虽然许多人工智能公司专注于分析现有科学文献，但这种方法面临一个根本挑战：源材料本身的可靠性。Anima Biotech 的首席执行官 Yochi Slonim 指出：“多达 70% 在出版物中描述的实验无法被重复。”“你做一次就发表了，再做一次却不行。”
可重复性危机
Slonim 引用了 2016 年《自然》杂志的一项调查，该调查发现超过七成的研究人员尝试但未能重现其他科学家的实验，超过一半的研究人员甚至无法重现自己的实验。这一问题至今仍然存在，促使新的透明度举措，如开放数据共享和研究设计预注册。
尽管 Anima 已经为科学文献做出了贡献，包括越来越多的关于蛋白质合成监测和 tRNA 可视化的同行评审出版物，但 Slonim 认为仅依赖于挖掘现有研究是不够的。
利用 AI 询问细胞疾病活动
像许多制药领域的初创公司一样，Anima Biotech 专注于人工智能，但并不是将传统模型应用于旧流程或从数十年前的文献中提取发现。“假设你有一个实验显示 A 影响 B，其中 A 和 B 是蛋白质，”Slonim 解释道。“研究人员可能会找到另一项研究发现 B 影响 C，另一个数据库中 D 与 C 相连，形成一个连接的迷宫。”
借助其 Lightning.AI 平台，Anima 采取了一种“直接询问”的方法。该公司运行数百万个并行实验，检查健康细胞和疾病细胞的细胞路径，通常一次运行会产生大约 1 亿张图像。他们的系统同时测试 500 种不同的生物路径假设，每个假设测试 100 万次。神经网络实时分析这些图像，识别并排名那些在健康状态和疾病状态之间显示出最显著差异的路径。“存在一种疾病机制；需要某种独特的药物来纠正，”Slonim 指出。
“如果外星人带着一艘宇宙飞船降落在地球上，他们想要治疗疾病，他们会带上这样的实验室。他们会嘲笑我们目前的方法。他们会说，‘不，不，不，那不是方法。我们会给你疾病，我们会进行 100 万个实验，涉及 500 个可视化器……一个月后，我们会告诉你结果。’”
大数据，微线索
Anima 添加了数千个自己的实验结果和 20 亿张在过去十年生成的图像。在确定潜在的疾病机制时，该公司直接在活细胞中可视化生物学过程。“人们看到的是细胞形态，这意味着他们可以看到细胞，”Slonim 解释道。“但不会有任何关于其背后生物学的提示。成像的语言并不意味着我们在谈论生物学。”
为了破译这种语言，Anima 构建了一个 mRNA 生物学知识图谱——一种结构化表示的数据，包含了数十亿细胞图像的实验结果。“我们所做的是在大规模实验生物学中直接询问疾病本身，而不是询问研究该疾病的科学家。”
“我们进行 100 万个实验，涉及 500 个过程。一次典型的运行会产生 1 亿张图像。这些图像会传送到云端，在云端，神经网络实际上会查看它们。这发生在实时。”
从学术界到工业界
“我们带来的资产是我们独特的神经网络，这些神经网络经过 20 亿个 mRNA 路径可视化的训练，数百个路径可视化器，世界上最大的策划 mRNA 知识图谱，以及专门的 RNA 结合蛋白调节剂库。”
这种方法吸引了重要的制药公司的关注。学术合作者包括杜克大学、宾夕法尼亚大学、牛津大学和斯克里普斯研究所等研究机构。Anima 还与礼来、艾伯维和武田制药建立了合作关系，同时保持独立。“与其他一些 [techbio] 公司相比，我们的资金更为充足，”Slonim 指出，解释说公司通过与制药公司的合作建立实验室，而不是传统的风险投资。“我们从未在媒体上公布或披露我们获得的资金数额，但作为合作扩展或里程碑的一部分，还有更多事情发生。”
当被问及药物发现的未来时，Slonim 回到了他的核心主题：“AI 需要数据。AI 就是数据。那么我从哪里获取数据？正确的答案是来自疾病本身。去实验；进行大规模实验，实验性地生成以前从未见过的新数据。”
(全文结束)
