我们和计算生物学从业者深度聊了聊｜对撞派

相对于问题的复杂度和对应的算法，缺乏足够的数据是一个更大的问题。
虽然这十几年来蛋白质测量的成本一直在降低，但还是零点几美金才可以测一个蛋白质，而我们有数以千计万计的蛋白质，还需要进一步的改进。这也是我们欧米在努力的，我们希望他的成本尽可能低到比基因组还要低，这样的话我们就可以非常快地高效地产生足够的数据。然后一定会有足够好的 AI 的算法去解决这些问题。
Q5：我们了解到蛋白质是可以作为一种更为动态和直接的生物标记物的。它是怎样如何和 AI 具体结合起来，进行疾病判断的呢？
A5：第一个核心，整个流程的背后是蛋白质组分析的核心技术，就是怎么从少量的样品，肉眼都看不到的组织里面提取数以千计、数以万计的蛋白。
然后第二个核心，就是我们怎么样建立一个与之相适应的 AI 模型，从数千万的蛋白中挑出那么 10 来个左右的蛋白进行诊断。
第三个就是产品化，我们怎么样让这个这测量这十几个蛋白成本尽可能的低，达到消费级要低于每个蛋白 0.1 美金以下，希望是越低越好，这样越低我们就可以更广泛的使用。
Q6：对于整个计算生物学来说，这个领域现在大概发展到了什么程度？
A6：目前计算生物学实际上是高度依赖数据的，因为文本的数据多，因为图像的数据多，因为基因组的数据多，所以大家的主要的这个关注度在这个方面。
然后现在我们可以非常有信心的说这个蛋白质组的数据会也会越来越多。AlphaFold2的出现就是这样一个突破。作为最重要的一个分子，蛋白质组会在结构、动态、功能、网络等方面都被进一步开发。
第二场：对谈深势科技深势科技致力于以新一代分子模拟技术解决微尺度工业设计难题。以打造切实服务于药企、材料商和科研机构的模拟研发平台为主要业务方向，以解放研发工作者的生产力为主要业务目标。
对谈嘉宾：
孙伟杰（左一）：深势科技创始人，首席执行官
张林峰（左二）：深势科技创始人，首席科学家

文章插图
Q1：AlphaFold2 对于整个学科领域来说究竟意味着什么呢？
A1：更宏观来看，AlphaFold2是一种将AI极致地与前沿科学的数据相结合，解决前沿科学问题的新的范式。
无论是在大的分子结构预测、药物筛选，还是材料、化工等别的学科上，这样的机会是广泛存在的。
将 AI 与 Science 相结合，这其实也是 AlphaFold2 所给我们带来的一个系列性的、涉及所有的 Science 行业的一个可能性。
AlphaFold2 的出现是一个捅破窗户纸的，让大家意识到原来我们的 AI 计算真正产生了一个可以和实验精度去媲美的这样的一套算法工具。
而我们的计算真正能够和实验对比，是所有的计算发展的一个很重要的里程碑和目标，用计算去替代一部分实验，也是我们最终的研发的目的和终点。
我愿意把它定义成这是我们计算生物学的大航海时代的开端。这个时代才刚刚开始。
Q2：在过去的一年，包括AlphaFold2、RosettaFold、以及RNA结构预测在内，计算生物学领域到了一个爆发的节点。有哪些利好的因素导致了这一波突破呢？
A2：从技术的角度去看，很多技术发展包括AI本身，突然的巨变性的变化，往往是因为有多个要素的组合。数据、算力和算法的组合之下，突然这层窗户纸捅破了，就会有很多的结果涌现。现在这三点的结合最终到了一个所谓的奇点（critical point），就会爆发。
所以我想一方面恰好发生于去年，另一方面这三条线的发展也是经历了一个相当于符合客观规律的过程。
其实我觉得整个领域从2016年就具备这样的基础。但是这个领域相比于大家能直观认知的下围棋的 AlphaGo ，还有互联网的一些应用，还是相对小众，并且需要的知识门槛是更高的。所以说它的实际突破的出现，肯定相对来说会更晚。
但是晚到什么程度呢？
从技术发展的趋势上，我觉得是一个十年之内肯定会发生的事情，毕竟所有的要素其实都是具备的。所以说我觉得从2016年到2026年之间，肯定会出现技术的突破，只是说或早或晚，那取决于它的问题有多被行业需要，取决于相关的这些要素有没有被有机的整合到一起。
至于说2021年这个时间点，我觉得在这十年之间，就算 DeepMind 没有在去年做出 AlphaFold2，可能今年、明年像我们这样的玩家，像RosatteFold，可能也会产生这样的突破，因为刚才所说技术的积淀已经到这样了。

我们和计算生物学从业者深度聊了聊｜对撞派 · 圆桌实录( 二 )