2020年AlphaFold2橫空出世橫掃CASP14，徹底改變了AI+生物學。

基于AlphaFold2里程碑式研究成果，領導該項目的Demis Hassabis，也由此獲得了2024年諾貝爾化學獎。

2021年底，根據(jù)AlphaFold2的成果轉化出了一家AI制藥公司Isomorphic Labs，前不久，Isomorphic Labs宣布在第一次外部融資中籌集了6億美元。

去年，Isomorphic Labs宣布與跨國制藥巨頭禮來和諾華達成了兩項價值30億美元的藥物發(fā)現(xiàn)協(xié)議，涉及針對多種疾病和靶點的創(chuàng)新療法，最近諾華還進一步擴大了雙方的合作范圍。

就在最近，該公司的首席人工智能官Max Jaderberg博士參加了紅衫資本的播客節(jié)目，并和合伙人Stephanie Zhan進行對談，分享了他對于AI+藥物研發(fā)的看法。

在投身于AI+藥物研發(fā)之前，Max Jaderberg是深度學習領域的大牛，與Demis Hassabis共事超過十幾年。此前他主要研究強化學習（RL）在游戲領域的應用，取得了“奪旗”（Capture the Flag）和 AlphaStar 等里程碑式的突破。

關于AI+藥物研發(fā)，他表示：

1、

Isomorphic Labs正在試圖用AI創(chuàng)建一個非常通用的藥物設計引擎，不僅能用于單一靶點或單一藥物類型，更能反復應用于任何不同的疾病領域。

2、

Isomorphic Labs建設了一批內部研發(fā)項目，主要側重于腫瘤與免疫領域，項目正在前所未有的速度推進。

3、如果要做到AI徹底改變生物學以及藥物研發(fā)范式，需要6個AlphaFold2級別的成果。

4、生物學的GPT3時刻——意味著AI能夠設計出基于物理現(xiàn)實、但又超出人類直覺的分子。就像AlphaGo與李世石對弈時下出的神之第37手。

5、隨著AI在醫(yī)藥的逐漸成功，5年后，整個行業(yè)不借助AI就無法設計藥物。就像不借助數(shù)學無法進行科學研究。

以下是對播客內容的編譯（有刪減）

構建通用AI藥物研發(fā)引擎

Stephanie Zhan：如果一切順利，你實現(xiàn)了對 Isomorphic 的愿景，那么世界會是什么樣子？

Max Jaderberg：我們希望我們正在構建的AI技術，將徹底改變我們理解生物學的方式，以及我們研究化學以調節(jié)生物學的能力。

因此，我們真正考慮的是解決所有疾病，未來AI不僅幫助我們發(fā)現(xiàn)、創(chuàng)造和設計新的治療方法，而且還更多地了解我們的生物世界，我們的細胞是如何工作的，疾病的根本原因是什么，從而開辟我們可以考慮調節(jié)的新途徑。

所以我們從第一天成立公司開始，真正追求的不是針對特定適應癥或特定靶點開發(fā)治療方法，而是真正思考如何利用AI創(chuàng)建一個非常通用的藥物設計引擎，不僅可以應用于單個靶點甚至單一療法，而且可應用于任何不同的疾病領域。這就是我們目前正在努力的方向。

Stephanie Zhan：有著這樣雄偉的目標，從第一天起，你的研究和構建AI的方式有什么變化？

Max Jaderberg：這是個好問題。當我考慮 AI 在藥物設計中的一些現(xiàn)狀時，機器學習模型在化學和生物學中得到了大量使用，但我會把這類應用程序的第一代很多稱為更本地化的模型。

現(xiàn)在可能有一些關于特定靶點或特定類別分子行為的數(shù)據(jù)，人們根據(jù)這些數(shù)據(jù)擬合一個小型多層 MLP，以幫助你生成一些預測，從而產生下一輪設計。

當我考慮我們需要什么來獲得我們一直在構建的這個突破性的藥物設計引擎時，我們需要大約六次AlphaFold級別的成果。

當前AlphaFold 顯然是理解生物分子結構的巨大突破。那么蛋白質的結構是什么呢？現(xiàn)在有了 AlphaFold 3，可以模擬小分子以及 DNA 和 RNA 等物質構建過程。這是一個根本性的進步，它使我們能夠獲得生物化學真正核心概念的實驗級準確性，從而為化學家解鎖一大堆思考和設計工作。

但我實際上想要表達的是，我們可能需要更多這樣的突破。他們在某種程度上達到了生物學和化學的不同核心概念的實驗水平準確性。

合成數(shù)據(jù)的忠實粉絲

Stephanie Zhan：我們知道數(shù)據(jù)在生物制藥領域非常重要，之前 Demis Hassabis在采訪中表示，AI在生物學中不受數(shù)據(jù)限制。您能分享一下您的看法嗎？

Max Jaderberg：實際上，無論機器學習應用哪個領域，都會有數(shù)據(jù)限制。

但我認為Demis的重點是，這并不是一個真正的瓶頸，因為我們可以利用現(xiàn)有的數(shù)據(jù)取得進展，我們可以生成數(shù)據(jù)，并且可以取得真正進展。

而不是我們必須坐等 50 年，讓這個世界產生足夠多的數(shù)據(jù)之后，才能做出有影響力的AI。畢竟現(xiàn)在人們取得的真正實質性的進步，超出了以前所經歷的任何事情。

現(xiàn)在，這是否意味著數(shù)據(jù)生物學沒有機會？絕對不是。這個領域有大量的歷史數(shù)據(jù)，但這些歷史數(shù)據(jù)并不是為了機器學習而創(chuàng)建的。因此，當你出去思考“如何創(chuàng)建數(shù)據(jù)來實際訓練我的模型”時，你正在以一種與過去人們生成數(shù)據(jù)的方式截然不同的方式思考。這里有很大的機會可以探索。

Stephanie Zhan：您認為我們現(xiàn)在缺少什么樣的數(shù)據(jù)？您認為我們需要合成數(shù)據(jù)嗎？

Max Jaderberg：是的。所以我是合成數(shù)據(jù)的忠實粉絲。實際上，從我職業(yè)生涯的一開始，我就一直在生成合成文本數(shù)據(jù)。

我們在化學領域也看到了同樣的趨勢，基于量子化學和物理，我們可以近似計算并創(chuàng)建更具可擴展性的分子動力學模擬。這為大量合成數(shù)據(jù)提供了基礎。

然后我們有模型本身，特別是我們有生成模型，這實際上可以生成數(shù)據(jù)，我們可以使用評分系統(tǒng)來幫助真正增強這些數(shù)據(jù)的信息內容。

但我認為其中一個很大的空間將是所謂的“體內數(shù)據(jù)”。當前動物實驗數(shù)據(jù)在藥物研發(fā)中非常重要，但很難生成大量的數(shù)據(jù)。

因此，尋找新的數(shù)據(jù)生成技術的機會很大。有一些了不起的人在做一些事情，比如器官芯片，但你知道，完全在芯片上測量的東西，我認為......

未來，生物學和化學領域的數(shù)據(jù)生成技術將有一大堆新的突破。你知道，這將對我們如何思考對生物化學世界進行建模產生重大影響。

Stephanie Zhan：您是否在內部進行任何工作，或者您希望其他參與者填補一些空白？

Max Jaderberg：我們實際上在Isomorphic Labs中沒有任何自己的實驗室，但我們與非常多公司進行合作。我們自己生成了大量數(shù)據(jù)，有很多專有數(shù)據(jù)，當前我們已經看到了它的巨大影響。

AlphaFold3正在影響藥物研發(fā)

Stephanie Zhan：有一種觀點認為，分子結構建模以及對其功能和調節(jié)功能進行建模非常重要，但不一定總是藥物開發(fā)的限制因素。你對此有什么看法？

Max Jaderberg：我們如何開始進行臨床試驗？我們應該如何在人體中測試這些藥物？ 我們如何才能真正及時地做到這一點，但仍然以真正安全的方式進行？這里 有很多瓶頸 。

我認為整個行業(yè)都需要弄清楚如何在該領域進行創(chuàng)新，特別是作為我們關于這些分子將如何與人相互作用、它們的毒性的預測模型，隨著這些預測模型變得越來越好，我們將不得不改變我們進行臨床試驗的方式才能真正利用它，最終將治療方法送到真正迫切需要它們的患者手中。

從我的角度來看，真正令人興奮的是，如果我們創(chuàng)建這些通用模型來了解這個分子如何與這個靶標相互作用，以及任何其他靶標如何相互作用，那么為什么我們不能使用相同的模型來了解這些分子如何與我們身體的其他部分相互作用呢？

Stephanie Zhan：AlphaFold 3 現(xiàn)在為藥物設計師提供了哪些功能呢？您內部是如何使用它的？

Max Jaderberg：因此，AlphaFold 3 使我們的藥物設計人員能夠了解他們的分子設計如何真正與這種蛋白質靶標相互作用。

因此，我們的藥物設計師可以對設計進行更改，然后立即看到它如何改變該分子與蛋白質靶標的物理交互方式。

這真的非常非常強大。在 AlphaFold3之前，人們實際上可能不知道分子是如何與蛋白質相互作用的，或許在藥物設計項目的某個時候，會用特定的設計來結晶結構。

這意味著如果幸運的話，六個月后要去真正的實驗室，得到一個解析的 3D 結構。但即便如此，這也只是單個設計的 3D 結構，而不是您所做的每一項更改。

AlphaFold 3 完全改變了化學家進行這種設計工作的方式。但我要強調的是，這遠非我們想要達到的程度。因為這不僅僅是關于這些分子在相互作用方面是什么樣子，我們實際上想知道這些分子與這種蛋白質的相互作用有多強。

我們想知道這些分子的其他特性。我們想了解這些分子與這種蛋白質相互作用的方式，以及它如何改變蛋白質的折疊或構象，它如何改變蛋白質的功能，它如何實際改變細胞的動力學。這些是我們正在努力實現(xiàn)的其他類似 AlphaFold 的突破。

Stephanie Zhan：有意思。所以你在內部開發(fā)的項目，專注于哪些目標和計劃？

Max Jaderberg：我們有一些令人興奮的藥物設計項目，側重于免疫學和腫瘤學。我們在那里取得了一些令人難以置信的進步，看到這一點真的很令人興奮。尤其是這些模型如何改變了我們在這些項目中實際進行藥物設計的方式。

Stephanie Zhan：公司還和禮來、諾華合作，您能分享一下這些合作伙伴關系是什么樣的嗎？

Max Jaderberg：是的，我們去年1月和兩家公司簽署了合作。他們給我們帶來了一些非常非常具有挑戰(zhàn)性的問題。這些靶點是該領域和諾華等公司已經研究了 10 多年的靶點。

所以這些不是“哦，我們會嘗試一下”的問題。這些都是真正困難的事情。去年是了不起的一年，無論是對我們的內部項目來說，還是對這些合作伙伴項目來說，都能夠真正看到這些模式的運作情況。它使我們能夠真正發(fā)現(xiàn)新的化學物質，找出新的方法來調節(jié)人們長期研究的這些目標。近期我們擴大了與 諾華 的合作，我認為這真正證明了這些合作伙伴關系早期的一些成功。

團隊是寶貴資產

Stephanie Zhan：您和 Demis Hassabis建立了長達十年的合作關系，與他合作是什么感覺？

Max Jaderberg：Demis 是一個了不起的人，他是一個真正的夢想家，而且他也非常有親和力。他只需要五分鐘的談話，就能真正地流露出他所思考的雄心壯志的深度，并從一開始就確立了極其高遠的目標。所以我認為他有這種強大的能力，為團隊注入巨大能量。

Stephanie Zhan：你已經建立了一支真正優(yōu)秀的團隊，由人工智能、化學、生物學等許多不同領域的最優(yōu)秀人才組成。您能分享一下您是如何看待這個問題的嗎？

Max Jaderberg：AI在藥物設計領域的應用并不長，因此既找到一位藥物研發(fā)的世界級專家，同時也是機器學習或深度學習領域的世界專家的機會基本上是......零。

只是因為這些領域共存的時間不夠長。我認為Iso 正在培育的一種新的科學領域。我真的在考慮我們如何讓藥物設計和藥物化學領域的世界專家以及機器學習和深度學習領域的世界專家并肩而坐，共同戰(zhàn)斗。

我們需要團隊有很多同理心，很多好奇心，真正用你自己的語言建立直覺。當我考慮聘請機器學習器、機器學習科學家和工程師來進行研究時，我會說，我們團隊中有 60%、70%、80% 的人沒有化學或生物學的先驗知識。這實際上可以是一項真正的資產。

AI生物學中的GPT-3時刻

Stephanie Zhan：AI 生物學中的 GPT-3 時刻是什么樣的？我們什么時候能夠迎來這個時刻？

Max Jaderberg：GPT-3本質上是一個生成模型。 對我來說，GPT-3 的時刻是跨越了兩者之間的界限，它們生成了一些東西，看起來像文本，但我不相信它是由人類生成的。

因此，當我考慮將其應用于生物學時，在 GPT-3 的那一刻，重新創(chuàng)建現(xiàn)實中事物的實際樣子，這意味著AI生成的分子是穩(wěn)定的，可以在我們的物理現(xiàn)實中工作和存在。但實際上AI能夠生成超出人類理解范圍的事物，但這些事物確實存在于現(xiàn)實世界中。

這真是太令人興奮了。事實上，您知道，我們開始在內部看到，通過我們的生成模型，我們正在創(chuàng)造人類藥物設計師會說，“嗯。我不太確定。我更喜歡這個。然后你在物理現(xiàn)實中測試它，生成模型是正確的，而人類是錯誤的。

Stephanie Zhan：這很有趣。我喜歡第 37 步的類比。當模型擁有創(chuàng)造力并超越人類。

Max Jaderberg：第 37 步是在 AlphaGo 對陣李世石的比賽中做出的驚人舉動。對局的第 37 步，它震驚了世界，震驚了圍棋世界，因為它無法被人類解釋。

這看起來是個錯誤。你知道的，在人類數(shù)千年的圍棋歷史中，從來沒有人下過這步棋。事實證明，當你展開游戲時，這是讓 AlphaGo 在那場比賽中擊敗李世石的關鍵一步。

Stephanie Zhan：那么，我們什么時候才能在臨床上看到我們的第一個 AI 生成的藥物，以及第一、二和三期試驗呢？

Max Jaderberg：我們在藥物設計項目上取得了驚人的進展。當我們開始獲得一大堆 AI 設計的資產、這些分子，進入臨床階段時，我們怎么能真正開始考慮參與臨床開發(fā)，以盡可能快、盡可能安全地將這些分子提供給患者。

我在這里考慮的是，與監(jiān)管機構合作的新方法，將采用哪些新方法來整合我們的預測模型，不僅了解這種分子如何對疾病起作用，而且正如我們所討論的，它如何與身體的其他部分相互作用。 我認為會有很多機會來考慮簡化和加快這個過程。

這將改變行業(yè)的游戲規(guī)則。隨著我們的AI模型愈發(fā)完善，我們甚至可以完全改變我們對人體臨床試驗的看法——我們可以更有針對性的方式更快地設計這些分子，并對它們的工作原理有更多的了解。

Stephanie Zhan：最后一個問題。隨著 Isomorphic 的成功，以及整個領域的成功，傳統(tǒng)的制藥世界會發(fā)生什么？

Max Jaderberg：從某種意義上說，制藥公司將使用 AI。我認為，五年后你將無法在沒有AI的情況下設計出一種藥物。這就像嘗試在不使用數(shù)學的情況下進行科學研究。

AI 將成為生物和化學的基本工具——至少在 Isomorphic 的世界里，它已經是每個人都會使用的程序。所以它不會是，“哦，是制藥還是人工智能？從某種意義上說，這將是一體的，整個行業(yè)都將適應這一點。

—The End—