技术变革还是炒作噱头？AI for Bio到底能做什么｜AI驱动科学

类型一：结构预测模型

AlphaFold2是由DeepMind于2022年发布的蛋白质结构模型，给定一段蛋白质的氨基酸序列，该模型可以预测其结构。（这是一个免费平台，可用于非商业研究。）

该模型经过数十万个已知蛋白质序列和结构的训练，计划预测43.8%人类蛋白质序列中超过四分之三的结构^[2]。AlphaFold2不是第一个蛋白质结构预测模型，但在最近的蛋白质结构预测竞赛（CASP14）中，它的准确率远超其他任何竞争对手^[2]。

▷Alphafold2的最佳预测中位准确率遥遥领先， 图中的柱形表示了这些团队在比赛中取得的最佳五次预测中的最高准确率。图源：[3]

通过蛋白质结构预测，了解蛋白质的构型，可以帮助我们了解其工作原理。

可用于合理化药物设计。只要知晓一种蛋白质的结构，就可以开始研究哪些类型的分子可与其相互作用并改变其功能。

但它的预测结果真的足以代替实验确定的蛋白质结构吗？

这很难说。一方面，如果以模型预测的结构为起点，使用配体结合计算模型来预测哪些药物会与它们结合，“每个受体的许多已知配体都未显示命中”^[4]。换句话说，筛选“针对”模型预测的结构而非实验确定的结构，会产生大量假阴性。另一方面，无论所用的蛋白质结构是“真实”实验得出的还是AF2预测的，在实验中与靶标配体实际结合的概率，计算下来约为50%^[5]。换句话说，如果你根本没有确定实验结构，那么使用人工智能的猜测将获得同样多的初始匹配，这可能有助于开发针对难以确定结构的蛋白质的药物。

ESM3是由一家新成立的前沿人工智能公司Evolutionary Scale创建的大型（98B 参数）语言模型，该模型基于来自27.8亿种天然蛋白质的蛋白质序列、结构和功能数据进行训练^[6]。输入一段给定的序列，它可以输出预测的蛋白质结构；输入一个结构，它可以预测匹配的序列。（于2024年6月25日正式发布，第一个兼具预测蛋白质序列、结构和功能的生物学生成模型，可实现生物学编程，使科学家能够理解和创造新的蛋白质，可通过ESM3的API平台获得封闭测试版。）

该团队在论文中演示了ESM3“创造”绿色荧光蛋白（GFP）新变体的过程：研究人员输入一些要求后，让ESM3填补蛋白质的其余部分，最终产生了一些与天然GFP序列完全不同但仍能产生荧光效应的新变体^[6]。（而在自然进化过程中，蛋白质变体可能需要超过5亿年才能进化出来。）

▷基于序列的想法生成一种新的荧光蛋白. 图源：[6]

想要“定制”蛋白质以产生某种特定效果，且已确切了解实现该效果所需的结构层面特性，ESM3可以辅助提出一些想法（仍需要实验测试）。

ESM3也能通过功能预测蛋白质结构（不过其准确性尚未与其他前沿方法进行比较）。

通过使用ESM对抗体进行“突变”，使AI优化的抗体在性能上显著优于目前临床批准使用的人类抗体，使抗体更“正常”（相对于训练数据）以更好地发挥作用。抗体是最常用的蛋白质类药物类型之一，这具有重要的实际应用意义。实际上，已经有一些公司专门生产“AI设计的抗体”^[7]。

不过，ESM3通常并不能解决“我需要一个在特定波长下发光的蛋白质”或“我需要一个针对某个特定蛋白质的抗体”这类问题。在生成“按要求定制”的蛋白质时，必须对“要求”有足够的了解，模型才会尝试给出答案。

Arc Institute开发的Evo是一种能够理解生物学三大基本语言（DNA、RNA、蛋白质）的长上下文生物基础模型。规模略小于ESM3（7B参数），基于80,000 种细菌和古细菌的基因组训练得到^[8]。它能够在给到提示后“自动补全”DNA、RNA和蛋白质序列的剩余部分。（可以通过Github获取，并直接在浏览器中使用。）

▷Evo对蛋白质、非编码RNA和调控DNA进行零样本功能预测。图源：[8]

显然，越有可能由模型自动生成的序列，其在许多方面的表现就越“优越”——例如，携带“更可能”突变的E. coli细菌的生存能力更强，“更可能”突变的非编码RNA在各类“适应性”评分中表现更好，等等。

实际应用中，Evo可用于了解一个序列的正常程度或生物学合理性。想要“正常”序列总体上能更好地工作，Evo也可以成为合成生物学的一个筛选步骤。同样，它不能取代物理实验，但可以加快成功进程，例如基因编辑创建新的CRISPR变体时。

类型二：蛋白质和肽结合模型

RFDiffusion由华盛顿大学David Baker实验室开发，是一种基于此前RoseTTAFold结构预测模型建立的蛋白质生成模型（免费且开源）。

该模型在蛋白质数据库上进行训练，允许用户围绕特定的功能区域（如小分子结合位点或酶活性位点）生成蛋白质。例如，当模型被要求生成能结合镍离子的候选蛋白质时，模型生成的44种蛋白质中有37种（84%）在物理实验中确实成功结合了镍离子^[9]。

设计定制蛋白质的能力很有价值。定制设计的酶可以催化工业过程或分解环境毒素；为特定靶点设计的抗体，可以成为药物、诊断生物传感器，或者用于基础研究的标记工具。例如，RFDiffusion已用于生成与某些肽结合的蛋白质^[10]。

▷RFdiffusion可以产生与靶分子结合的新蛋白质。视频来源：[11]

RESP由加州大学圣地亚哥分校的研究人员开发，是一种针对抗体的特异性模型，经过超过30亿个B细胞受体序列的训练，能够为一种明星抗癌抗体药物（Atezolizumab，或抗PD-1）提出改进建议，使新抗体与靶标的结合力提高17倍（该模型仅发表论文）^[12]。

RESP并非纯粹的计算，而是AI和实验流程的结合。每个靶标都会进行酵母实验，观察各种抗体变体与靶蛋白的结合程度。之后，基于这些实验数据生成模型，用于预测抗体序列的结合亲和力。最后，这个模型会“反向运行”，生成预测亲和力最高的抗体。

▷RESP管线示意图 图源：[12]

最传统的抗体制造方法是将抗原注射到动物体内，然后收集该动物免疫系统产生的抗体。这种方法效率低、成本高。更现代的抗体发现方法使用高通量筛选，测试大量候选变体，确定其与靶标结合的效力和特异性。

RESP系统并未完全摆脱实验筛选，但它确实使筛选更加高效。与盲目试错不同，RESP提供经过预测具有高表现潜力的建议，进而筛选这些候选抗体。这有可能缩短成功抗体的发现时间，提高发现概率；或者优化候选抗体，使其在进入临床试验时更加有效，并减少潜在的副作用。

类型三：分子结合模型

AlphaFold3于2024年5月8日发布，相比AlphaFold2具有更广泛的应用，能够从DNA、RNA和蛋白质的序列中预测其3D结构。它能够预测蛋白质和核酸如何结合形成复合物，甚至预测蛋白质和小分子之间的配体结合。它在预测蛋白质-配体和蛋白质-蛋白质相互作用方面的准确率高达近 80%，远远优于竞争对手的模型^[14]。（免费平台，可用于非商业研究。）

▷7R6R-DNA结合蛋白: AlphaFold 3对一种分子复合物的预测，其特征是一种蛋白质(蓝色)与DNA的双螺旋结构(粉红色)结合，这与通过艰苦实验发现的真实分子结构(灰色)近乎完美地匹配。图源：[15]

AlphaFold3可以完成AlphaFold2的所有功能，此外还可以帮助筛选潜在药物、抗体和其他生物制剂，以评估其对靶标的作用。它还不够准确，无法完全取代实验，但它可以加速寻找早期成功药物的过程，通过筛选来决定哪些候选药物需要进行实验测试。

BioSimDock由Deep Origin公司开发，是一种预测小分子与蛋白质结合亲和力的专有模型。该公司没有透露太多有关其架构的信息（可在官网申请使用测试版），但BioSimDock被观察到能够在10万个分子库中正确检测到13个“真实”结合分子中的6个，预测的结合亲和力与实际值的相关性达到了0.89，远远优于其他基于计算的配体结合预测模型^[16]。

虚拟分子筛选大大扩展了小分子药物候选物的范围。当下最大的实体筛选库包含大约一百万个分子，而基于AI的模拟筛选可以在几天内筛选超过百亿个分子。先筛选出计算得分高的分子，再进行实验测试，可以将命中率提高数倍。

MoLFormerXL由IBM研究院开发，经过超过十亿个分子的训练，可根据分子结构预测各种化学特性，包括毒性、水溶性和对某些靶标的结合亲和力^[17]。它是一个预先训练的化学语言模型，就像通用语言模型可以处理多种语言任务，但如果想在特定任务上表现得更好（如文本分类）需要进一步微调，同样，MoLFormerXL在执行化学任务时也需要针对不同的化学属性进行调整和优化。（该模型在平台注册后即可使用。）

从论文中，无法确定MoLFormerXL的结合亲和力预测与其他分子结合模拟（包括更确定性、非机器学习的预测）相比如何。一般来说，来自非常大数据集的良好通用嵌入，通常可以改进各种专用预测模型。但如果没有更多信息，很难说能改进多少。

MoLFormerXL的主要应用，像其他计算机模拟筛选模型一样，是提供一个初步的分子库，提供预测为"优质"的分子，供实验进一步验证和筛选。

在最近一次针对大型数据集BELKA（Big Encoded Library for Chemical Assessment，BELKA是地球上最大的公开分子-蛋白质相互作用数据集，它是针对3种蛋白质靶标筛选的1.33亿分子的集合）的Kaggle竞赛中，任务是预测哪些小分子能够与哪些蛋白质结合。没有任何参赛者能够从基于一个核心分子结构的训练集，成功推断出不同化学结构的测试集结果。即使是竞赛获胜者，在处理新结构时的表现也不过与随机猜测相当^[18]。

虽然负面结果令人失望，但它们依然具有重要价值。如果现有的AI模型无法准确预测小分子与靶点的结合，这意味着我们需要更大、更好的数据集，包含更多样化的分子，才能有希望预测任何小分子药物候选物的行为。

小分子结合最终可能比蛋白质-蛋白质或蛋白质-核酸结合更难。虽然生物大分子都来自地球上同一组生命的祖先，但所有可能的化学物质的组合要多样化得多。

类型四：细胞模型

Chan Zuckerberg Initiative（CZI）正在开发一种被称为“虚拟细胞”的项目^[19]。虽然他们尚未发布相关论文，但其方法似乎是基于显微镜细胞成像以及单细胞RNA、DNA和蛋白质数据，构建一个基础模型。

推测而言，细胞数据的基础模型将能够做到以下几点：

• 根据细胞的嵌入相似性，将细胞聚类为“相似”，使“细胞类型”的判定更加客观；

• 根据细胞的一些特征生成“典型”数据，比较细胞的异常程度与其“应该”的表现，为疾病表型提供可能线索。

Phenom-Beta是Recursion的细胞显微镜图像生成模型，它是一种视觉转换器，经过训练可以从不完整的图像块中“自动完成”图像[20]。它提供了细胞图像的自然嵌入，使得嵌入中“相似”的细胞在沿生物学相关途径的基因表达方面也相似。（目前，该模型可通过API获得，并将通过BioNeMo Beta申请。）

▷Phenom-Beta利用RxRx3 Cell Paint图像进行训练以及vit功能的说明性示例. 图源：[20]

细胞图像的良好嵌入，是表型筛选的重要工具。表型筛选的基本思路是，筛选那些影响疾病状态的药物，比寻找与单一靶标相互作用的药物更有效。然而，由于无法在数以百万的患病小鼠上进行数百万种化合物的测试，研究人员通常依赖基于细胞培养的实验模型来代表疾病状态。

最传统的表型筛选方法是癌症研究领域。可以跳过寻找与假设与癌症有关的单个靶分子相互作用的药物环节，同时测试大量药物，观察它们是否能够杀死或抑制癌细胞的生长，且不会伤害健康细胞。

而一种更细微的表型筛选方法则是，通过识别病变细胞与健康细胞的差异，并筛选能够使病变细胞看起来更像健康细胞的药物。

要实现这一目标，需要一种对“相似性”进行计算的定义。简单的像素值比较并不足够，图像中大部分信息是冗余的，因此需要一种能够压缩和提取重要信息的方式。基于Transformer的嵌入技术，非常擅长找出直观上相似的图像，因此可用于识别相似的细胞。

这对干细胞和发育生物学也可能非常有用。如果希望诱导干细胞分化为“更像”某种目标细胞类型，基于图像的相似性测量可以告诉你是否走在正确的轨道上。

NVIDIA于2024年4月22日发布的基础模型。VISTA-2D解决了生物学中一个出乎意料的难题——细胞分割，即在显微镜图像中自动绘制每个细胞的边界。

虽然人眼很容易看出细胞的位置，但让图像处理系统准确地计算样本中的细胞数量，且在准确性和成本上与手动计数相竞争，仍然极为困难。如今，最先进的分割模型在基准数据集上的准确率可以超过90%，而且大多数分割模型都通过结合像VISTA-2D这样的预训练基础模型略有提升^[21]。（在NVIDIA官网可申请访问早期模型。）

▷与基线性能相比，VISTA-2D使TissueNet(TN)、LIVECell (LC)、Cellpose、Omnipose和DeepBacs等多种专业模型的平均精度得到了提高. 图源：[21]

如果要对大量细胞显微图像进行自动分析（例如，表型筛选或脑图谱绘制），那么首要任务就是对细胞进行分割。

类型五：靶点发现模型

PandaOmics 平台由 Insilico Medicine 开发，计划从“组学”数据以及数据库、出版物等中的文本信息中推断出靶点。（该模型公开平台注册即可使用。）

测试这样一个高度灵活的平台的性能是非常困难的。Insilico Medicine在一篇验证PandaOmics在ALS（肌萎缩侧索硬化症）研究中的有效性的论文中提到^[22]：

使用软件平台整合已发布的信息和“组学”数据，根据公正的算法标准对疾病目标进行排序，这种做法似乎很有用。然而，InSilico并没有尝试证明他们的软件优于显而易见的比较点——即由领域专家手动挑选靶点。

显而易见的是，由于依赖于他人的实验报告，它并不能取代这些实验。如果使用大型语言模型（LLM）来分析科研文献，虽然能加快你对这些文献的理解，但最终还是需要有人亲自进行这些实验。

总结