曾文仁

AI的應(yīng)用非常多元，不但能支持文案、圖片生成，其強大的運算、預(yù)測能力亦有望揭示蛋白質(zhì)和其他生命分子如DNA、核酸之間互相依賴的關(guān)系。算力強大的AI模型，為生物醫(yī)學(xué)帶來突破，并為人類的生命和健康作出貢獻。

近日，谷歌母公司Alphabet旗下的AI研究公司DeepMind與Isomorphic Labs，發(fā)表可預(yù)測所有生命分子的結(jié)構(gòu)與相互作用的AlphaFold 3模型。AlphaFold 3模型在預(yù)測蛋白質(zhì)和其他分子的相互作用中，準(zhǔn)確率能較現(xiàn)有的AlphaFold 2模型提高50%。

要知道，AlphaFold 2聚焦蛋白質(zhì)結(jié)構(gòu)預(yù)測，全球至今已有數(shù)百萬名學(xué)者利用它來發(fā)現(xiàn)瘧疾疫苗或癌癥治療方式，在多個學(xué)術(shù)期刊上被引用超過兩萬次。

這次發(fā)布的新模型AlphaFold 3，將預(yù)測能力由蛋白質(zhì)擴大至廣泛的生物分子，成果已登上國際知名的《自然》科學(xué)期刊。

DeepMind強調(diào)，AlphaFold 3能更準(zhǔn)確預(yù)測所有生命分子的結(jié)構(gòu)及相互作用，例如預(yù)測普通感冒病毒中的刺突蛋白與抗體及單糖相互作用的結(jié)構(gòu)，提高對免疫系統(tǒng)過程的了解—該過程可讓科學(xué)家加深對冠狀病毒的了解，有助于防治與新冠相近的疫病。

DeepMind更推出免費工具AlphaFold Server平臺，讓研究人員在進行實際測試前，先憑借模型用以測試其假設(shè)。這有助及早修正其實驗方向，減低動物乃至臨床試驗失敗的概率和成本，讓研究人員能更快速驗證其醫(yī)藥創(chuàng)新發(fā)明，加快生物醫(yī)學(xué)的研究進程。

一般讀者與其深究涉及大量專業(yè)術(shù)語的前沿生物醫(yī)學(xué)議題，倒不如關(guān)注AlphaFold類似AI模型，在便利科研人員實驗方面的作用。這更有助我們?nèi)鏈?zhǔn)確理解科技進步的要訣。

生物醫(yī)學(xué)AI降低試驗成本

長久以來，生物醫(yī)學(xué)被認(rèn)為是尖端且困難重重的領(lǐng)域，原因之一在于我們對人體以及細(xì)胞的了解有限，需要進行更多基礎(chǔ)研究。

然而，科學(xué)研究涉及經(jīng)費考量，不太能容許所有研究人員不計成本地進行試驗。運營實驗室、研究人員高昂的薪水、尋找實驗動物以至招募臨床志愿者，都是極度燒錢的事物。

若投資方或管理層長期看不到研究成果甚至經(jīng)濟利益，研究人員將面臨經(jīng)費中斷的困境。這無形中為研究人員帶來壓力，不能無止境地試錯。若某項實驗?zāi)苓M入臨床試驗階段，研究人員更需顧及倫理的問題，不能理所當(dāng)然地拿活生生的人命來實驗。

現(xiàn)時，地球已知的蛋白已超過2億個，數(shù)字每年還在增加。每種蛋白的三維結(jié)構(gòu)都不同，各分子構(gòu)成獨特。人類科學(xué)家不可能全部熟悉，在有限的科研生涯更不可能了解上億個蛋白的相互作用。如何決定哪些假設(shè)能夠成為實驗方案，依靠的是科學(xué)家的估計，但這樣的成功率，與賭徒和莊家對賭相差無幾。

然而，AlphaFold 3卻能夠發(fā)揮AI的運算和機器學(xué)習(xí)潛力，分析和預(yù)測眾多蛋白和其他分子彼此間的變化。這種算力讓研究人員能在極短時間內(nèi)，計算多種試驗藥物對各類細(xì)胞的影響，促進醫(yī)藥研究的發(fā)展。

該過程可讓科學(xué)家加深對冠狀病毒的了解，有助于防治與新冠相近的疫病。

研究人員先在模型中運算和論證其假設(shè)，不但可以降低成本和減少失誤，更能全面了解藥物對各類蛋白所產(chǎn)生的影響，及早檢測可能產(chǎn)生的或意料之外的后果。這種研究涉及非常多種的可能性和概率，各類相互作用都是極為復(fù)雜的運算，自然不能依賴人手實驗或電腦運算，而需要AI輔助研究。

AlphaFold 3生成的蛋白質(zhì)模型

新冠疫苗的幕后功臣

盡管一般生物醫(yī)學(xué)研究的議題非常專業(yè)，與公眾的生活很遙遠，但有一項科研我們一定記憶猶新，那就是新冠疫苗的研發(fā)。

2020年暴發(fā)的新冠疫情，和2003年的非典型病毒（SARS）都屬于冠狀病毒，但科學(xué)家在SARS結(jié)束十多年以來，對這病毒的認(rèn)識未有突破性進展。在新冠疫情的初期，全球?qū)＜規(guī)捉譄o策。新冠疫苗的研發(fā)面臨巨大的社會期待和時間壓力，但其研發(fā)速度卻突破過往的想象，背后反映人類在生物醫(yī)學(xué)研究的進步。

與2003年通過隔離措施消滅SARS疫情不同，新冠很大程度是通過疫苗的研發(fā)來結(jié)束的，而疫苗的研發(fā)與藥物和蛋白的反應(yīng)有莫大的關(guān)系。

在全球面對疫情威脅時，多國生物醫(yī)藥公司如輝瑞、莫德納、阿斯利康（AZ）、強生（J&J）、科興、國藥也能在極短時間內(nèi)，完成疫苗所需的三期試驗，成功研發(fā)能抵御新冠原始病毒株、變種病毒德爾塔和奧密克戎的疫苗加強劑。

多種疫苗更在極短時間內(nèi)取得多國監(jiān)管機構(gòu)的緊急使用授權(quán)（EUA），將全新的疫苗打進全球數(shù)十億人的體內(nèi)。與1918年的西班牙流感相比，憑借疫苗，人類面對傳染病的抵抗力，已有顯著進步。

其中一項著名的創(chuàng)新，在于輝瑞、莫德納等疫苗采用的mRNA（信使核糖核酸）技術(shù)。疫苗的mRNA能教導(dǎo)細(xì)胞如何復(fù)制刺突蛋白，人體日后若接觸到真正的病毒，身體能識別并懂得如何抵抗。

mRNA技術(shù)在新冠疫情前，一直被視為異想天開、只是理論上的技術(shù)，與主流疫苗格格不入。新冠疫情的壓力下，一向被視作紙上談兵的mRNA技術(shù)被付諸實踐，一躍成為最能抵御新冠變種病毒的技術(shù)，在多個研究中展現(xiàn)對冠狀病毒更強的防御力。

能否將致命病毒打進健康人身體，是另一個甚具爭議的實驗倫理議題。

從mRNA技術(shù)，我們可以一窺對蛋白質(zhì)研究的潛力—若能通過AI加深對蛋白質(zhì)與DNA等分子的認(rèn)識，產(chǎn)生的技術(shù)突破可能遠超我們今日能想象的。畢竟在2020年3月世界衛(wèi)生組織發(fā)布全球疫情大流行警報那一刻，沒有人能預(yù)測到，mRNA會是拯救人類的關(guān)鍵技術(shù)。

大眾看到的，是成功研制出的疫苗。我們可以想象，有大量失敗的疫苗方案，在電腦模擬運算階段已被淘汰掉，因此才可能讓多個成功概率較高的方案進入臨床試驗。

成就新冠疫苗百花齊放的幕后功臣，正是與AlphaFold 3相似的生物醫(yī)學(xué)用AI模型。在未來若不幸遇上如同新冠的疫情時，更為先進的AI模型可讓研究人員將成功機會較高的方案付諸實驗，最起碼能在研發(fā)道路上少走冤枉路。

AI，不止是ChatGPT

同樣重要的是，AI實驗?zāi)艽蠓档涂茖W(xué)倫理帶來的困難。

在AI的運算下，研究人員只是輸入?yún)?shù)讓AI以運算結(jié)果，不是拿真實的生命來做不知后果的實驗。研究人員更能提出各種偏離社會主流想法的大膽假設(shè)，并在AI模型論證后，才進行動物及臨床試驗。

這能避免過分輕視激進實驗對生命的戮害，也可讓更多不為大眾接受的假設(shè)得以進入實驗階段。

要說明生物醫(yī)學(xué)實驗與社會倫理的潛在矛盾，我們不妨回看18世紀(jì)末的初代牛痘天花疫苗的研發(fā)過程。1796年，英國醫(yī)生愛德華·詹納發(fā)現(xiàn)人體感染相對溫和的牛痘病毒，可對致命的天花病毒產(chǎn)生免疫力。

英國醫(yī)生愛德華·詹納

當(dāng)時英國鄉(xiāng)間流行一個民間傳說，認(rèn)為一個人只要曾經(jīng)染上牛痘，便不會再染上天花。詹納發(fā)現(xiàn)擠牛奶的女工多數(shù)都曾染牛痘，很少患上天花，繼而察覺到，牛痘與天花有關(guān)。詹納因此進行了牛痘實驗，為一名8歲男孩接種牛痘，驗證染上牛痘能否預(yù)防天花。

這牛痘實驗是拿人體作實驗，屬于倫理要求更高的臨床試驗。實驗是將動物的病毒打進人體，實驗對象更是尚未成年的男童，可非議之處不少。

若以今天的實驗倫理標(biāo)準(zhǔn)而言，這簡直是草菅人命的變態(tài)實驗。若詹納醫(yī)生穿越至今天做相同的實驗，恐怕等待他的是把牢底坐穿的刑期。

不過，我們從歷史書里知道，該名男孩染上牛痘后在6星期內(nèi)康復(fù)。詹納再替男孩接種天花病毒，發(fā)現(xiàn)男孩完全沒有受感染，從而證明了牛痘能令人對天花產(chǎn)生免疫—可是，能否將致命病毒打進健康人身體，是另一個甚具爭議的實驗倫理議題。

這樣的實驗成功是典型的“幸存者偏差”。更多不為人知的，恐怕是實驗失敗且被視為殘害人命的科學(xué)怪人。

若穿越到今天的詹納能使用AI模型，先論證牛痘與天花在數(shù)據(jù)上的關(guān)聯(lián)，更有可能找到愿意投入臨床志愿者，不至于把不懂事的小孩作實驗對象。這就是AI模型在解決倫理難題、為推動科研進步所能給予的重大貢獻。

現(xiàn)時社會上對AI的討論，大多聚焦在特定技術(shù)的實際應(yīng)用如何能改善日常生活上，例如ChatGPT能完成什么工作、能節(jié)省多少人手工作量等。對較不清楚實際效用和理論研究的范疇，卻經(jīng)常興趣缺缺。這都不是科普或大眾科學(xué)，甚至作為公民常識層次STEM教育應(yīng)發(fā)展的路徑。

或許，我們應(yīng)該在求知的道路中，同時兼顧基礎(chǔ)研究與技術(shù)應(yīng)用。AlphaFold模型的持續(xù)更新，反映AI能在推進基礎(chǔ)研究及研究方法上有所突破。AI能幫助研究人員以更便宜、簡單的科研方式，和更大膽的假設(shè)、更小心的求證，為研究開啟更多可能性。在對科研的貢獻上，AI模型所推進的，不比AI在商業(yè)案例上的應(yīng)用低。

責(zé)任編輯吳陽煜 wyy@nfcmag.com