AI 如何攻克過去不可能的疾病 | YC Paper Club
AI 如何攻克過去不可能的疾病 | YC Paper Club
Alfredo Gonzalez 將癌症視為資料問題,說明 AI 代理(agent)能挖掘個人基因體資料,為罕見與難治型癌症找出更佳的療法;後續議程則涵蓋虛擬細胞模型與 Evo 2 基因體設計。
AI 伴隨問答
針對這篇報導有疑問?可直接點選快捷問題或向 AI 追問背景脈絡與技術細節:
Podcast 專家音訊節目
收錄於 888news Podcast 智庫專區,包含精華摘要與上市公司即時行情
Alfredo Gonzalez 是癌症新創 AMA 的共同創辦人,他主張癌症如今已是資料問題,而 AI 代理(AI agent)已能針對個別病患挖掘資料,為每一顆腫瘤打造專屬研究實驗室的目標指日可待。本集是 Y Combinator「Paper Club」以 AI 應用於生物學為主題的四場短講,標題雖以癌症為題,實際上只涵蓋第一場;其餘大部分內容談的是基因體語言模型(genome language model)、虛擬細胞(virtual cell)與自主研究代理(autonomous research agent)。主持人先做了一場即時圖靈測試實驗,接著由 Gonzalez、Yousef Elhousany(Intology)、Garrick(Arc Institute)與 Divia(Hazy 實驗室博士生)分別發表近期研究。
四位講者都是站在 AI 生物學前沿的實務工作者:Gonzalez 曾在 UCLA 與 Broad Institute 建構癌症基因體分析流程;Elhousany 曾任 Arc Institute 機器學習團隊主管,現為 Intology 科學總監;Garrick 帶領 Evo 2 團隊;Divia 研究生成式生物設計模型。讀者讀完應能掌握 Evo 2 背後的具體數字(9 兆鹼基對、70 億與 400 億引數兩種模型)、細胞模型「資料多樣性勝過單純規模」的論點,以及基因體語言模型展現上下文學習(in-context learning)能力、可實現少樣本(few-shot)生物設計的新興主張。
圖靈測試尚未被攻克——主持人自己的兩分鐘實驗即為佐證
主持人與現場觀眾進行了一場即時模仿遊戲測試,結論是 AI 聊天機器人仍未達到圖靈設下的 70% 門檻。半數觀眾被配對到另一位真人,另一半則配對到一個被賦予人設(在場的 32 歲男性)的 AI 代理。結果:33% 的人類被誤認為 AI,AI 一方得分約 30%,離門檻還差得遠。主持人的說法是:「我不認為我們已經到了那一步。」他提到自己過去 12 小時用 Claude Code「憑感覺寫程式」(vibe coding)做出這個聊天應用。
依「騙過人類的頻率」排名,模型順序為:Astra、Claude、GLM、Gemini,接著 Grok 與 Kimi 並列。主持人反駁 Arc AGI 的 Greg(他聲稱圖靈測試已被攻克)的論據來自日常經驗:客服機器人一聽就知道是機器人。這一段只是簡短的暖場,並未承載本集重點。
癌症如今是「個別病患的資料問題」,而非「平均值問題」
Gonzalez 的核心主張是:定序成本已降到如此之低,每位病患的腫瘤都能當成獨立資料集來處理,不必再拿來跟世代平均比較。他指出,現在定序比灣區許多餐廳的一頓晚餐還便宜,而且對大多數晚期與復發性腫瘤而言,定序費用已由保險給付,包括 Medicare 與 Medicaid。約十年前立下里程碑的癌症基因體圖譜計畫(TCGA)每種離散腫瘤型別只定序了幾百位病患;如今單一病患就能產出約兩萬個基因的資料集,還能擴充套件到複製數、RNA 表現量、選擇性剪接(alternative splicing)、細胞狀態,以及病患本身的背景資料。
他描述的典範轉移是:別再去找病患之間共有的前 50 名突變基因,而是挖掘單一病患的完整資料集,來解決這名病患的癌症。他認為促成這一切的技術,是 AI 代理取代了過去 Broad、Sanger 等指標性基因體實驗室所需的 20 至 30 人團隊——形成一條「代理化的發現流程」(agenticized discovery pipeline),由生物資訊專家、變異判定人員、遺傳學家與臨床醫師各自被專門化的代理取代。他的賣點是:週二發表的發現,只要適用,週三就能納入病患的治療方案。
| 舊典範(世代族群) | 新典範(個別病患) |
|---|---|
| 每種腫瘤型別數百位病患 | 一位病患=約兩萬個基因的資料集 |
| 尋找共有的前 50 名突變 | 挖掘單一病患的完整多體學資料集 |
| 20 至 30 人實驗室團隊 | 各角色由 AI 代理擔任(變異判定、臨床試驗、安全性) |
| 從取樣到洞察耗時數年 | 即時、數日內完成 |
兩個案例:其一是一顆罕見腦瘤,其分群結果反而更接近間質性腫瘤而非其他腦瘤,因而揭示文獻上沒有的療法;另一名病患已多線治療失敗,回溯分析顯示先前三線化療並不獲該腫瘤異質性的支援——團隊因此「修正了療程方向」。談到安全性,Gonzalez 主張這種做法能避開無效的細胞毒性療程,因而提升安全性;至於從頭設計(de novo design)的療法,則會依循標準的劑量遞增試驗邏輯。談到類器官(organoid),他說科學上可行,但醫院處理組織的方式(組織直接丟進固定液)在制度面上擋住了這條路。
虛擬細胞需要多樣化資料,而多樣性正是瓶頸
Elhousany 把生物發現定義為在假設空間中搜尋,而 AI 的貢獻在於加速這場搜尋——AlphaFold 與 ESM 不必實際做實驗,就能描繪分子結果的地景。所謂「虛擬細胞」的企圖,是在細胞、組織與生物體層次建模,因為臨床失敗最大的原因是療效不足:「我們非常不善於預測什麼在人身上會有效。」我們很會設計分子、也很會讓分子結合到已知標靶,卻很不善於挑選標靶本身。
他介紹了 Universal Cell Embedding 模型(2025 年稍早發表於《Nature》),以細胞×基因矩陣上的遮蔽基因預測訓練,概念上類似語言模型,訓練資料為 3,500 萬個細胞。該模型在無監督下還原出已知的細胞型別結構,呼應 Waddington 地景理論中「細胞位於低維流形上」的想法。接著他的實驗室用代理重新處理 NIH 資料庫的原始轉錄體資料,把規模從 3,600 萬個細胞擴大到逾 5 億個細胞——卻發現資料壓倒性地都是免疫細胞,其中 T 細胞更是超額代表了一個數量級。他的結論是:擴大公開資料的規模,換來的生物學廣度極其有限。
「你當然可以擴大規模、把所有公開可取得的資料都挖一遍,但你得到的多樣性會非常低,對生物學理解的廣度也非常有限。」
他提出的解方是一個迴圈,而非線性流程:用 Claude、GPT 這類已透過文字理解生物學的模型,來決定該做哪些實驗——「擴大 AI 引導的實驗規模,而不是擴大資料生成的規模。」他直接類比自動化機器學習研究:實驗昂貴、評估有雜訊、搜尋空間龐大,都是兩者共通的問題。
自主研究代理可從 ML 後訓練轉移到分子設計
Elhousany 在演講前約六個月(大約 2026 年中)加入 Intology,負責建構通用型自動化 AI 研究系統。Intology 先前主導了 PostTrainBench,這是一套衡量代理能否自主後訓練 Qwen 模型的基準,成績擊敗許多常見的程式代理。他的主張是:目前的研究代理「並不是真的為研究而最佳化」,在動到任何權重更新之前,光是代理框架(harness)的工程調校就還有很多容易摘的果實。
他們用自家系統 Locus 切入分子設計與性質預測。「就在昨天」(相對於演講當下)公佈的結果顯示,預測分子結合效率的驗證表現會隨 AI 研發算力擴大而提升,明顯優於 Anthropic 與 OpenAI 的現成程式代理。他們也展示了從基礎模型潛在空間取樣比 Boltz、Genie 與 Codex 更有效率,且在驗證集很小、評估者帶雜訊的情況下仍具穩健性。所有結果都屬電腦模擬(in silico),仍需實驗室驗證。至於強化學習與代理框架工程孰輕孰重的問題,他偏好代理框架工程與通用解法,而非微調權重,以避免「刷榜」(benchmaxing)。
Evo 2 證明:直接以原始 DNA 訓練,能學到真正的生物學能力
帶領 Evo 2 團隊的 Garrick 主張,DNA 是天擇寫成的語言,而在基因體上做下一 token 預測的模型,能學到人類無法直接讀出的能力。關鍵數字:Evo 2 以 9 兆鹼基對訓練,資料經過濾,每個物種只留一個代表性基因體,並剔除近乎重複的序列;模型有 70 億與 400 億引數兩種稠密版本,於 2024 年底完成訓練;上下文長度擴充套件到 100 萬鹼基對。架構採注意力機制結合卷積的混合設計,以處理長序列。
最關鍵的發現是:對變異效應預測而言,資料配比的重要性勝過規模。把預訓練聚焦在已註解、高度保守的基因區域(等於丟掉數兆個 token),讓 BRCA1 功能喪失的 Spearman 相關係數從墊底一舉拉到最先進水準——差距達 0.16。Evo 2 只看過一份人類參考基因體,在編碼與非編碼變異上卻能與受過人類專屬訓練的監督式模型匹敵、甚至更好。已知弱點是遠端增強子(distal enhancer),後續已有其他團隊透過調整資料組成解決。
可解釋性方面:稀疏自編碼器(sparse autoencoder)找出一項「噬菌體相關」特徵,會在前噬菌體註解、未註解的前噬菌體、CRISPR 陣列,以及被挪作他用的噬菌體基因上活化——這些序列看似各異,模型卻學到它們彼此相關。Evo 2 經微調後能設計出有功能的噬菌體基因體,這類設計正「逐步進入病患體內」。後繼模型 Manurva 採雙向架構,能預測鹼基配對的共演化,揭示非編碼 RNA 結構與類 CRISPR 系統;它在研究透徹的細菌基因體中,找出數百個先前被漏掉的非編碼 RNA,其中包括一個經實驗驗證、帶類 CRISPR 陣列的 UG27 反轉錄酶。
基因體語言模型可用提示驅動設計,不必只靠微調
Divia 的演講延伸 Garrick 的內容:Evo 2 從核苷酸層級的預訓練中展現出上下文學習(ICL),因此無須針對特定任務微調,就能做少樣本設計。傳統生物設計靠的是在數萬個 CRISPR-Cas 基因座(Evo 1)或數千個噬菌體基因體(Evo 2)上微調;少樣本提示只需少數幾個範例。應用範圍橫跨約 100 到 10 萬個核苷酸:lanmodulin 蛋白(自然界僅知 14 種)、抗體設計(在未給結構條件下,對所有測試標靶都找到新穎命中)、只給四個上下文範例就生成 CRISPR-Cas9 系統,以及以遠低於微調的算力生成完整噬菌體基因體。
經實驗驗證的成果是細胞型別特異性增強子設計。他們跑了一套 GRPO 強化學習迴圈,搭配序列到功能的獎勵模型(例如 AlphaGenome),並加入防止模型鑽漏洞的獎勵項(熵、GC 含量)。後訓練提升了模型運用上下文範例的能力,其中一個設計出的增強子在老鼠腦中測試,經螢光訊號證實具活性且具特異性。Divia 對 ICL 為何會湧現的假設是:基因體資料分佈呈長尾、爆發式,加上類似語言模型的歸納頭(induction head)機制。至於模型能否推廣到沒見過的特異性模式,她說是預訓練先驗與提示上下文重組的混合結果,並指出增強子在 Evo 2 的預訓練分佈中相當稀疏。
跨場次綜合
四場演講收斂到同一個論點:AI 生物學的關鍵限制已不再是模型能力,而是資料多樣性與評估成本。Gonzalez 要的是即時挖掘個別病患資料;Elhousany 發現擴大公開細胞資料只換來 T 細胞單一化,因而主張以 AI 引導實驗選擇;Garrick 證明是謹慎的資料配比、而非規模,造就了最先進的變異預測;Divia 則證明少數幾個上下文範例加上強化學習獎勵迴圈,就能設計出經驗證的增強子。尚未化解的張力在於驗證:Elhousany 的 Locus 結果仍屬電腦模擬,Garrick 的噬菌體設計才剛開始進入病患體內,Gonzalez 的臨床主張也建立在案例研究而非臨床試驗上。值得持續追蹤的主軸,是從「用更多資料訓練更大模型」轉向「用模型決定該做哪些實驗」——這個迴圈若能成立,將壓縮四位講者都提到的多年發現週期。