AbCellera公司CEO卡尔·汉森(Carl Hansen)指出，AI在药物发现领域获得了过度关注。"就好像人们在说，'AI来了，它会拯救我们。感谢上帝，我们终于能够创造药物了'，"他说。"对我来说，这隐含的意思是，'我们根本不知道自己在做什么。'"
但汉森表示，人类研究人员一直在幕后辛勤工作，做出渐进式进展，为这些所谓的AI"突破"奠定了基础。汉森拥有加州理工学院应用物理学/生物技术博士学位。"我对人类智能的信心远超过对人工智能的信心，"他补充道。
人类智慧隐藏在生物技术最著名的AI成就背后
2018年从DeepMind推出的蛋白质结构预测软件AlphaFold在两年后赢得CASP14竞赛时成为 headlines，其蛋白质结构预测的精度达到了与X射线晶体学等实验技术相似的水平。"我们在从序列预测蛋白质结构的能力上取得了重大飞跃，"汉森说。蛋白质结构预测挑战困扰研究人员超过50年。
但媒体对这一突破的叙述过于简单化。"媒体中外行人的理解是，现在AI已经达到可以解决这一极其困难问题的程度。"
实际上，AlphaFold之所以可能，要归功于全球数千名人类科学家数十年的工作，他们创建了一个庞大的实验确定的3D蛋白质结构数据库。汉森指出，这是"大规模、大规模的实验推动来获取这些数据"。
这一巨大研究努力的成果保存在蛋白质数据库(Protein Data Bank, PDB)中，该数据库是AlphaFold训练数据的主要来源。PDB中的结构既精确又庞大，展示了埃或亚埃级的精度。"如果一个结构是真实的，那么分子所在位置就没有丝毫偏差，"汉森说。虽然计算和模型的进步无疑发挥了作用，但正是数据量和精度的结合使其成为计算蛋白质折叠预测的完美匹配。"如果你有一个完美组织的巨型数据集，那么机器学习可以做非凡的事情。这是数据集的力量，"汉森说。
电子表格混乱阻碍AI在抗体药物发现中的应用
根据汉森的说法，基于抗体的药物发现本质上是"搜索问题"。"数据生成是我们公司试图做的事情的内在部分，"他说。AbCellera与众多合作伙伴合作，每年管理数十个药物发现项目，导致数据复杂性巨大。
虽然AI在简化抗体药物发现过程方面具有潜力，但许多组织根本缺乏产生有意义见解所需的组织化数据集。
抗体药物发现本质上是一项团队运动。"你从数百或数千种抗体开始。没有一个人能完成这项工作，"汉森说。
抗体药物发现涉及在各个实验室的专业团队之间持续传递信息和样本。从生成抗体多样性到表征其生物物理特性，每个步骤都增加了复杂性。"如果你要带着电子表格跟踪实验，你必须在每个步骤更新信息：做了什么？用了什么板？实验成功了吗？谁处理过？"汉森说。
汉森表示，许多组织最终使用大量电子表格来跟踪这些过程。"可能有300人互相发送2000个不同的电子表格——而且它们并不匹配。"
提升技术和流程水平
十一年前，当卡尔·汉森共同创立AbCellera时，他预见了抗体药物发现中的一个迫在眉睫的挑战。尽管行业爆炸性增长，从利基开端发展到价值数百亿美元的市场，但生产力却停滞不前。未能持续跟上技术和流程是原因。正如汉森所观察到的，最初的繁荣是由于少数特权人士能够接触到第一代技术，摘取了容易的目标和应用的"低垂果实"。但随着这些资源耗尽，行业趋于平稳。"相对于你的技术能力，只有高处或低处的果实。如果你不继续提升技术水平，你很快就会获得递减的回报，"他说。
汉森强调高质量、有组织的数据集对成功应用AI的重要性。"我们正在投资高通量实验技术以生成免疫多样性，"他说。这意味着制造抗体反应，搜索数百万个细胞，找到数千种抗体，对它们进行测序并表征其特性。"我们每年运行许多项目，每个项目都通过一系列实验系统运行，每个系统都产生极其复杂且通常是高通量的数据集，"他说。应对这种复杂性需要系统地跟踪实验和结果。"本质上，我们的业务围绕着生成数据，"汉森总结道。
为什么仅靠AI在生物技术中是不够的
虽然像ChatGPT这样的生成式AI引擎可能激发了公众对人工智能能力的更多兴趣，但汉森表示，训练大型语言模型的方法与生物技术要求形成鲜明对比。"ChatGPT基本上阅读了互联网上的每一个单词，"他说。因此，大型语言模型可以根据其训练生成文本响应，并根据新数据或反馈迭代优化其方法，通过多次迭代来优化其准确性。
在生物技术中做类似的事情需要大量起始数据。"它必须是协调一致的，这基本上意味着你必须在内部完成。它不能只是从世界上吸走，"汉森说。
汉森认为，仅靠AI就能彻底改变生物技术的想法是错误的："如果你对所有困难的事情进行排序，AI模型部分是最容易的部分。"挑战更多与数据生成有关。"建立这种能力需要年复一年的时间，"他说。
筛选基于AI的抗体药物发现的炒作
针对声称生成式AI模型正在吐出识别目标的抗体的全新序列而不使用任何实验技术的说法，汉森表示怀疑。"首先，我认为这超出了当今技术的能力，"他说。"其次，我认为问题表述不当。"考虑到抗体药物开发的复杂性，汉森指出，当面对药物靶点时，抗体的理想结合区域并不一定立即清晰。
传统上，研究人员会免疫动物以产生与靶分子多个潜在区域结合的抗体。然后他们通过实验测试这些抗体以确定最有效的。"这是开发药物最重要的步骤之一，"汉森说。"但这些AI公司的表述方式是，'这是分子，我将制造一个在这个区域结合的抗体。'"结果是忽略了潜在的多种结合选项，可能错过了更创新的药物。强调药物开发中的利害关系，汉森强调了创新的重要性。"在药物开发中，你不会因为获得第二名而获得丝带。一切都是关于创新和新颖性，"汉森说。
在抗体药物发现中，真正的科学进步比计算语言学的进步更重要。"ChatGPT不是为了寻找药物。它是关于串连词语以制造令人信服的论点，"他说。但听起来连贯的论点不一定正确。突破性抗体药物发现的核心在于严格的科学原理，而不仅仅是精心制作的叙述。"你可能会用ChatGPT来起草新闻稿，"汉森说。
【全文结束】