阿维夫·雷格夫是一位计算生物学家，现任Genentech研发与早期开发负责人。她曾是麻省理工学院的教授，并在麻省理工学院和哈佛大学的Broad研究所担任领导职务，她的研究推动了单细胞基因组学、系统生物学以及大规模人体细胞图谱绘制工作的发展。
[本采访经过编辑以精简长度和提高清晰度。]
您如何描述当前美国科学的状况？
我们正处于医疗保健历史上的一个令人兴奋的转折点。人工智能、数据、大规模实验室实验以及测量人体生物学的能力的结合，正在推动生物学、药物发现和医学领域前所未有的洞见和创新。
我们现在拥有实验能力，可以收集非常庞大、高分辨率的丰富数据集，并构建深入的信息资源来推动生物医学发展。这些丰富的数据集理想情况下应与AI深度融合，AI可以帮助分析数据，填补实验可能捕捉到的空白，还可以指导额外数据的迭代生成，逐渐获得越来越好的模型。
例如，单细胞基因组学使我们能够了解单个细胞的分子组成和分类，然后我们可以利用这些信息构建类似人类细胞图谱的参考。随着我们收集越来越多关于细胞——生命的基本单位——的数据，我们可以利用这些数据构建细胞行为的"虚拟细胞"模型，并了解它们在疾病或治疗背景下的行为可能有何不同。
同时，我们可以利用AI推动药物发现的每个阶段，从我刚才描述的了解生物学的早期阶段，到开发针对疾病基础通路的理想药物，再到评估其安全性。
美国科学需要改变什么？
对基础科学问题的基本研究对创新至关重要，而充分的稳定性对开放式创新很重要。如果环境不稳定，科学家不太可能承担风险，而科学在优先考虑开放式探索的环境中蓬勃发展——首先，因为科学可能性的空间非常大，此外，应用方法通常为早期发现设定了过于严格的门槛。
由于学术界和产业界是同一科学生态系统的一部分并相互促进，我们正在密切关注正在发生的任何变化。
是什么让您现在感到乐观？
在1970年代，科学中最伟大的革命是分子生物学。50年前，即1976年4月，当Genentech成立时，我们开创了重组DNA技术，它通过将那个时代的"不可能"药物变为现实而改变了世界。
今天，我们正处于下一次伟大革命之中，生成式AI正成为科学的新语言，包括药物发现。自2020年以来，我们已将AI作为我们基础的一部分，将AI和数据嫁接到我们的科学专业知识上，并将我们的专业知识带入科学AI的创新中。这种方法将从根本上改变药物开发的成功率，使我们能够以前所未有的规模和速度为患者带来益处。
您对早期职业科学家的最佳建议是什么？
我经常喜欢给出"非建议的建议"：找到自己的道路有很多方法，没有人比你更了解答案，因为你最了解自己。所以，对所有建议，尤其是"常识"，都要持保留态度。获取大量信息，然后走自己的路。
在我的职业生涯中，对我有效的是追随我感兴趣的事物，无论它们将我引向何方。我从未想过我会学习生物学。但由于我在大学上的第一批生物学课程基于数学和计算，我最终将这种视角应用到生物学上。在整个培训过程中，以及在我自己的学术实验室中，我都追随自己的兴趣。很久以后，因为我想对患者的生活产生直接影响，我从学术界转到了产业界。
我也鼓励自己倾听自己的挫折感。挫折是一种复杂的情绪，当我们感觉某事可能发生（积极的一面）但尚未发生（消极的一面）时就会产生。我喜欢着眼于积极的一面：如果我感到沮丧，这意味着好事可能发生，我倾听自己的挫折感，以便找到实现这一点的方法。我发现这在科学机遇刚刚触手可及的时刻尤为重要，就像单细胞基因组学或生成式AI的早期一样。
您的领域在过去几年中发生了怎样的变化？
药物研发的核心挑战在于可能性空间巨大：大约10,000种疾病、基因组中的20,000个基因、人体中的数万亿个细胞、10^60种具有药物特性的假想小分子，等等。这种数量的可能性永远无法在实验室中逐一测试——或在人类群体中测试。因此，过去我们必须选择少数几个选项。而且，我们经常做出错误的选择，导致失败。在那些罕见的成功案例中，患者会获得巨大的好处。
这种情况正在改变，因为我们能够在完全不同的规模上运作——一个与问题规模相匹配的规模。首先，我们现在可以收集比过去数量级更多的数据。未来的研究实验室不仅将实现自动化，甚至将实现自主化。尽管这仍然远少于可能性的数量，但这些数据足够大，可以训练大规模AI模型。其次，从许多领域我们知道，用足够大数据训练的AI模型可以填补空白，甚至可以概括我们无法测试和测量的所有内容。一旦我们在它们之间迭代，利用模型提出下一个实验，我们就可以应对这一根本挑战。
我们现在正处于一个可以大规模进行生物学研究和药物发现的时代。这将彻底改变我们为患者提供新药物的能力，无论他们患有什么疾病。
【全文结束】