当 OpenAI 的 GPT-3 自然语言处理软件在 2020 年崭露头角时，它最引人注目的地方之一就是它能够以“零样本”的方式执行各种任务。 零样本时尚意味着没有给出任何明确的任务示例，例如当一个人键入短语“将 spleen 翻译成法语”时打印法语单词“rate”，尽管从未接受过明确的翻译训练。
另外：纽约时报和其他人对 ChatGPT 的严重误解
在不久的将来，AI 程序可能能够以零样本的方式开发新的抗癌药物，发明可与癌细胞结合并中和癌细胞的氨基酸组合，而没有有效蛋白质的先例。
上个月，药物开发公司 Absci 公布了一篇论文，其中包含针对所谓的“人类表皮生长因子受体 2”或 HER2 的新型抗体，HER2 是一种与某些形式的乳腺癌有关的人类致癌基因。
没有向 AI 模型提供任何关于现有的、成功的抗 HER2 抗体的数据，也没有关于如何成功连接或“绑定”HER2 的明确信息。
另外：这种生成式 AI 到底有多大？ 想想互联网层面的颠覆
“我们能够设计抗体的 CDR 区域——那些实际参与与抗原表位结合的区域——并且我们能够创建这些区域，即使我们已经从训练集中删除了所有数据 与目标相关，”Absci 的首席人工智能官 Joshua Meier 在接受 ZDNET 采访时说。
此外，这些抗体是从头设计的，这意味着 AI 程序根据第一原理构建它们，而没有提供任何成功抗体设计的例子。
“关键在于它是从头开始的，”迈尔说。 “你以前从未见过抗体，你是从头开始制作的。”
该论文还首次展示了湿实验室被用于测试 AI 抗体的结合亲和力。 十多年前成立的 Absci 控制着一种新机制，将大肠杆菌细胞设计成生产定制蛋白质的工厂。 这种能力使公司能够大规模生产由 AI 设计的抗体，并在湿实验室中对其进行测试。
另外：如何使用 ChatGPT：您需要知道的一切
正如论文指出的那样，之前的工作完全是计算机工作。 “几个小组已经引入了具有前景的计算机证据的生成抗体设计模型，但是，没有这样的方法通过实验验证证明了从头抗体设计。”
Absci 是一家上市公司，已与包括默克在内的多家制药公司建立合作伙伴关系，以寻求针对各种适应症的新疗法。
“我们真的很兴奋，因为我们将在 2024 年在临床上使用这种技术的药物，”Absci 创始人兼首席执行官肖恩麦克莱恩在接受迈尔采访时说。 “这将是第一个使用零样本生成 AI 从头设计的抗体，我认为这将是该行业的一个重要时刻。”
这篇名为“用生成人工智能解锁从头抗体设计”的论文，由 Absci 的 Amir Shanehsazzadeh 及其同事撰写，Meier 为通讯作者，于 1 月 9 日发布在 bioRxiv 预印本服务器上。 该论文尚未经过同行评审，因此应谨慎对待其发现。
抗体是干扰并理想地中和入侵病原体（称为抗原）的蛋白质。 蛋白质形式的各个方面与抗原形状的各个方面相匹配，因此寻找抗体来治疗疾病需要找到通常被比作锁和钥匙组合的东西。
另外：构建人工智能的人是最需要人工智能的人
CDR，即互补决定区，是抗体的关键部分。 表位就像一把锁，是抗原（靶标）上与抗体结合的位置。
Meier 说，这项工作的一个显着特性是人工智能程序得出了不同于典型的 HER2 抗体的新型氨基酸链。
“该模型产生的序列与我们在自然界中看到的序列完全不同，”迈尔说。
例如，所谓的 CDR3 区域是免疫系统 T 细胞的一部分，负责大部分结合，包含 13 个氨基酸。 “该模型能够改变这 13 个氨基酸中的 12 个，并且仍然与目标结合，”Meier 解释说。 “它想出了很多这样的解决方案。”
这一发现类似于谷歌的 DeepMind 部门的 AlphaGo 如何能够在国际象棋和围棋中得出与人类大师追求游戏不同的获胜策略。
正如 Meier 解释的那样，“该模型已经弄清楚，某些相互作用对于结合同一表位至关重要——似乎该模型已经在空间上学会了将这些氨基酸放置在同一个位置，即使这些氨基酸可能是 在序列的不同位置。
“[该模型]不仅改变了氨基酸的种类，而且确保以一种仍然会产生相同相互作用的方式指向它，”迈尔说。 “该模型能够解决这个问题真是太有趣了，尽管它以前从未在训练数据中看到任何与该目标交互的东西。”
该程序的新颖性意味着“它还能够探索更大的搜索空间，这真的非常令人兴奋，”麦克莱恩说。
在去年秋天的一篇论文中，Absci 的 AI 科学家提出了一种新的衡量抗体的指标，他们称之为“自然性”。 自然度以数字分数表示合成抗体与人体天然抗体（称为免疫球蛋白）的接近程度。 这种天然性应该对抗体在体内实际发挥作用的能力产生积极影响。
Meier 说，这项新研究设计的抗体不仅表现出高自然性评分，而且在某些情况下比曲妥珠单抗的评分更自然，曲妥珠单抗是一种临床批准的乳腺癌治疗药物。
作为一篇 AI 论文，该文本可能会引起关注，因为它没有透露用于设计抗体的 AI 模型是什么。 该论文仅描述了产生的抗体，以及在实验室测试它们结合亲和力的湿实验室程序。
另外：Meta 的小 LLaMA 模型为 AI 研究人员带来了巨大的好处
McClain 和 Meier 告诉 ZDNET，这种遗漏是故意的。
“这就是秘诀，”人工智能模型的迈尔说，这意味着它是 Absci 受保护的知识产权。
迈尔和麦克莱恩指出，这引起了猜测。 “你看到那些在推特上谈论我们工作的人说，哦，这就像一个语言模型，”他说，指的是所谓的大型语言模型 AI 程序，例如 GPT-3。 “但我们从未在论文的任何地方写过这里有一个语言模型，”他说。
“我不会说什么，”梅尔继续说道。 “也许这东西有一个类似语言模型的部分，但它绝对不仅仅是一个语言模型；它不是你随便训练的现成的东西。”
Meier 和 McClain 表示该 AI 程序是一个生成式 AI 程序，与 GPT-3 以及 OpenAI 的后续 ChatGPT 程序属于同一组。 但这也为任意数量的不同类型的程序留下了广阔的空间。
迈尔补充说，“这里发生了很多事情，其中一些是外面发生的事情，但它们是以一种新颖的方式合成的。”
麦克莱恩说，看到各种局外人如何对 AI 模型或多个模型形成结论，这“有点有趣”。 “他们非常明确，‘是的，这是一种语言模型，’这很有趣，因为它实际上是非常新颖的突破，”他说。
迈尔提议就该计划的性质“给出一些提示”。 他说，这绝对是“生成式”人工智能。 “应该清楚的是，你必须做出一些生成性的东西”，以便接收抗原并产生序列作为输出。
此外，“你可能需要这些更多端到端的系统之一，”迈尔说，这意味着最终输出目标塑造了人工智能模型中组合以解决问题的各种功能的各个方面的程序。
Meier 的底线是，如果它像采用 GPT-3 或其他现有语言模型并应用它一样简单，“你可能已经看到其他人已经在这里发布了数据，但没有人真正发布过关于这个问题的数据。 “
McClain 的底线是“制药公司不关心你是如何得到结果的”。
“他们关心的是输出，输出是序列、你得到的多样性，以及最终药物是否有效？”
尽管未公开机器学习方法，但 McClain 强调该工作确实为所有抗体提供了序列数据以确保可重复性。
“我们实际上发布了所有 400 多种针对 HER2 设计的抗体，并公开了序列以及结合亲和力，以真正展示我们获得的多样性。这就像生物学中的再现性危机，”迈尔观察到。 “你这样大声疾呼，人们可能会持怀疑态度。”
“不信你自己去实验室测试一下！” 麦克莱恩补充道。 序列数据发布在文章的配套 GitHub 站点上。
Absci 正在寻求双轨业务，与默克等合作伙伴一起开发一些疗法，但也在第二轨上自行确定疗法，然后选择开发合作伙伴。
Absci 的首席创新官 Andreas Busch 表示，就后者而言，该公司很有可能使用从头方法将自己的疗法引入临床试验。
另外：人工智能的真正目标可能不再是智能
“基于我们所知道的一切，我们非常、非常有信心，如果我们找到一种与目标匹配的抗体，我们将拥有一种对疾病具有高效、零副作用的东西，这是非常、非常 罕见，”布希在通过 Zoom 进行的另一次采访中说。 “剩下的唯一问题是我能否提供针对它的抗体。”
Busch 没有透露该公司正在自行寻找的适应症或条件，但他说，在所讨论的疾病中起作用的特定机制具有这样的性质，以至于它可以很好地适应从头方法。
“我的信心来自两个方面：我真正理解这个机制，毫无疑问，如果你用正确的分子解决它，它就会起作用，”Busch 说。 “而且我确实有信心我们会找到合适的分子。”
“这是一种机制，它只是你知道它会起作用并且没有副作用的极少数机制之一。”
当然，Busch 承认，在阶段性临床试验中仍有许多事情可能发生。 “我们非常有信心，但我们还没有证明这一点，”他谈到这种方法时说。
Busch 的直觉也许很重要。 他曾领导多家最著名的制药公司的研发工作，包括赛诺菲、拜耳和夏尔。
“你必须相信我：我将十种化合物推向市场，”意思是，指导十种从化学开始并获得 FDA 批准的新疗法。
Busch 说，当公司准备好进行临床试验时，它会在所谓的 CRO 的帮助下这样做，CRO 是一个临床研究组织，它了解所涉及程序的来龙去脉，包括人体试验的队列选择 .
转向开发将涉及引入战略合作伙伴来帮助 Absci，可能是一家制药公司。
AI 负责人 Meier 认为蛋白质合成的能力将在未来几年扩大能力和应用。
另外：人工智能：5 种可以改变一切的创新应用
“一旦你有了有效的模型，你就可以开始疯狂地研究不同的应用程序，我们可以开始真正地疯狂地想象我们可以制造什么样的药物，”他补充道。
他提出，个性化医疗是工业界长期以来的目标，可能会通过此类 AI 实验加速推进。
“假设你患有某种癌症，而每位患者都患有不同形式的癌症，”迈尔解释说。 “为每个患者制作一种独特的药物怎么样？你可能会去寻找你以前无法真正进行临床试验的癌症，因为一种药物适合所有人的方法永远行不通。”
麦克莱恩说：“这种潜力是真正开始追踪这些无法有效产生抗体的不可药物靶标的能力”，使用传统的生物发现技术，例如免疫或噬菌体展示。
在 McClain 的描述中，药物发现的未来听起来有点像 ChatGPT 提示。
“你现在可以将该目标放入我们的模型中，然后指定，我想击中目标的这个区域，这将给我生物学，现在你已经使该目标成为药物。”
这种药物搜索开始具有快速代码开发的质量。 McClain 说：“只需点击一下按钮，你就会得到它，”结果是，“你会看到平均药物开发管道的时间线从五年半缩短到 18 到 24 个月”。
“这就是从根本上降低医疗保健或药品价格的原因。”
