从8万+数据源提炼洞察，ChatGPT+Zilliz +LangChain如何成创新药研发新范式

过去几十年中，如果说有一个行业，成功率比赌博还低，成本投入比芯片还高，那必定是创新药。

先看几个数据我们就有概念了：百亿研发成本、90%以上的失败率，十年起步的研发时间。

具体来说：

过去十多年，全球创新药的平均开发成本高达13亿美元，其中，抗癌和免疫调节药物上，平均每种药物的研发成本高达27亿美元。

但是，药物的研发成功率上，到2022 年仅为 6.3%，且仍有下降趋势。

那么一款新药的研发以及获利期分别是多久呢？

研发一款新药，10-15年是常态。与此同时，创新药产业还长期被专利悬崖所制约：即一款创新药的专利有效期通常仅有20年，而除掉漫长的6-10年临床，企业对药品的实际独占权仅有12-14年。

若专利悬崖后若无接替产品，常常会出现企业命悬一线或者市值崩塌的情况。

也就是说，在这中间，加速任何一个环节尤其是耗时最久的临床期的效率与变革，无论对药企的发展，还是对病人的生存质量，都至关重要。

而TrialHub 正是这样一个平台。

通过爬取全球医药相关的 80,000 多个来源（包括 PubMed），包括临床试验数据、各国药品报销体系以及患者治疗路径在内的多种数据，并借助大模型与向量数据库对其进行加工汇总，TrialHub 可以极大加速药企和研究组织的临床试验速度与效率。

01 

RAG如何变革传统医药研发的临床流程

通常来说，一款创新药的研发时间，大概在十年上下。进一步细分，则可以分为三个阶段：

早期研究与预临床阶段大约 3-6年；临床开发阶段（I期、II期、III期）约 6-10年；市场推广阶段：约 2-5年。

其中，临床往往是耗时最久，资本投入最大的阶段。

那么如何加速临床？TrialHub给出的答案是RAG。

TrialHub 旗下核心产品 “IQ” 允许用户以自然语言提问的方式，获取关于试验和患者的核心信息，解答与患者、适应症、治疗领域、药物相关的问题。可以应用于可行性研究、项目管理、临床运营、患者招募与参与、业务拓展等多个细分业务之中。

相比传统的大模型Agent，IQ的工作流程与能力有三大不同：

• IQ的数据源主要来自各大权威医疗平台，以及企业的内部私有数据，在进行数据汇总时，会分析和交叉核对不同来源的数据进行二次验证，从而保证信息的准确性以及及时性。

• 不同于传统大模型的有问必答，借助对医疗领域的专业认知与数据积累，TrialHub IQ 做问题检索时，通常会先对问题的背景信息进行检索，并不断追问互动问题的细节，才会最终给出专业结论。

• IQ支持用户将专有数据以任何格式上传到 TrialHub，可以根据需要自定义数据源，获得量身定制的独特洞察。

在IQ平台的搭建上，TrialHub 则采用了 LangChain + ChatGPT API+Zilliz Cloud的模式进行RAG搭建。Embedding模型，则采用基于 BERT 微调的医学专用模型，生成的embedding数据，则会存储在 Zilliz Cloud 中用于高速、精准的检索。目前，这一套系统已管理超过 2.5 亿个向量。

02 

创新药临床的RAG搭建，需要怎样的向量数据库？

TrialHub 的数据工程师 Todor Voynikov 加入团队后，接到的首个任务就是从零开始构建一个专业的医药RAG 系统。

在他看来，这样一个生产级RAG，必须保证三个原则：

1.高质量搜索是系统的核心

医疗场景，对失误几乎0容忍。

2.通用embedding模型不行，医疗需要定制语义空间

TrialHub 基于真实医疗文档和记录微调了embedding模型，专门用于各种医学术语的表示。

3.环节中的每一个组件都是业内最优。

在模型侧，TrialHub 采用了行业内认可度最高的 ChatGPT；框架选择了相对成熟的LangChain 。

接下来的问题就是向量数据库，Pinecone、Qdrant、Milvus 这么多方案该如何选择？

经梳理发现，TrialHub 的数据量庞大、信息来源复杂，并且有自定义的测试基准，因此，向量数据库需要满足以下特征：能够处理数十亿个向量、具备商业级的系统可靠性、能够同时处理结构化信息，以及PDF在内格式复杂的非结构化内容。

经过多轮测评，Milvus 因为“在处理从 1,000 到几百万条数据的批量检索任务时，表现非常出色”最终脱颖而出。

在此不久后，TrialHub 又将其向量数据库选型升级到了Milvus 的托管版本 —— Zilliz Cloud，在他们看来，Zilliz cloud拥有：

• 可扩展的检索性能：即使向量规模达到数亿级，Zilliz Cloud 依然保持了快速、稳定的响应能力。

• 生产级 Serverless 能力：虽然常被用于原型开发，但 Zilliz Cloud 的 Serverless 版本也顺利支持了 TrialHub 的线上 RAG 系统。

• 更高的易用性与稳定性：Zilliz 提供的 Python 客户端和 API 能顺利集成至 TrialHub 的 LangChain 架构中，Zilliz 团队的支持也为系统稳定性提供保障。

• 安全第一的架构：医药信息非常敏感，因此向量数据库必须满足企业级合规控制、私钥管理、访问审计功能全覆盖，Zilliz Cloud在设计伊始就考虑到了以上问题，通过 SOC 2 Type 2 认证和全面的安全控制，让其尤其擅长管理处理敏感数据。

• 成本和部署运维效率：Zilliz Cloud 的部署极其轻量，不需要复杂架构调整即可接入，可以大幅减少 DevOps 负担。

• 经过大规模验证：Zilliz 已被 金融、医药行业内多个大型企业采用，证明了其大规模处理关键任务应用程序的能力。

结语

放眼未来 ，Zilliz Cloud 与TrialHub 还计划继续增大双方的合作范围，包括：

• 通过定制的 AI 套餐产品，向更多客户推出 AI 功能

• 多模态分析：扩展文本以外的语义理解功能，包括图像、音频和视频等

• minhash功能使用：在构建RAG的过程中，常常会面临相同或相似数据被重复入库的情况，不仅浪费企业的存算资源，也会对内容输出质量造成极大影响。而Milvus 2.6新发布的Minhash查重功能能够简化这一过程。

在TrialHub 看来：高质量的医疗RAG，必须以高质量的非结构化信息检索为起点，Zilliz Cloud是加速创新药临床阶段数据的管理与挖掘的重要基础设施。