ทำลายเกาะโมดอล: โมเดลพื้นฐานการออกแบบโมเลกุลแบบโมดอลเต็มรูปแบบ ODesign ให้ AI ออกแบบโมเลกุลเหมือนกับการออกแบบภาษา

ในช่วงไม่กี่ปีที่ผ่านมา ความก้าวหน้าที่น่าประทับใจที่สุดในสาขา AI4Bio คงหนีไม่พ้น AlphaFold ที่พัฒนาโดย Google DeepMind เทคโนโลยีนี้ทำให้ AI สามารถ “มองเห็น” โครงสร้างสามมิติของโปรตีนได้ในวงกว้างและใกล้เคียงกับความแม่นยำระดับการทดลอง เมื่อมาถึงยุค AlphaFold 3 AI เริ่มเข้าใจเชิงลึกถึงสารประกอบเชิงซ้อนหลายองค์ประกอบที่ประกอบด้วยโปรตีน กรดนิวคลีอิก โมเลกุลขนาดเล็ก และไอออน

อย่างไรก็ตาม เป้าหมายที่แท้จริงของวิศวกรรมชีวิตนั้นไม่ได้หยุดอยู่แค่ “การสังเกต” เท่านั้น แต่ยังปรารถนา “การออกแบบ” นั่นคือการออกแบบโมเลกุลที่สามารถโต้ตอบกับเป้าหมายในตำแหน่งที่ถูกต้องและด้วยวิธีที่ถูกต้อง เพื่อควบคุมเส้นทางสัญญาณ เปลี่ยนแปลงกระบวนการทางพยาธิวิทยา หรือแม้กระทั่งปรับเปลี่ยนการทำงานของชีวิตบางอย่าง

ยกตัวอย่างไรโบโซม มันไม่เพียงเป็นเครื่องจักรโมเลกุลที่โปรตีน RNA และยาโมเลกุลเล็กทำงานร่วมกันเท่านั้น แต่ยังเป็นเป้าหมายการออกฤทธิ์ของยาโมเลกุลเล็กหลายชนิดอีกด้วย

นี่คือคอขวดหลักที่การออกแบบโมเลกุลด้วย AI ในปัจจุบันกำลังเผชิญอยู่

การออกแบบโมเลกุลด้วย AI ในอดีตไม่ได้ไร้ผลลัพธ์ แต่ความสามารถหลายอย่างยังคงถูกจำกัดอยู่ใน “เกาะแห่งรูปแบบ” (Modal Islands) การออกแบบโปรตีน การสร้างโมเลกุลขนาดเล็กและการเชื่อมต่อโมเลกุล การสร้างแบบจำลองโครงสร้างกรดนิวคลีอิก สาขาเหล่านี้ทำงานแยกจากกันมานาน โดยไม่มีการเชื่อมโยงถึงกัน

หมายเหตุ: ที่นี่ “รูปแบบ” (Modal) ไม่ได้หมายถึงข้อความ รูปภาพ หรือเสียง แต่หมายถึงโมเลกุลชีวิตประเภทต่างๆ เช่น โปรตีน โมเลกุลขนาดเล็ก กรดนิวคลีอิก ซึ่งสามารถมองได้ว่าเป็น “Token” ประเภทต่างๆ

นี่ไม่ใช่ปัญหาจำนวนโมเดล แต่เป็นปัญหาที่เมื่อวิธีการแสดงผล ข้อมูลการฝึก และเป้าหมายของงานถูกแยกออกจากกัน AI จึงยากที่จะเข้าใจและออกแบบปฏิสัมพันธ์ข้ามรูปแบบอย่างต่อเนื่องภายใต้กรอบเดียวกัน

อย่างไรก็ตาม ระบบชีวิตที่แท้จริงไม่เคยปฏิบัติตามขอบเขตที่มนุษย์กำหนดไว้ ในสถานการณ์เป้าหมายเดียว การมีอยู่ร่วมกันของหลายรูปแบบเป็นเรื่องปกติ กลไกการเกิดโรคมักขึ้นอยู่กับว่าโมเลกุลต่างๆ รู้จัก จับกัน ควบคุม และเสียสมดุลกันอย่างไร

เมื่อปัญหาชีวิตมีคุณสมบัติข้ามรูปแบบโดยธรรมชาติ ทำไมโมเดลการออกแบบโมเลกุลจึงยังถูกจำกัดด้วยขอบเขตของรูปแบบ?

จากการออกแบบโมเลกุลแบบเต็มรูปแบบ
สู่โมเดลโลกของโมเลกุล

“ในฟิสิกส์มีแรงพื้นฐานสี่ประเภท ภายใต้กรอบนี้ ปฏิสัมพันธ์ระหว่างโมเลกุลชีวภาพสามารถเข้าใจได้ว่าเป็นการขยายลำดับต่างๆ ของแรงแม่เหล็กไฟฟ้า” ซึ่งหมายความว่าป้ายกำกับเช่น โปรตีน กรดนิวคลีอิก โมเลกุลขนาดเล็ก เป็นเพียงการจำแนกประเภทที่มนุษย์ตั้งขึ้นเพื่อทำความเข้าใจระบบชีวิต แต่ในระดับอะตอมที่ลึกกว่า โมเลกุลต่างๆ ปฏิบัติตามกฎปฏิสัมพันธ์ทางกายภาพที่เป็นหนึ่งเดียวกัน

เมื่อกฎทางกายภาพพื้นฐานเป็นหนึ่งเดียวกัน AI ที่เรียนรู้ปฏิสัมพันธ์ของโมเลกุลก็ไม่ควรถูกจำกัดด้วยป้ายกำกับของรูปแบบ

ตรรกะพื้นฐานที่เฉียบคมนี้มาจากนักวิทยาศาสตร์รุ่นใหม่ที่ “ไม่ยึดติดกับรูปแบบเดียว” อย่าง Zhang Haotian

Zhang Haotian เรียนทั้งฟิสิกส์และเภสัชศาสตร์ที่มหาวิทยาลัยเจ้อเจียงในระดับปริญญาตรี จากนั้นได้รับปริญญาโทด้านการแพทย์จากมหาวิทยาลัยเจ้อเจียง และไปศึกษาต่อด้านคอมพิวเตอร์ที่มหาวิทยาลัยวอชิงตัน จากกฎพื้นฐานของฟิสิกส์ ภาพ表象ของชีวิตทางการแพทย์ ไปจนถึงการสร้างแบบจำลองด้วยคอมพิวเตอร์ เส้นทางวิชาการของ Zhang Haotian เองคือการตีความแนวคิด “การทำลายขอบเขต” ที่ชัดเจนที่สุด

ภูมิหลังแบบสหวิทยาการนี้ทำให้เขาสามารถเข้าใจปฏิสัมพันธ์ระหว่างโมเลกุลในระดับอะตอม และยังสามารถสร้างปัญหาการออกแบบโมเลกุลขึ้นใหม่จากมุมมองของโมเดล

ก่อนหน้านี้ โครงการวิจัยโอเพนซอร์ส ODesign ซึ่ง Zhang Haotian เป็นผู้เขียนคนแรกและผู้เขียนร่วมที่รับผิดชอบการสื่อสาร โดยร่วมมือกับห้องปฏิบัติการ Lingang, ห้องปฏิบัติการ Pujiang เซี่ยงไฮ้, มหาวิทยาลัยวอชิงตัน, มหาวิทยาลัยฮาร์วาร์ด, MIT และอื่นๆ ได้รับการ定位เป็นโมเดลพื้นฐานการออกแบบโมเลกุลแบบเต็มรูปแบบแรกของโลก

• ที่อยู่บทความ: https://odesign1.github.io/static/pdfs/technical_report.pdf
• ที่อยู่ทดลองใช้: https://odesign.lglab.ac.cn/

ODesign พยายามรวมเอนทิตีหลายรูปแบบ เช่น โปรตีน DNA RNA โมเลกุลขนาดเล็ก และไอออน เข้าไว้ในกรอบการสร้างเดียวกัน ให้ AI เรียนรู้ปฏิสัมพันธ์ระหว่างสิ่งเหล่านี้ และภายใต้สามระดับความละเอียด ได้แก่ โมเลกุลโดยรวม ลวดลายการทำงาน และอะตอมที่ระบุ สามารถออกแบบโมเลกุลสองประเภทใดๆ ได้อย่างควบคุมได้

ในมุมมองของ Zhang Haotian โครงการนี้ไม่ได้ต้องการพิสูจน์ว่า “โมเดลเดียวสามารถทำงานได้หลายประเภท” แต่เป็นคำถามพื้นฐานกว่า: หากปฏิสัมพันธ์ของโมเลกุลชีวิตมีลักษณะข้ามรูปแบบโดยธรรมชาติ โมเดลก็ต้องมีความสามารถในการเรียนรู้และสร้างข้ามรูปแบบด้วย มิฉะนั้น การสร้างแบบจำลองรูปแบบเดียวใดๆ ก็ตาม โดยพื้นฐานแล้วเป็นการใช้โลกที่ถูกตัดทอนเพื่อประมาณระบบจริง และสุดท้ายก็ต้องพึ่งพาการคัดกรองขนาดใหญ่เพื่อชดเชยความสามารถในการสร้างแบบจำลองที่ไม่เพียงพอ ดังนั้น จากพื้นฐานการวิจัยและการสะสมระยะยาวของทีมวิจัยเกี่ยวกับโมเดลการออกแบบโมเลกุล ODesign จึงพยายามสำรวจในทิศทางนี้: ภายใต้กรอบการสร้างเดียวกัน แสดงถึงรูปแบบต่างๆ เช่น โปรตีน DNA RNA โมเลกุลขนาดเล็ก และไอออนอย่างเป็นหนึ่งเดียว ทำให้โมเดลสามารถเรียนรู้ปฏิสัมพันธ์ระหว่างสิ่งเหล่านี้ได้ในระดับหนึ่ง และสนับสนุนการสร้างแบบจำลองและการออกแบบร่วมกันข้ามรูปแบบ

แผนภาพกรอบการสร้างแบบเต็มรูปแบบของ ODesign ODesign รวมโปรตีน DNA RNA โมเลกุลขนาดเล็ก และไอออนเข้าไว้ในกรอบการสร้างเดียวกัน รองรับการออกแบบแบบ all-to-all ระหว่างโมเลกุลประเภทต่างๆ และสามารถสร้างโมเลกุลที่จับกับเป้าหมายภายใต้เงื่อนไขเป้าหมายแบบแข็งหรือยืดหยุ่น ที่มา: 《ODesign: A World Model for Biomolecular Interaction Design》

ที่สนับสนุนวิสัยทัศน์อันยิ่งใหญ่นี้คือทีมนักวิทยาศาสตร์รุ่นใหม่ที่ “มาจากห้องปฏิบัติการที่ได้รับรางวัลโนเบลสาขาเคมีปี 2024” ในปี 2024 David Baker ได้รับรางวัลโนเบลสาขาเคมีจาก “การออกแบบโปรตีนด้วยคอมพิวเตอร์” สมาชิกหลักของทีมโครงการ ODesign ได้แก่ Zhang Haotian, Ying Kejun และ Wang Jiaqi ล้วนมาจาก Baker Lab ทีมนี้มีความสามารถในการสร้างแบบจำลอง AI ที่ทันสมัย ภูมิหลังการฝึกอบรมการออกแบบโปรตีนด้วยคอมพิวเตอร์ และความเข้าใจในวงจรปิดแบบแห้ง-เปียก ถือเป็นทีมที่หายากในจีนที่ยืนอยู่บนจุดตัดของ AI4Science และการออกแบบโมเลกุลชีวิตอย่างแท้จริง

การแสดงผลแบบหนึ่งเดียวและการเกิดขึ้น
ของต้นแบบโมเดลโลก

แนวคิดข้ามรูปแบบต้องถูกนำไปใช้ในทางวิศวกรรมเป็นการแสดงผลแบบหนึ่งเดียว

ปัญหาประการแรกที่ ODesign เผชิญคือ: โครงสร้างของโปรตีน โมเลกุลขนาดเล็ก และกรดนิวคลีอิกแตกต่างกันอย่างมาก จะทำให้โมเดลเดียวกัน “อ่าน” โมเลกุลต่างๆ ได้อย่างแท้จริงได้อย่างไร?

แนวคิดของทีมวิจัยคือการหา “หน่วยเคมีที่เล็กที่สุดที่สามารถแบ่งปันได้” (MCGU) ระหว่างรูปแบบต่างๆ โมเดลจะไม่มองโปรตีน โมเลกุลขนาดเล็ก และกรดนิวคลีอิกเป็นวัตถุที่แยกจากกันอีกต่อไป แต่จะแยกย่อยออกเป็นระดับหน่วยเคมีพื้นฐานที่เหมือนกันก่อน จากนั้นจึงแสดงผลผ่าน Modality Token และ Unit Token เมื่ออนุมาน โมเดลจะสร้างรอบหน่วยพื้นฐานที่แบ่งปันก่อน แล้วจึงเติมข้อมูลอะตอมเฉพาะของรูปแบบต่างๆ

สถาปัตยกรรมการแสดงผลแบบหนึ่งเดียวของ ODesign โมเดลจะแยกหน่วยเคมีที่เล็กที่สุดของโมเลกุลประเภทต่างๆ ออกเป็น token ที่เป็นหนึ่งเดียว และเรียนรู้ปฏิสัมพันธ์กับโครงสร้างเป้าหมายผ่าน Pairformer จากนั้นโมดูลการแพร่กระจายอะตอมเต็มรูปแบบจะสร้างโครงสร้างสามมิติที่滿足ข้อจำกัดเชิงพื้นที่

นี่ไม่ใช่แค่เทคนิคทางวิศวกรรม แต่เป็นข้อกำหนดเบื้องต้นสำหรับการถ่ายโอนข้ามรูปแบบ: เฉพาะเมื่อกำแพงในระดับการแสดงผลถูกทำลายลง โมเดลจึงจะสามารถเรียนรู้กฎปฏิสัมพันธ์ทั่วไปที่เหนือกว่าโมเลกุลประเภทเดียว และค้นหา “ภาษาโมเลกุล” ที่เป็นหนึ่งเดียว

在此基础上 ODesign ยังสร้างสถาปัตยกรรมการสร้างที่ใช้การทำนายโครงสร้างเป็นพื้นฐาน ทีมงานฝึกกรอบการทำนายโครงสร้างก่อน จากนั้นจึงปรับโครงสร้างข้อมูลและฟังก์ชันเป้าหมายใหม่ เพื่อให้โมเดลเปลี่ยนจาก “การทำนายว่าโมเลกุลเหล่านี้จะสร้างโครงสร้างอะไร” ไปเป็น “การสร้างโมเลกุลใหม่ที่สามารถทำงานตามที่คาดหวัง” แบบแรกคือการเข้าใจโครงสร้าง แบบหลังคือการออกแบบความสัมพันธ์

แล้วการแสดงผลแบบหนึ่งเดียวนี้ได้นำมาซึ่งความสามารถใหม่จริงหรือไม่?

ผลการตรวจสอบในปัจจุบันแสดงให้เห็นว่าคุณค่าของ ODesign ไม่ได้อยู่ที่ “โมเดลเดียวสามารถทำงานได้มากขึ้น” เท่านั้น แต่ยังแสดงให้เห็นถึงความสามารถในการถ่ายโอนระหว่างรูปแบบต่างๆ

ในการออกแบบโปรตีน ODesign พิสูจน์ความสามารถของตัวเองก่อน ปริมาณการคำนวณเพิ่มขึ้นประมาณ 10 เท่าเมื่อเทียบกับ RFDiffusion ในชุดทดสอบ AME ของ RFDiffusion2 ODesign-Flex แสดงให้เห็นถึงการเพิ่มขึ้นของปริมาณการออกแบบที่มีศักยภาพสูงถึง 20 เท่าเมื่อเทียบกับ RFDiffusion2

การตรวจสอบที่สำคัญยิ่งขึ้นอยู่ที่รูปแบบข้อมูลต่ำอย่างกรดนิวคลีอิก เมื่อเทียบกับโปรตีน กรดนิวคลีอิกมีข้อมูลน้อยกว่าและมีโมเดลที่成熟น้อยกว่า อัตราความสำเร็จของ ODesign ในการออกแบบ RNA monomer อยู่ที่ประมาณสองเท่าของ RNAFrameFlow ในการออกแบบโปรตีน-RNA คอมเพล็กซ์แบบ zero-shot นอกชุดฝึก อัตราความสำเร็จเฉลี่ยอยู่ที่ 77.9% ซึ่งแสดงให้เห็นว่ามันไม่ใช่ “โมเดลโปรตีนที่ปลอมตัวเป็นโมเดลเต็มรูปแบบ” แต่เป็นการถ่ายโอนกฎปฏิสัมพันธ์ที่เรียนรู้จากสถานการณ์โปรตีนไปยังรูปแบบข้อมูลต่ำอย่าง RNA และ DNA อย่างแท้จริง

การตรวจสอบการถ่ายโอนข้ามรูปแบบของ ODesign ในงานออกแบบกรดนิวคลีอิก ในการสร้าง RNA/DNA monomer และการออกแบบ aptamer ที่จับกับโปรตีน ODesign แสดงให้เห็นถึงความสามารถในการถ่ายโอนกฎปฏิสัมพันธ์ไปยังรูปแบบข้อมูลต่ำอย่างกรดนิวคลีอิก โดยงาน protein-binding RNA แสดงให้เห็นถึงศักยภาพในการออกแบบแบบ zero-shot

โมเลกุลขนาดเล็กนั้นใกล้เคียงกับสถานการณ์การพัฒนายามากกว่า ในงานโมเลกุลขนาดเล็กที่จับกับโปรตีน ประสิทธิภาพของ ODesign สูงกว่า SurfGen มากกว่า 40 เท่า และครอบคลุมการออกแบบโมเลกุลขนาดเล็กที่จับกับ DNA/RNA นี่ไม่ใช่การเพิ่มคะแนนในงานเก่า แต่เป็นการ触及จุดบอดที่โมเดลโมเลกุลขนาดเล็กแบบดั้งเดิมไม่สามารถจัดการได้

ประสิทธิภาพของ ODesign ในงานออกแบบโมเลกุลขนาดเล็ก ในการออกแบบโมเลกุลขนาดเล็กที่จับกับโปรตีน DNA และ RNA ODesign แสดงให้เห็นถึงความสามารถในการสร้างโมเลกุลขนาดเล็กข้ามประเภทเป้าหมาย โดยเริ่มครอบคลุมชุดการออกแบบข้ามรูปแบบที่โมเดลผู้เชี่ยวชาญแบบดั้งเดิมจัดการได้ยากกว่า

นอกเหนือจากตัวชี้วัดการคำนวณ เกณฑ์การประเมินขั้นสุดท้ายยังคงเป็นการทดลองแบบเปียก นั่นคือการตรวจสอบ คัดกรอง และยืนยันในระบบการทดลองทางชีววิทยาจริง

ตามที่ Zhang Haotian กล่าว ODesign ได้รับโมเลกุลที่มีศักยภาพที่มีความสัมพันธ์ตั้งแต่ระดับ nM ถึง pM ใน 8 เป้าหมาย เมื่อเทียบกับวิธีการเช่น RFDiffusion, BindCraft, BoltzGen, PXDesign ODesign เพิ่มความสัมพันธ์ในการจับ (binding affinity) ขึ้นหลายเท่าถึงหลายร้อยเท่าในงานออกแบบโปรตีน (protein design) ซึ่ง标志着 ODesign ได้เข้าสู่ขั้นตอนการตรวจสอบการทดลองทางชีววิทยาอย่างแท้จริง

การสร้างแบบหนึ่งเดียว การถ่ายโอนข้ามรูปแบบ และการตรวจสอบการทดลองที่เชื่อมโยงเป็นวงจรปิด คือคุณค่าหลักของ “ต้นแบบโมเดลโลกของโมเลกุล” มันพิสูจน์ว่าโมเดลสามารถข้ามขอบเขตของรูปแบบและเริ่มเรียนรู้กฎปฏิสัมพันธ์ที่ลึกซึ้งยิ่งขึ้นของโลกโมเลกุล

จากพื้นฐานสู่วงจรปิด: การสร้างโครงสร้างพื้นฐานใหม่สำหรับการค้นพบทางวิทยาศาสตร์

อย่างไรก็ตาม ในฐานะโครงการวิจัยโอเพนซอร์ส ODesign ยังห่างไกลจากจุดสิ้นสุดสำหรับทีม ในฐานะต้นแบบ มันยืนยันความเป็นไปได้ของการสร้างแบบหนึ่งเดียวและการถ่ายโอนข้ามรูปแบบ แต่ยังห่างไกลจากโมเดลโลกโมเลกุลระดับจุลภาคที่แท้จริง นอกจากนี้ มันยังไม่ถูกบรรจุเป็นเครื่องมืออุตสาหกรรมที่สามารถปรับขนาด ตรวจสอบ และทนต่อข้อผิดพลาดได้ ความท้าทายที่แท้จริงคือ: จะพัฒนาโมเดลที่สามารถสร้างโมเลกุลให้เป็นระบบที่สามารถมีส่วนร่วมในกระบวนการพัฒนายาจริงทั้งหมดได้อย่างไร

เพื่อแก้ปัญหานี้ Zhang Haotian ตัดสินใจเริ่มต้นธุรกิจด้วยตนเอง ร่วมกับ Ying Kejun, Wang Jiaqi และผู้ที่มีแนวคิดเดียวกัน ก่อตั้งบริษัท Yinglingdian Technology และได้รับการระดมทุนรอบแรกนำโดย Five Sources Capital

ทีม Zhang Haotian เริ่มต้นจากเส้นทางเทคโนโลยี แบ่งเส้นทางนี้ออกเป็นสามขั้นตอนที่ชัดเจน: AI4Bio, AI4AI และ AI4Phy

ในระยะสั้น AI4Bio เป็นทางเข้าสู่เชิงพาณิชย์ เริ่มต้นจากงานออกแบบโมเลกุลชีวภาพจริง ให้บริการแก่บริษัทยาและสถาบันวิจัย ในการพัฒนายาจริง โมเดลไม่สามารถดูแค่แรงจับเท่านั้น แต่ยังต้องรับมือกับข้อจำกัดหลายอย่าง เช่น ความเป็นพิษ การซึมผ่าน ภูมิคุ้มกัน ความสามารถในการสังเคราะห์

ในระยะกลาง AI4AI ชี้ไปที่กรอบวิทยาศาสตร์อัจฉริยะที่สามารถพัฒนาตนเองได้

ปัจจุบัน AI4Science เผชิญกับภาวะilemma ที่เป็นจริง: โมเดลหลายตัวสามารถ刷新 Benchmark ได้ แต่ยากที่จะโน้มน้าวลูกค้าอย่างแท้จริง ปัญหาไม่ได้อยู่ที่ผลลัพธ์ไม่ดีพอ แต่อยู่ที่ผลลัพธ์ของโมเดลมักเป็นกล่องดำ – ทำไมมันถึงออกแบบแบบนี้? ตามหลักฐานอะไร? เมื่อล้มเหลวควรปรับอย่างไร?

AI4AI พยายามแก้ปัญหานี้ มันรวม文献ที่ไม่มีโครงสร้าง ข้อมูลการทดลอง และผลลัพธ์ของโมเดลเข้าเป็นโครงสร้างความรู้ที่สามารถนำทางได้ ทำให้โมเดลไม่เพียงให้คำตอบ แต่ยังสามารถให้เหตุผลอย่างต่อเนื่องเกี่ยวกับการตั้งสมมติฐาน การประเมินสาเหตุ และการปรับปรุงผลลัพธ์

ต่อไปคือ AI4Phy นั่นคือห้องปฏิบัติการที่ขับเคลื่อนด้วยตนเอง

โมเดลสร้างโมเลกุลที่มีศักยภาพ ระบบการทดลองทำการสังเคราะห์ ทำให้บริสุทธิ์ ทดสอบ จากนั้นผลลัพธ์จะถูกป้อนกลับไปยังโมเดลเพื่อ推动การออกแบบรอบถัดไป เมื่อวงจรนี้ถูกสร้างขึ้น โมเดลจะไม่พึ่งพาข้อมูลในอดีตอีกต่อไป แต่จะแก้ไขตนเองอย่างต่อเนื่องใน feedback จริง

นี่คือจุดที่โมเดลโลกของโมเลกุลแตกต่างจากโมเดลการสร้างทั่วไป

โมเดลการสร้างทั่วไปสามารถให้方案ที่มีศักยภาพ ในขณะที่โมเดลโลกต้องเข้าใจ: เมื่อการออกแบบโมเลกุลเข้าสู่โลกกายภาพจริง จะเกิดอะไรขึ้น ล้มเหลวตรงไหน และควรแก้ไขอย่างไร

การทำเช่นนี้ไม่ใช่แค่การแข่งขันความสามารถของโมเดล แต่เป็นว่าทีมสามารถเข้าใจปัญหาทางวิทยาศาสตร์ feedback การทดลอง และกระบวนการอุตสาหกรรมไปพร้อมกันได้หรือไม่

นี่คือเหตุผลที่โครงสร้างทีม Yinglingdian Technology น่าสนใจ Zhang Haotian ครอบคลุมฟิสิกส์ เภสัชศาสตร์ การแพทย์ และคอมพิวเตอร์ CTO Ying Kejun มีพื้นฐานด้านชีวการแพทย์และคอมพิวเตอร์จาก Harvard และเคยทำ postdoc ที่ Stanford Medical School และ Baker Lab ผู้ร่วมก่อตั้ง Wang Jiaqi มุ่งเน้นการวิจัย交叉ระหว่างโมเดลขนาดใหญ่และชีววิทยาเชิงคำนวณมาเป็นเวลานาน

โครงสร้างแบบสหวิทยาการนี้สอดคล้องกับส่วนที่ยากที่สุดของ AI Biotech: ผลลัพธ์ที่โมเดลสร้างขึ้นต้องถูกกำหนดโดยปัญหาทางชีววิทยา ถูกจำกัดโดยกฎทางเคมี ถูกตรวจสอบโดยระบบการทดลอง และสุดท้ายต้องถูก承接โดยกระบวนการอุตสาหกรรม

ทีมที่มาจาก Baker Lab นี้ทำให้ Five Sources Capital เต็มใจที่จะลงทุนในระยะเริ่มต้น นักลงทุนกล่าวว่าทีมมีความสามารถด้านอัลกอริทึม ความเข้าใจวิทยาศาสตร์ชีวภาพ ความสามารถในวงจรปิดแบบแห้ง-เปียก และจิตวิญญาณผู้ประกอบการ ซึ่งเป็นพลัง创业ทางวิทยาศาสตร์ที่พวกเขายินดีจะสนับสนุนในระยะยาว

เมื่อปฏิสัมพันธ์ระหว่างโมเลกุลเริ่มถูกเรียนรู้ สร้าง และตรวจสอบโดยโมเดลอย่างเป็นหนึ่งเดียว ตรรกะการเล่าเรื่องของ AI4Bio กำลังเปลี่ยนแปลง มันไม่ใช่แค่การค้นพบโมเลกุลที่มีศักยภาพได้เร็วขึ้นอีกต่อไป แต่เป็นการ让นักวิทยาศาสตร์สามารถตั้งสมมติฐาน ออกแบบ และเข้าสู่การทดลองในรูปแบบที่ตั้งโปรแกรมได้มากขึ้น จากนั้นใช้ผลลัพธ์จริงเพื่อป้อนกลับโมเดล

AlphaFold ทำให้การปฏิวัติครั้งแรกของ AI4Bio เกิดขึ้นที่ “การเห็นโครงสร้าง” ในขณะที่ Yinglingdian Technology ต้องการท้าทายขั้นตอนต่อไป: ให้ AI ไม่เพียงเข้าใจว่าโมเลกุลชีวิตมีปฏิสัมพันธ์กันอย่างไร แต่ยังสามารถจำลองและออกแบบกระบวนการ动态ของโลกจุลภาค และ最终走向การจำลองและปรับเปลี่ยนการทำงานของชีวิตเอง