Bioptimus

Bioptimus 想做的事情可以用一句話講完：幫生物學蓋一個基礎模型（foundation model）。它的目標不是單一任務的預測工具，而是跨尺度、跨模態地學習人體生物學的動態，用官網的說法是「學習人體生物學的動態，去預測接下來會發生什麼」。

目前最成熟的產品是病理模型 H-Optimus-1，官網指出它在業界通用的公開評測 PathBench 上排名第一。它讀的是組織病理切片，能預測藥物標靶的空間分布、免疫微環境與基質結構——講白話，就是從一張切片裡看出腫瘤周邊的免疫細胞怎麼排列、哪些病人可能對某種藥有反應。另一支 M-Optimus 走得更遠，把病理影像、空間轉錄體與基因體整合進單一架構。背後的資料引擎叫 STELA，集合多個機構、多地區、多疾病的深度標註病人資料。

功能特色與適用場景

主要應用在藥物標靶與生物標記探索、既有藥物的適應症擴展、空間生物學診斷、治療反應預測與臨床試驗設計最佳化——尤其是降低第三期試驗失敗率這個燒錢的痛點。官網揭露前 20 大藥廠中有 16 家是客戶，部署橫跨 1,000 家以上機構，超過 100 篇同儕審查論文使用其模型，模型下載量累計逾 118 萬次。

給台灣讀者的具體用法

台灣的病理科與癌症中心累積了大量切片資料，數位病理（digital pathology）近年在各大醫學中心陸續建置。Bioptimus 的模型有部分在 Hugging Face 上可取得，研究單位要做方法學驗證、拿本地資料比較模型表現，門檻比商業授權低很多。臨床端要落地則另當別論，得先過醫材法規那一關。