在应用场景广泛且具体：
- 医学研究与测试：可用于研究和测试新的医疗程序。
- 外科机器人训练：为手术机器人提供高仿真的训练环境。
- 医疗问题模拟与预测：模拟并预测可能出现的医疗问题，甚至行为模式。
Witchel 举了一个生动的例子：一支运动队可以利用该技术，根据一名 NFL 球员近期的表现、训练负荷、饮食以及活跃时长，预测其发生跟腱损伤的可能性。
“我们能够整合所有这些不同的数据源，然后将它们转化为预测人们未来表现的模型。因此，任何你想预测人类表现如何的场景，都是我们技术非常好的用武之地。” Witchel 总结道。
行业背景与意义
当前，基于海量数据训练的大型语言模型被寄予厚望，有望在基因组学研究、临床文档整理、实时诊断、临床决策支持、药物发现乃至生成合成数据以推进实验等方面发挥巨大作用。然而，其变革生物医学研究的承诺常常受限于数据瓶颈——在医疗保健依赖的结构化数据之外，模型在面对数据稀少、缺乏代表性的边缘案例时往往力不从心。
Mantis Biotech 的探索，正是瞄准了这一痛点。通过创建可动态模拟和预测的“数字孪生”，它不仅有望为AI模型提供更丰富、更可靠的训练数据，更可能开辟一条在数据稀缺领域进行高效、低成本研究和预测的新路径。这不仅是技术工具的升级，更是对医学研究范式的一种潜在革新。