Isomorphic Labs 的 Max Jaderberg：用 AI 缩小药物设计范围

Isomorphic Labs 总裁 Max Jaderberg 说，他的团队使用 AI 模型从大量分子设计中筛选出较小的一组，再到实验室实际制造和测试。他与 Marina Mogilko 讨论药物发现、科学判断，以及如何判断智能体是否有用。

Jaderberg 的背景是计算机视觉和 DeepMind 的通用 AI 研究。他说，AlphaFold 的早期结果让团队相信模型能够在生物学和化学领域泛化，从而有理由用 AI 探索药物设计。

他说，AlphaFold 证明了一种可能性，但不是完整的药物制造系统。药物必须作用于合适的靶点、按预期发挥作用、到达身体的正确位置，而且要安全。他说药物开发周期长、失败很常见。

Isomorphic Labs 认为需要一系列进展，而非单一模型。Jaderberg 将疾病生物学建模、分子设计和毒性研究描述为不同的能力，它们需要在药物设计系统中协同工作。

工作分为两面：先理解健康和患病的生物系统如何运作，再设计干预措施。候选药物可以是小分子、抗体或肽，目标都是以有益的方式改变生物系统。

公司不希望孤立开发模型十年后才验证商业价值。Jaderberg 说，公司很早就开始药物设计工作，包括与制药公司合作，同时也有自行出资并拥有知识产权的内部项目。

技术是否成熟取决于领域。Jaderberg 说，药物发现本来就是预测并不完美、依靠实验的过程，因此只要模型能切实改善实验选择，即使它并不完美也可能有用。

他的团队把模型基准与实际药物发现项目对照。他说，如果分数提高了，真实科学结果却没有改善，基准可能衡量了错误的替代指标，需要围绕实际问题重新设计。

Jaderberg 说，解决疾病的使命太大，一个人难以完整把握。他将它拆成一棵由较小使命和个人目标组成的树，使人们能够把日常工作与长期抱负联系起来。

他举例说，对于一项建模任务，现有结果约为 10% 时，团队设定了 80% 的目标。即使目标遥远，数字也能展示逐步进展并帮助团队集中注意力。他也承认这类里程碑可能是人为设定的替代指标。

Jaderberg 认为，在生物学之外，凡是进展依赖昂贵物理实验的领域都可能存在机会。推理模型可以提出假设，专门模型则可能模拟部分物理世界，帮助决定要做哪些实验。

他说，可用数据是关键约束：数据不只是数量要多，还必须包含与预测相关的信息。噪声大或不足的数据集可能限制模型，但新的数据生成或收集方法也可能创造机会。

Isomorphic Labs 将 AI 研究人员和工程师与化学家、生物学家及临床医生聚集在一起。Jaderberg 说，他招募优秀的专业人士，并不要求每个人都有生物学经验，但要求他们有好奇心并愿意跨学科学习。

面试时，他会问候选人进入陌生领域或遭遇技术失败的经历：当时有什么感受、如何学习、接下来做了什么？他想了解他们面对不舒服的学习情境时如何行动。

生成模型和设计智能体可以提出许多分子设计方案。其他模型充当虚拟实验室，预测反应并缩小名单。团队随后在现实中制造并测试选出的分子，而实验需要时间和资金。

Jaderberg 说，团队不必在实验中筛查数十万种设计，而是可以制造 20 或 50 种，并获得较高比例的实验命中。他没有给出确切命中率，也没有说这些实验室命中已经成为获批药物。

他认为研究人员的角色正在变化：AI 研究者可以指定模型修改范围和目标，由智能体提出并运行具体实验。化学家也可以类似地为分子设计智能体定义设计空间和所需性质。

Jaderberg 说，他使用包括 Gemini 在内的多个模型分析和可视化公司数据。他把这作为生产力应用的例子，与用于药物设计的专门模型区分开。

被问到连续运行数天的药物设计智能体时，他说提示词、周边软件和成功的定义都很重要。药物设计涉及多个可能相互冲突的性质，因此目标并不是简单地最大化一个数字。

他提醒，智能体可能看上去很出色，却没有节省时间或改善工作。团队应定义好的表现是什么，评估系统各部分，并衡量它是否真的比替代方案更好或更快。他说，在生物学中，验证往往不像可在电脑上完全验证的问题那样明确。

Jaderberg 说，与人交谈和管理人员占据他工作的大部分，他认为目前不应该把这部分自动化。他也认为，即使模型能够产生大量假设，人的注意力、时间和物理资源仍然有限。

谈到监管，他说在人体中测试候选药物前，证据和患者安全至关重要。早期临床试验谨慎开始，以评估安全性和耐受性；即使前期预测有所改善，仍然需要仔细测试。

被问到 AI 设计的药物何时进入药房时，Jaderberg 说自己不知道。他说，一些使用过机器学习的药物正在进入临床研究，并介绍 Isomorphic Labs 自己的肿瘤、免疫和炎症项目仍在开发中。

他预计未来几十年疾病理解和药物设计会改善，并认为更加个性化的治疗有潜力。他没有为具体疗法给出确定日期，也没有声称某项临床结果已获保证。

他建议进入 AI 科学领域的人不仅要学习工具，也要学习科学本身。算力、人的注意力和实验室时间仍然有限，因此研究者仍需要选择哪些问题值得投入这些资源。

他把选择有价值的研究问题和有希望的方法的能力称为“研究品味”。在他看来，这种能力来自动手经验、领域知识和直觉；其他学科的思想也能帮助研究者以不同方式看待问题。