Latent Space:AI 工程师播客(The AI Engineer Podcast)
以计算速度运行的实验室在环(Lab-in-the-Loop at Compute Speed)—— Ian Quigley,Leash Bio
Leash Bio 如何驯服了让所有人折磨不堪的 DEL(DNA 编码化合物库)实验,并利用这些数据抓住了走捷径“作弊”的模型;以及为何这些数据极其契合用来训练像化学家一样思考的 AI 智能体(Agent)。
3 小时前
几年前,我偶然发现了 Leash Bio 的 Substack,瞬间就被深深吸引了。无论是他们举办的 Kaggle 竞赛(证明了我们其实根本没有解决蛋白质-配体结合问题),还是他们惊人的发现:仅仅知道一个分子的作者是谁,可能就足以预测其活性优劣。他们的 Substack —— 或者至少是 Owl Posting1 对他们的深度剖析 —— 应该成为任何尝试用 AI 做化学研究的科学家的必读之作。
因此,能够终于与来自 Leash Bio 的 Ian Quigley 坐下来深入交流并向他请教,我感到无比激动。Leash 专注于 DNA 编码化合物库(DNA Encoded Libraries,简称 DEL),这是一种能够以极高通量收集蛋白质与小分子相互作用数据的方法。2 在了解到 Leash 之前,我听到的全是 DEL 使用者的噩梦与倒苦水。然而,Ian 和他的团队不知怎的驯服了这头猛兽,提取出干净且可复现的数据,这些数据恰恰是大规模模型训练的绝佳素材。无需过多剧透,答案归结为认识论上的严谨(epistemic rigor),以及一种必须“放手去干”(Do The Thing)的坚定信念。
更精彩的还在后头!在这一期节目的尾声,Ian 透露了我们在录制时他们团队正在尝试的新方向:一个供智能体进行可验证科学推理的 AI 实验场(playground)。他们发现,过去几年收集的数据可以提供数万次“实验室在环”(lab-in-the-loop)模拟,而这正是智能体进行科学强化学习(RL)所急需的。两个月后,这个想法成熟演变为 Minos,今天他们发布了完整的预印本论文、博客文章以及开源数据集。几天后我们还会发布一期快讯播客带来最新进展,敬请关注!
我们和 Ian 聊得非常尽兴,这大概是我们迄今为止最有趣的节目之一。无论你是化学领域的初学者,还是“AI x 生物”领域的资深从业者,我们相信你都能从中有所收获。
请尽情收看/收听!
我们讨论了以下话题:
- 为什么 DEL 会让所有接触过它的人备受折磨,以及 Leash 如何在每个分子上附加数十个条形码(barcode),从而筛除那些与 DNA 结合而不是与药物结合的蛋白质。
- Ian 的生物学扩展法则:生物学只有两种扩展规模的方式——拍照成像与 DNA 测序。
- Kaggle 竞赛:在地下室生成的约 40 亿条测量数据,吸引了约 2,000 支团队参与,但没有一支能在未见过的化学库上取得优于随机猜测的成绩。此外还聊到了为什么 Leash 曾暗中担心协同折叠(co-folding)技术会让他们的工作被淘汰。
- ChEMBL 中的“聪明汉斯”(Clever Hans)效应:模型可以根据分子结构推测出是由哪位化学家合成的,并且“是谁做的”对活性的预测能力几乎与结构本身相当。
- 仅依靠 Leash 自有数据训练的 Hermes,在公开基准测试中跟上了 Boltz 的水平。此外还谈到了 Boltz 已经在 PDB(蛋白质数据库)中见过的 BRD4 分子。
- 突变结合口袋(Breaking the pocket):在发现 Hermes 记住了蛋白质的“外号”而不是真正的结合位点后,他们开始进行大规模的蛋白质突变改造工程。
- 类似鲁马卡托(Lumacaftor)的命中分子意外成为了错误折叠蛋白质的检测器。
- 智能体沙盒(Agent Sandbox):大语言模型(LLM)用自然语言对构效关系(SAR)进行推理,在仅有 100 次实验的预算下,从 650 万个分子中搜寻最佳结合剂。
- Recursion 黑帮(mafia),以及为什么从那里走出的校友创办的公司都有着相似的特质。
- 科苏里悖论(Kosuri paradox):如果你能够直接收集到数据,为什么还需要模型?
- 在一个抗炎管线中,如何在六个月内从一个 DEL 命中分子推进到良好表现的小鼠药代动力学/药效学(PK/PD)数据,以及在细胞因子靶点上选择小分子口服药而非抗体药物的理由。
- 是什么阻碍了资金更充足的实验室在规模上超越他们,以及 Ian 梦寐以求希望强行实现的“大规模并行纯化”。
毫无疑问是互联网上最顶尖的生物科技博主。
与往常一样,这里的秘诀在于将问题映射为组合库,并使用下一代测序技术(NGS)进行读出。我们在播客中对此进行了深入探讨!
