Max Jaderberg: vaistų kūrimui reikia pusšimčio AlphaFold lygio proveržių

Isomorphic Labs prezidentas Maxas Jaderbergas, prisidėjęs prie AlphaFold 3, pasakoja, kaip AI leidžia vietoje šimtų tūkstančių variantų laboratorijoje išbandyti vos 20–50 molekulių. Jo teigimu, AlphaFold yra tik įrodymas, kad sprendimas įmanomas: realiam vaistų kūrimo varikliui reikia maždaug pusės tuzino panašaus masto proveržių — nuo ląstelių biologijos supratimo iki toksiškumo prognozavimo. Šiuo metu vaisto kelias nuo idėjos iki pacientų trunka apie 10 metų, o nesėkmės tikimybė siekia 90 %.
Pilna santrauka
Kelias nuo AlphaFold iki misijos „išspręsti visas ligas"0:30
Maxas Jaderbergas — Oksforde mokslus baigęs AI tyrėjas, kurio startuolį įsigijo Google; jis prisidėjo prie AlphaFold 3 ir dabar yra Isomorphic Labs, Demiso Hassabio įkurtos vaistų kūrimo su AI bendrovės, prezidentas. Jo kelias prasidėjo nuo kompiuterinės regos ir didelių tinklų mokymo (ImageNet), vėliau DeepMind jis dirbo su bendraisiais algoritmais, naujų architektūrų kūrimu, ankstyvaisiais generatyviniais ir kalbos modeliais bei giliuoju skatinamuoju mokymusi, taip pat prie AlphaGo ir AlphaStar.
Matant, kaip vienas po kito išsprendžiami „neįmanomi" uždaviniai, kilo klausimas, kur šią technologiją nukreipti, kad ji turėtų didžiausią poveikį žmonijai.
Tuo pačiu metu DeepMind viduje ėmė ryškėti AlphaFold rezultatai — baltymų struktūros prognozavimas, labai sunki ir fundamentali mokslo užduotis. Tai, pasak Jaderbergo, įrodė, kad galima treniruoti AI modelius, kurie generalizuoja biologijos ir chemijos erdvėje; anksčiau to niekas nebuvo parodęs. Būtent šis įrodymas leido žengti žingsnį ir steigti Isomorphic Labs su ambicinga misija — išspręsti visas ligas.
Pusšimtis AlphaFold lygio proveržių4:06
Jaderbergas pabrėžia, kad pats AlphaFold nėra vaistų kūrimo sprendimas — tai tik įrodymas, kad sprendimas gali egzistuoti. Vaistui sukurti reikia suderinti ne vieną, o maždaug tuziną labai sudėtingų problemų. Šiandien kelias nuo idėjos iki vaisto pacientui trunka apie 10 metų, o apie 90 % vaistų žlunga kūrimo eigoje.
Sunkumų dimensijų daug: reikia nuspręsti, į kokį baltyminį taikinį eiti, suprasti fundamentalų kelią ir molekulinį mechanizmą ląstelėje, kurį norima moduliuoti; sukurti molekulę, kuri iš tiesų veiktų taip, kaip sumanyta; užtikrinti, kad ji pasiektų reikiamą kūno vietą, būtų saugi ir neturėtų toksinio šalutinio poveikio. Todėl ir sprendimas iš AI pusės nėra vienas modelis, o visa rinkinys AlphaFold lygio proveržių — įmonė kalba apie maždaug pusę tuzino ar daugiau tokių proveržių, kurie vėliau turi susilieti į vientisą vaistų projektavimo variklį. Per pastaruosius penkerius metus jie sistemingai eina per šį sąrašą.
Kokie tie proveržiai, komanda žino: tai „supergalios", kurias suteikus chemikui, vaistų dizaineriui ar biologui, radikaliai pagerėtų gebėjimas kurti vaistus. Tarp jų — supratimas, kaip veikia ląstelės ir įvairios ligų biologijos sritys, skirtingi molekulių projektavimo aspektai ir žmogaus toksiškumo prognozavimas.
Du AI panaudojimo frontai5:41
Pirmas frontas — supratimas. Biologija yra graži ir labai sudėtinga; žinoma tik maža dalis to, ką apskritai galima žinoti apie ląstelių veikimą ir ligų biologiją. Isomorphic kuria fundamentinius biologijos modelius, padedančius suprasti, kaip tarpusavyje dera baltymai, DNR, RNR, kaip jie formuoja signalinius kelius ląstelėse ir kaip liga pakeičia įprastą tų kelių veikimą — iš to kyla užuominos, kaip situaciją ištaisyti.
Antras frontas — intervencijos projektavimas, tai yra pats vaistas: maža molekulė tabletės pavidalu arba injekuojamas antikūnas ar peptidas. Klausimas — kaip sukurti molekulę, kuri moduliuos biologinę sistemą būtent taip, kaip sumanyta.
Verslo modelis ir komercializacija7:15
Jaderbergas sako, kad įkūrę įmonę jie nenorėjo dešimtmetį sėdėti „tamsiame urve" kurdami variklį ir tik paskui pasirodyti su sprendimu. Nuo pirmos dienos buvo kuriama ir pagrindinė technologija, modeliai bei platforma, ir iš karto bandoma spręsti sunkiausias komercines problemas. Labai anksti buvo vykdomas realus vaistų projektavimas — ne tik savo iniciatyva, bet ir ieškant geriausių pasaulyje partnerių: pasirašytos sutartys su stipriausiomis farmacijos bendrovėmis, kurios atnešė pačias sunkiausias pramonės problemas. Taip negalima „pačiam taisyti savo namų darbų" — esi vertinamas pagal aukščiausią pramonės standartą.
Veikia du komerciniai modeliai, kurie, jo nuomone, gerai dera: vidinės programos, kurias įmonė pati inicijuoja, pati finansuoja, valdo visą intelektinę nuosavybę ir pati vysto molekules, bei darbas kartu su partneriais.
Kada technologija pasirengusi10:19
Jaderbergas sako, kad pasirengimo kartelė skiriasi pagal industriją: savavaldžiams automobiliams reikia 99,99999 % tikslumo, kad būtų saugu diegti. Vaistų atradime situacija kitokia — iki AI pramonė ir taip labai prastai prognozavo, kaip gerai veiks molekulė; procesas empirinis, bandymų ir klaidų laboratorijoje. Todėl nereikia tobulos prognozavimo galios, kad būtų sukurta reali mokslinė vertė. Svarbu pasiekti tokį tikslumo lygį, kuris keičia žaidimą dizaineriams — jis nebūtinai labai aukštas, pakanka reikšmingo skirtumo nuo to, ką turi likusi pramonė.
Įmonė kuria pažangius („frontier") AI modelius ir turi daug benchmarkų bei evalų kaip tarpinių rodiklių, o tada agresyviai juos perkelia į gyvas vaistų atradimo programas, kad įsitikintų, jog pažanga statiniuose benchmarkuose virsta tikrais moksliniais proveržiais ir ekonomine verte. Dažnai pasitaiko, kad progresas machine learning benchmarke į realybę neišsiverčia — tai reiškia atotrūkį tarp proxy ir realios problemos, todėl tenka iš naujo perprojektuoti lyderių lentelę ir evalus.
Ambicija ir misijos medis12:22
Jaderbergas tvirtina, kad su AI reikia kuo didesnės ambicijos: sumažinus numatomą poveikio mastą, įmonė kuriama kitaip ir keliami kitokie tikslai. Didelė rinkos ir poveikio pacientams potencialo vizija leidžia pagrįsti milžiniškas investicijas į modelių ir mokslo kūrimą.
Jis pripažįsta, kad misija „išspręsti visas ligas" yra pamišusi ir drąsi, kad tai neįvyks per naktį ir neįvyks vien Isomorphic sienose. Tačiau tokia misija per didelė vienam žmogui aprėpti, todėl galvoje jis turi „misijos medį": iš viršutinės misijos kyla žemesnio lygio misijos, ir taip toliau iki kiekvieno darbuotojo asmeninės misijos, kurios sudėtos kartu kalba apie viršutinį tikslą. Prie to pridedami praktiniai etapai-matavimai, leidžiantys patikrinti, ar vis dar einama teisingu keliu ir ar spaudžiama pakankamai stipriai.
Patarimas steigėjams sunkiausiomis dienomis: pirmiausia turėti misiją, kurią pats sau racionaliai pagrindei ir už kurios gali visiškai stoti — Jaderbergui Isomorphic misija yra tokia, kuriai galima paskirti gyvenimą be gailesčio. Antra — paversti ją „gyvybės signalais", tarpiniais, kad ir dirbtiniais, orientyrais. Pavyzdys: viena modeliavimo užduotis egzistuoja nuo įmonės pradžios; komandai iškeltas kiekybinis tikslas pasiekti 80 % tikslumą tam tikrame benchmarke, nors pasaulis jį atlieka tik 10 % lygiu. Tikslas atrodo nepasiekiamas, bet jis apčiuopiamas: kasdien matomas kilimas po 1–3 %, o sudedant metų metus, tokie dalykai pasiekiami.
Tokius kiekybinius tikslus įmonėje vadina leaderboards, ir jų turi kiekvienas padalinys.
Kur dar galimi AlphaFold momentai17:02
Už biologijos ribų, Jaderbergo manymu, yra daug sričių, laukiančių savo AlphaFold momento. LLM ir samprotavimo agentai padeda suprasti duomenis ir samprotauti apie pasaulį, kai kuriais atžvilgiais jau pranokstant žmones: pavyzdžiui, biologas žiūri į eksperimentinius duomenis, daro išvadas ir kelia hipotezes apie kitą eksperimentą — tai jau gali daryti ir samprotavimo modeliai. Bet ar jie gali nuspėti patį eksperimento rezultatą, simuliuoti realų pasaulį? Kol kas turbūt ne.
Todėl daugelyje taikomojo AI sričių modeliai kelia hipotezes, bet stabdys lieka fizinis eksperimentas — taip yra biologijoje, medžiagų moksle, fizinio projektavimo ir inžinerijos srityse. Būtent ten ir yra galimybė AlphaFold tipo proveržiams: modeliams, kurie simuliuoja dalį fizinio pasaulio, kad vietoj realaus eksperimento būtų galima „bakstelėti" modelį. Tai papildo LLM ir samprotavimo modelius.
Duomenys kaip tikrasis apribojimas19:06
Kaip suprasti, kad technologija dar nepasirengusi spręsti uždavinio? Jaderbergo atsakymas — dažniausiai viskas priklauso nuo turimų duomenų. Reikia klausti, kokios prognozavimo galimybės reikia ir kokie duomenys turi informacinio turinio, galinčio padėti tai nuspėti. Jei duomenų mažai, jie labai triukšmingi arba žemos dimensijos, signalo juose beveik nėra, tai modeliavimo poveikio tikėtis sunku. Kartu tai ir galimybė: verta klausti, kokie duomenys galėtų egzistuoti, kad problema atsirakintų — gali atsirasti nauja duomenų generavimo technologija ar surinkimo būdas, atveriantis anksčiau neprieinamas sritis.
Jis save vadina deep learning maksimalistu: algoritmai, galintys išspręsti beveik bet kurią problemą, jau yra, skaičiavimo galios taip pat yra apsčiai (nors visi jaučia jos trūkumą), yra ir puikių žmonių — todėl viskas priklauso nuo duomenų. Daugelis perspektyvių taikomojo AI sričių ribojamos būtent prieinamų mokymo duomenų. Vedėja pastebi, kad tai verslo idėja, ir matomi startuoliai, renkantys duomenis bei darantys juos prieinamus modeliams.
Kaip samdomi žmonės21:09
Tokia kompleksiška misija reikalauja žmonių iš daugybės disciplinų. Pasak Jaderbergo, pasaulyje tiesiog neegzistuoja „ligų sprendimo su AI" ar „vaistų kūrimo su AI" eksperto, nes sritis per jauna; jei kas nors taip save vadina, tikriausiai naudoja technologiją, kurios Isomorphic viduje nebenaudoja — pasenusią. Todėl samdomi geriausi savo sričių atstovai: geriausi AI mokslininkai ir inžinieriai, programinės įrangos inžinieriai, chemikai, biologai, klinicistai, o paskui jie mokomi kalbėti vieni kitų kalba ir dirbti kartu.
Tai reiškia, kad priimami žmonės be gyvybės mokslų patirties, jei jie nori ir smalsauja mokytis. Puikūs mokslininkai ir inžinieriai paprastai yra protingi žmonės, mėgstantys mokytis, o šios sritys gana išmokstamos. Taip viduje užauginamas tarpdisciplininis mokslininkas ar inžinierius. Papildoma nauda — žmogus žiūri į naują discipliną naivia, šviežia akimi, todėl tarsi atsitiktinai gaunamas first principles mąstymas, kurio ir reikia kuriant naujose erdvėse.
Pokalbiuose jis klausia atvirai: papasakok apie naujos srities mokymąsi, kaip jautiesi, kai esi visiškai naujoje erdvėje, kaip prie to priėjai; taip pat kur tavo techninis darbas nepavyko ir kaip radai sprendimą. Tikslas — išgirsti, kaip žmogus elgėsi nepatogiose mokymosi situacijose, kai atrodo, kad viskas lekia virš galvos.
Hipotezių atranka: nuo šimtų tūkstančių iki 20–5024:49
Projektuojant kitą molekulės iteraciją, AI gali sugeneruoti tūkstančius ar milijonus hipotezių, bet visų jų laboratorijoje tikrinti nenorima. Todėl kuriamas papildomas modelių rinkinys: simuliaciniai, „pasaulio" arba virtualios laboratorijos modeliai. Vieni modeliai — generatyviniai, dizaino agentai — siūlo naujas idėjas; kiti, virtualios laboratorijos modeliai, kompiuteryje prognozuoja atsaką ir atrenka tik tas molekules, kurių sėkme pasitikima labiausiai. Tik tada einama į realų pasaulį jų gaminti ir testuoti — tai brangiausia ir daugiausia laiko reikalaujanti dalis.
Kalbant apie skaičius: šiandien vietoj eksperimentinio šimtų tūkstančių variantų skenavimo pakanka pagaminti 20 arba 50 molekulių, ir pataikymų procentas toks aukštas, kad senojo stiliaus tūkstančių molekulių testavimo galima atsisakyti. Tai vienas vidinių rodiklių, kurį stebi: ar progresas pagrindiniuose modelių benchmarkuose verčiasi realiu eksperimentinės sėkmės rodikliu. Kuo jis aukštesnis, tuo mažiau iteratyvaus eksperimentinio laiko reikia. Jaderbergas pabrėžia, kad tai skiriasi nuo „lab in the loop" požiūrio, kur siekiama greičiau susidurti su realiu pasauliu — jų tikslas yra kuo daugiau realaus pasaulio perkelti į kompiuterį.
Kaip keičiasi tyrėjo darbas26:53
Tyrėjo vaidmuo pasikeitė tiek AI, tiek chemijos pusėje. Anksčiau AI tyrėjas pats kėlė hipotezę apie modelio pakeitimą, ją įgyvendindavo ir vykdydavo eksperimentus. Dabar vis daugiau vyksta „auto research": tyrėjas apibrėžia ne vieną idėją, o modelio pakeitimų dizaino erdvę ir jos tikslus (pvz., padidinti efektyvumą, pralaidumą ar tikslumą tam tikra kryptimi), o agentai ir modeliai patys sugalvoja idėjas ir vykdo eksperimentus.
Panašiai ir su chemiku: anksčiau jis pieštų molekulę ant lentos ir keistų atskirus atomus, pats kurdamas dizaino hipotezes. Isomorphic chemikas ar vaistų dizaineris dabar apibrėžia dizaino erdvę ir kito dizaino rato tikslus, o tai tampa užduotimi dizaino agentams, kurie toliau dirba savarankiškai.
Rėmėjo intarpas9:18
Vaizdo įraše yra rėmėjo Miro pristatymas: komanda pasakoja, kad tyrimai, seni scenarijai, prodiuserio užrašai ir Claude pokalbiai būna išsibarstę skirtingose vietose, todėl tenka kopijuoti kontekstą. Sprendimas — viskas sudedama į vieną Miro drobę (tyrimai, ankstesni scenarijai, auditorijos atsiliepimai, klausimai, sprendimai), o Claude prijungiamas prie tos pačios lentos per Miro MCP serverį, kad skaitytų lentos turinį, dirbtų su juo ir rašytų rezultatą atgal. Taip prodiuserė gali peržiūrėti, pridėti savo vertinimą ir keisti kryptį nerausdamasi po senus pokalbius ir dokumentus. Nuoroda — aprašyme.
Vedėja taip pat mini savo naujienlaiškį „Future Proof": peržiūrėjusi pokalbius su Replit, Anthropic, LinkedIn ir Microsoft AI vadovais, ji išskyrė septynis įgūdžius, kurie kartojasi — nuo teisingo problemos suformulavimo ir AI darbo patikrinimo iki mokymosi keičiantis įrankiams. Pirmasis sąrašas paskelbtas naujienlaiškyje, prenumerata nemokama.
Originalas: AI’s Next Trillion-Dollar Market Isn’t Software | Max Jaderberg, President of Isomorphic Labs (Silicon Valley Girl YouTube kanalas)