生物學前端人工智慧研究實驗室 EvolutionaryScale 近日宣佈獲得超 1.42 億美元種子輪融資，同時釋出里程碑式 AI 模型 ESM3。本文將探討這間公司在 AI 生命科學領域的獨特理念，以及生物相關的技術突破。
（前情提要： Meta招募「元宇宙AI專家」年薪破千萬！要求以生成式工具創造新遊戲體驗）
（背景補充： 把MetaMask變金融卡》冷錢包Tangem合作Visa，年底推出「Tangem Pay」）
生物學前端人工智慧研究實驗室 EvolutionaryScale 近日宣佈獲得超 1.42 億美元種子輪融資，同時釋出里程碑式 AI 模型 ESM3。這家成立僅一年的公司在 AI 生命科學領域有著怎樣獨特的理念？全新的蛋白質大模型又有著怎樣的技術突破？以下是我們的第 17 期內容，Enjoy。
一週前，在 Meta 如火如荼地卷文字生影片的時候，那個被它解散的蛋白質團隊 EvolutionaryScale 獲得了超 1.42 億美元的種子輪融資，這個融資額在整個生物技術領域都可以說是高得離譜。
去年八月，Meta 官宣旗下的蛋白質摺疊團隊 Meta-FAIR 解散。這個純粹的 「科學 + AI」 專案並不能讓 Meta 快速獲得收益，Meta 專注商業化 AI 的決定看似也是情理之中。
然而，這個不被看好的團隊竟用僅僅一年的時間就打了 Meta 的臉。他們最新推出的 ESM3 被認為是生物學領域具有里程碑意義的生成式 AI 模型，為生物學程式設計開創了新的可能性。
01. 分鐘專案速覽
1. 專案名稱：EvolutionaryScale
2. 成立時間：2023 年 7 月
3. 產品簡介：開發用於創造新型蛋白質和其他生物系統的大型語言模型 ——ESM，目前已迭代到 ESM-3。
4. 創辦人團隊：
- 首席科學家：Alexander Rives （紐約大學電腦科學博士、前 Facebook AI 科學家）
- Tom Sercu
- Sal Candido
5. 融資情況：
2024 年 6 月 25 日完成了高達 1.42 億美元的種子輪融資。本次融資由 Nat Friedman 和 Daniel Gross 以及 Lux Capital 領投，亞馬遜、NVentures（NVIDIA的風險投資部門）和天使投資人蔘投。
02. 團隊協同一致的理念追求
人工智慧的進步為生物科學研究創造了前所未有的機會，包括設計功能性生物分子，尤其是蛋白質。將人工智慧運用於蛋白質設計，不僅可以提升蛋白質設計的效率及成功率，還通過快速應對傳染病爆發等方式，來幫助人類解決一些正在面臨的挑戰。
Alexander Rives 等人正是看到了蛋白質設計方面的缺口，決定開發基於深度學習的大模型，從而推動產業級蛋白質設計進入 「全自動智慧生成時代」。
於是，EvolutionaryScale 應運而生。它是一家專注於生物科學領域的前端 AI 研究實驗室，致力於推出生物學前端的語言大模型。
有意思的是，該公司創始團隊的八位成員全都來自於 Meta 的 FAIR（基礎人工智慧研究）部門。儘管在世界級的社交媒介巨頭那裡吃了癟，但初始團隊的核心人員都沒有放棄，反而快速地投入新戰地，開始在原有團隊成果的基礎上開發下一代模型。
EvolutionaryScale 的大模型支援健康、環境科學等領域的研究與開發，不停探索生物學的擴展套件性，為突破性的科學研究提供動力。其中最顯著的成果就是蛋白質摺疊技術的突破，ESM 模型揭示了數億個巨集基因組蛋白質的結構，幫助世界各地的科學家來模擬和理解蛋白質。
EvolutionaryScale 旨在通過開放、安全的研究方式，來指導蛋白質設計領域的人工智慧技術開發。
在此基礎上，該公司作為簽署方，引領了超 160 位來自學術界、政府以及民間的全球利益相關者，共同發展這項技術，確保其安全可靠，從而達成造福人類健康和社會的願景。
正是由於懷著引領生物學界先進 AI 技術的責任感，Alexander Rives 和他的團隊從未停止腳步。
此前，EvolutionaryScale 曾釋出過大型語言模型 ESM1，這被認為是第一個用於蛋白質的 transformer 語言模型，由 EvolutionaryScale 的創始團隊在 Meta 的 FAIR 部門工作期間所構建。作為 ESM1 升級模型的 ESM2 擁有 1500 萬個引數，並且相較於舊模型 ESM1b（擁有 6.5 億個引數）表現更佳。
上週，EvolutionaryScale 釋出了最新的 ESM3 AI 模型，這是朝著生物學的未來所邁進的一大步。憑藉這種模型的能力，有可能會加速廣泛應用的發現，有利於創造有助於捕獲碳的蛋白質，從而開發出新的癌症治療方法。
03. AI 在生物學應用的先驅
ESM3 是一個生成式的 AI 模型，主要功能是生成新型蛋白質。該模型通過深度學習技術，使用大量的蛋白質資料進行訓練，從而學習蛋白質的序列、結構和功能之間的關係。
ESM3 的訓練使用了超過 1 兆 teraflops 的計算能力，這是目前已知生物學領域中最大的計算規模。它在地球上自然多樣性的 27.8 億種蛋白質資料集上進行了訓練，使其能夠同時對蛋白質的序列、結構和功能進行推理。
ESM3 的主要工作流程可簡略為以下四個步驟：
- 資料收集與處理：EvolutionaryScale 首先會從各種來源收集大量的生物學資料，包括基因序列、蛋白質結構、功能註釋等。這些資料會經過清洗、標準化和格式化處理，以便於後續的分析和應用。
- 模型訓練：使用深度學習演算法和大量的計算資源，EvolutionaryScale 會對處理後的資料進行訓練，構建出能夠理解和預測生物學規律的大型語言模型。這些模型不僅具有高度的準確性，還能夠處理複雜的生物學問題。
- 生成新蛋白質：通過互動式提示，ESM3 能夠生成新的蛋白質，這些蛋白質可能在自然界中需要數億年才能進化出來。
- 科學驗證：生成的新型蛋白質將通過科學實驗進行驗證，以確定其功能和潛在應用。
目前，ESM3 最引人注目的使用案例之一是生成了一種新的綠色熒光蛋白（GFP）。
GFP 是自然界中最美麗和獨特的蛋白質之一，負責水母的發光和珊瑚的鮮豔熒光色。ESM3 通過一系列思考過程，跨越了 5 億年的進化，創造了這種新的熒光蛋白。這一過程在自然進化中可能需要超過 5 億年，而 ESM3 通過計算方法實現了這一飛躍。
ESM3 的釋出也為藥物發現和合成生物學領域帶來了革命性的變化。
在藥物發現方面，ESM3 能夠生成具有特定生物活性的新型蛋白質，為藥物篩選和優化提供了更多的候選分子。同時，ESM3 還能夠預測和優化藥物與靶點的相互作用機制，為藥物的設計和開發提供更加科學的依據。
在合成生物學方面，ESM3 能夠生成具有特定功能的生物系統，為生物製造和生物能源等領域提供了新的解決方案。例如，ESM3 可以生成出將二氧化碳高效轉化為有機物的酶系統，為碳捕獲和利用提供了新的途徑。
EvolutionaryScale 的 ESM3 模型代表了 AI 在生物學領域的新里程碑。通過其強大的生成能力和與行業領導者的合作，ESM3 有望加速新型蛋白質的發現和生物系統的設計，為未來的藥物開發、材料科學和環境科學等領域帶來革命性的影響。
04. 生物學領域創新之旅
合成生物學：程式設計生命
合成生物學是 EvolutionaryScale 未來發展的一個重要方向。通過設計和合成新的基因電路和生物路徑等方式，科學家們可以建立具有特定功能的生物體。
- 基因電路類似於電子電路，但它們在細胞中控制生物學過程。
基因電路能夠在細胞內實現對特定基因表達的精確控制。例如，可以設計一個基因電路，使其在細胞檢測到特定訊號（如某種化學物質或環境變化）時啟動或關閉特定基因的表達。 - 合成生物路徑涉及多種酶和代謝途徑的組合，用於生產有價值的化合物。
通過 AI 分析和設計，科學家可以建立新的代謝途徑，使生物體能夠合成天然條件下無法產生的化合物。例如，通過重新設計微生物的代謝路徑，微生物可以生產出醫藥中間體、生物燃料或工業化學品。 - 細胞工廠是通過基因工程手段改造微生物，使其在工業條件下高效生產目標產品的生物系統。
通過 AI 輔助設計，科學家可以改造微生物的基因組，使其在特定條件下表現出優異的生產效能。例如，通過編輯酵母或細菌的基因，科學家可以使這些微生物高效生產抗生素、酶或其他生物製品。
若此項技術能繼續發展，不僅將推動科學研究的前端發展，還能為醫藥、環境保護和農業等領域帶來重要的應用前景。
資料驅動的個性化醫療
EvolutionaryScale 正通過 AI 和大資料分析技術推動個性化醫療的進步，為患者提供更加精準和高效的醫療服務。
個性化醫療是基於每個患者的獨特生物學資訊和臨床資料，量身訂製最合適的治療方案。其中一個關鍵領域是基因組分析。通過對患者的基因組進行全面測序和分析，科學家可以識別出與疾病相關的基因變異。
EvolutionaryScale 利用 AI 技術，快速準確地解析大量基因組資料，從中發現潛在的疾病風險因素。這種方法可以幫助醫生在疾病的早期階段做出診斷，並採取預防措施。例如，通過分析乳腺癌患者的 BRCA1 和 BRCA2 基因突變，可以預測其患病風險，從而進行早期篩查和干預。
如今，EvolutionaryScale 正站在生物學與人工智慧融合的前端，通過不斷創新和探索，致力於實現生物系統的程式設計和優化。後續或將實現更多技術性的突破，為人類開創一個更加智慧和健康的未來。
📍相關報導📍
AI「篩檢癌症」準確率達98%！劍橋研究只要DNA，就能加速早期診斷與治療
