大模型重構(gòu)生命科學(xué)！最大基礎(chǔ)模型面世，解鎖DNA超長(zhǎng)序列，參數(shù)規(guī)模達(dá)2100億

賽小生 發(fā)自 凹非寺

量子位 | 公眾號(hào) QbitAI

生命科學(xué)領(lǐng)域，已經(jīng)率先進(jìn)入到基礎(chǔ)模型時(shí)代！

今年，化學(xué)諾貝爾獎(jiǎng)授予了AlphaFold，AI+Science受到空前的關(guān)注。人們驚嘆于，僅僅是一個(gè)蛋白質(zhì)結(jié)構(gòu)預(yù)測(cè)模型，就能釋放出如此巨大的行業(yè)潛力。

就在當(dāng)下，在第三屆中國(guó)生物計(jì)算大會(huì)上，全球規(guī)模最大的生命科學(xué)基礎(chǔ)模型橫空出世——

xTrimo V3，參數(shù)規(guī)模高達(dá)2100億，覆蓋蛋白質(zhì)、DNA、RNA、細(xì)胞等七大主流模態(tài)。背后玩家正是來(lái)自李彥宏孵化創(chuàng)辦的百圖生科。

與應(yīng)用于其他行業(yè)的基礎(chǔ)模型有所不同，他們解碼的是生命語(yǔ)言，而非自然語(yǔ)言，意味著不僅能處理復(fù)雜的生物序列，為藥物研發(fā)、精準(zhǔn)醫(yī)療等領(lǐng)域助力；還能開啟更多的前沿突破，比如在基因進(jìn)化、合成生物學(xué)、設(shè)計(jì)/創(chuàng)造生命等方面創(chuàng)造價(jià)值……

這樣一個(gè)與我們每個(gè)人都息息相關(guān)的時(shí)代課題，如今竟然先于其他垂直領(lǐng)域，迎來(lái)了首個(gè)千億基礎(chǔ)模型。

并且，正像當(dāng)時(shí)OpenAI推出提供免費(fèi)Token一樣，它也限時(shí)提供免費(fèi)Tokens，今年年底之前成功注冊(cè)的用戶，即可獲得2000 credits。

什么概念呢？這相當(dāng)于用戶可以有機(jī)會(huì)完成1300萬(wàn)氨基酸Tokens的微調(diào)訓(xùn)練任務(wù)。

來(lái)看看究竟這個(gè)微觀世界的基礎(chǔ)模型到底是怎么一回事？

大模型時(shí)代下的生命語(yǔ)言解碼

在第三屆生物計(jì)算大會(huì)上，大模型是整場(chǎng)大會(huì)出現(xiàn)的關(guān)鍵詞，而大模型在生命科學(xué)領(lǐng)域應(yīng)用的范式，也成為各個(gè)領(lǐng)域?qū)＜业墓沧R(shí)——

生命科學(xué)領(lǐng)域有著明顯的特點(diǎn)，實(shí)驗(yàn)驗(yàn)證過(guò)的有標(biāo)簽的數(shù)據(jù)很貴很少，已有的數(shù)據(jù)又是不同場(chǎng)景，很難用來(lái)直接訓(xùn)練任務(wù)模型。但它卻擁有著海量未標(biāo)注數(shù)據(jù)，像基因組數(shù)據(jù)，蛋白質(zhì)序列等，這些數(shù)據(jù)非常適合用來(lái)做預(yù)訓(xùn)練基礎(chǔ)大模型。

大模型基于這些數(shù)據(jù)預(yù)訓(xùn)練之后，再結(jié)合少數(shù)標(biāo)注過(guò)生物實(shí)驗(yàn)室數(shù)據(jù)，學(xué)習(xí)到對(duì)生命系統(tǒng)深層次表征，進(jìn)而完成像蛋白質(zhì)結(jié)構(gòu)預(yù)測(cè)、基因序列分類等下游任務(wù)。

而百圖生科xTrimo系列模型，正是其中最具代表性的范式實(shí)踐。

此次大會(huì)上，百圖生科xTrimo系列模型全面升級(jí)到V3版本，有著三大技術(shù)亮點(diǎn)值得關(guān)注。

首先從大模型基礎(chǔ)屬性維度來(lái)看，這是目前全球規(guī)模最大的生命科學(xué)基礎(chǔ)大模型，總體參數(shù)規(guī)模達(dá)到了2100億。

參數(shù)規(guī)模越大，意味著蘊(yùn)含更廣泛的知識(shí)和擁有更強(qiáng)的泛化能力，因此在各種關(guān)鍵問題和任務(wù)的解決上有更強(qiáng)的性能和準(zhǔn)確性。

換句話說(shuō)，大模型時(shí)代Scaling Laws，其實(shí)在生命科學(xué)領(lǐng)域也同樣奏效。

截至目前，xTrimo基礎(chǔ)大模型平臺(tái)在200個(gè)任務(wù)模型達(dá)到SOTA水平，并利用這些任務(wù)模型實(shí)現(xiàn)了從頭設(shè)計(jì)全新蛋白質(zhì)、靶點(diǎn)發(fā)現(xiàn)等創(chuàng)新生物項(xiàng)目的突破。

該平臺(tái)已助力開發(fā)了20余種前沿抗體和酶，實(shí)現(xiàn)10余個(gè)創(chuàng)新靶點(diǎn)及靶點(diǎn)組合的挖掘，并都經(jīng)過(guò)實(shí)驗(yàn)驗(yàn)證，進(jìn)入到臨床前研發(fā)等后續(xù)階段。

再?gòu)?strong>應(yīng)用維度來(lái)看，此次基礎(chǔ)大模型的發(fā)布是個(gè)模態(tài)全家桶，這是解決行業(yè)問題的新利器。

此次發(fā)布的xTrimo V3，覆蓋DNA、RNA、蛋白質(zhì)、細(xì)胞、小分子、生物視覺和生物知識(shí)文本等生命科學(xué)7個(gè)主流模態(tài)。

在上一版本已有蛋白質(zhì)和細(xì)胞兩大領(lǐng)域基礎(chǔ)之上，拓展到了基因組學(xué)、轉(zhuǎn)錄組學(xué)、細(xì)胞復(fù)雜任務(wù)、影像分析和文本分析等領(lǐng)域，從而支持從分子早期研發(fā)到生產(chǎn)放大再到后期實(shí)驗(yàn)分析的全流程AI建模需求。

而除了實(shí)現(xiàn)整個(gè)探索過(guò)程的AI賦能，在一些場(chǎng)景下還會(huì)誕生全新的解決路徑。這是因?yàn)槎嗄B(tài)的覆蓋，讓大模型跨模態(tài)協(xié)作成為了可能。

百圖生科技術(shù)副總裁張曉明列舉了靶點(diǎn)發(fā)現(xiàn)這一例子。

現(xiàn)在在細(xì)胞尺度多模態(tài)大模型視角上，靶點(diǎn)發(fā)現(xiàn)也有了新探索，可以先對(duì)未擾動(dòng)的細(xì)胞進(jìn)行蛋白質(zhì)和細(xì)胞的兩種模態(tài)的表征，同時(shí)擾動(dòng)action可以基于生物基因注釋的文本模態(tài)生成擾動(dòng)的編碼，在圖模型中預(yù)測(cè)擾動(dòng)后表達(dá)量的變化以及推薦潛在的靶點(diǎn)，最后再通過(guò)細(xì)胞生物視覺的模型輔助做細(xì)胞功能的驗(yàn)證。

這是一個(gè)包括蛋白、細(xì)胞、文本和視覺四個(gè)模態(tài)的協(xié)作典型場(chǎng)景，在效果和效率上都有顯著的提升。

而具體到各個(gè)模態(tài)的部署，我們也能看到很強(qiáng)的應(yīng)用屬性，為解決問題而生。

比如首個(gè)引入MoE架構(gòu)的蛋白質(zhì)大模型，參數(shù)達(dá)到千億規(guī)模。

我們都知道，通用場(chǎng)景下MoE架構(gòu)有利于垂直細(xì)分領(lǐng)域的處理，同樣在蛋白質(zhì)領(lǐng)域也存在這樣的情況，比如像抗體抗原、蛋白酶等，這樣一來(lái)在各種具體下游任務(wù)下，實(shí)現(xiàn)更好的性能和準(zhǔn)確率。

還有像DNA大模型序列長(zhǎng)度躍升至128K，可以更好的捕獲遠(yuǎn)端調(diào)控信息，實(shí)現(xiàn)了超長(zhǎng)序列解碼生命的可能性。

這有點(diǎn)類似于通用大模型具備了長(zhǎng)文本讀取能力，由此拓展了大模型能力的邊界，更多場(chǎng)景得到釋放，比如總結(jié)報(bào)告、故事創(chuàng)作，解放人們的生產(chǎn)力。

最后，再?gòu)恼麄€(gè)行業(yè)生態(tài)來(lái)看，百圖生科已經(jīng)占好生命科學(xué)AI模型提供商這一生態(tài)位——

一邊是專業(yè)嚴(yán)謹(jǐn)、有著自己獨(dú)特語(yǔ)言的科學(xué)行業(yè)，還有大量的知識(shí)空間等待人類去探索。一邊是價(jià)值逐漸明晰、勢(shì)要重塑一切的大模型范式。百圖生科要做的正是他們的連接器。

此次除了基礎(chǔ)大模型的發(fā)布，他們還建設(shè)了個(gè)一站式模型平臺(tái)，相當(dāng)于生命科學(xué)領(lǐng)域的大模型基礎(chǔ)設(shè)施。

訓(xùn)練端，他們給出生物多模態(tài)的統(tǒng)一訓(xùn)練框架，從跨模態(tài)預(yù)訓(xùn)練、到下游任務(wù)的微調(diào)都可以完成。

而在推理端，他們?yōu)樵擃I(lǐng)域量身定制地打造了生物與AI融合的計(jì)算引擎。

這個(gè)值得說(shuō)道說(shuō)道。因?yàn)樵谖覀內(nèi)粘４竽Ｐ驼Z(yǔ)境中，可能只需要針對(duì)AI模型本身進(jìn)行推理優(yōu)化，就能在性能和成本上取得很好的效果。但在生物計(jì)算實(shí)際應(yīng)用場(chǎng)景中，模型運(yùn)行20分鐘，其中推理僅占1分鐘，其余時(shí)間都用于執(zhí)行生物計(jì)算工具。

因此要打造推理引擎，需要將生物HPC優(yōu)化和AI模型推理優(yōu)化都要兼顧到，以及讓他們?cè)诹魉€上并行運(yùn)行起來(lái)。據(jù)介紹，這在多個(gè)場(chǎng)景實(shí)現(xiàn)十倍以上推理性能的提升。

此外，還配備了系列工具鏈：包含面向多種數(shù)據(jù)場(chǎng)景和用戶需求的Model Builder模塊，支持模型管理和組裝的Model Hub模塊，以及加速模型調(diào)用和物理計(jì)算的Model Booster模塊等。

而基于過(guò)去四年行業(yè)探索經(jīng)驗(yàn)，他們也系統(tǒng)梳理出了兩大行業(yè)解決方案：藥物研發(fā)、生物制造，為合作伙伴提供全方位的AI模型服務(wù)，加速大模型的應(yīng)用。

以藥物研發(fā)為例，他們就能客戶定制化構(gòu)建模型、也能支持像蛋白設(shè)計(jì)這樣的服務(wù)。

比如他們就利用親和力模型設(shè)計(jì)出多個(gè)親和力梯度的抗體，并定制AND GATE算法，組合雙抗實(shí)現(xiàn)靶向殺傷腫瘤細(xì)胞。通過(guò)高通量親和力檢測(cè)和 100+ 復(fù)雜構(gòu)型雙抗的表達(dá)與驗(yàn)證，最終交付了具有更佳治療窗口的雙抗。

過(guò)去四年間，百圖生科的全球用戶已積累超過(guò)300家，包括跨國(guó)藥企、產(chǎn)業(yè)巨頭、大型CRO、明星BioTech、科研機(jī)構(gòu)等，總訂單超20億美元，可以說(shuō)初步完成了技術(shù)和商業(yè)驗(yàn)證的閉環(huán)，實(shí)現(xiàn)產(chǎn)業(yè)的初步積累。

如今有了強(qiáng)大的基礎(chǔ)模型底座，他們的目標(biāo)行業(yè)也指向了更廣泛的領(lǐng)域，包括生物醫(yī)藥、生物制造、科研教育等。

這其實(shí)也是百圖生科選擇這一生態(tài)位的具象展現(xiàn)，那就是鏈接起更多的生態(tài)伙伴參與到大模型應(yīng)用的進(jìn)程中。

如今生命科學(xué)領(lǐng)域大模型正在加速落地應(yīng)用，但與此同時(shí)挑戰(zhàn)也同樣艱巨，需要生態(tài)伙伴攜手來(lái)解決。

CEO劉維就舉了個(gè)例子，其數(shù)字化和智能化在很多方面尚未實(shí)現(xiàn)。諸多研發(fā)工作仍然主要以所見即所得的方式進(jìn)行——

仍然以專家經(jīng)驗(yàn)和人類先驗(yàn)假設(shè)為基礎(chǔ)進(jìn)行實(shí)驗(yàn)驗(yàn)證假設(shè)，或者以在自然界中發(fā)現(xiàn)然后進(jìn)行實(shí)驗(yàn)改造為主。

而只有越來(lái)越多的企業(yè)完成大模型的賦能，才能帶動(dòng)整個(gè)行業(yè)的數(shù)字化智能化。

Foundation Model+Science正在到來(lái)

借著百圖生科生命科學(xué)基礎(chǔ)大模型的發(fā)布，也是時(shí)候?qū)?strong>「大模型如何賦能生命科學(xué)領(lǐng)域」做個(gè)階段性梳理。

首先，跟其他行業(yè)一樣，生命科學(xué)領(lǐng)域正迎來(lái)全行業(yè)的重塑，甚至比其他領(lǐng)域更快。

僅過(guò)去一年時(shí)間，傳統(tǒng)藥企巨頭擁抱AI，像輝瑞、禮來(lái)等全球藥企巨頭任命首席AI官；科技巨頭紛紛出手布局，諸如谷歌Meta英偉達(dá)也早已相關(guān)探索。還有像賽諾菲，這種全球TOP10藥企愿意砸超10億美金與百圖生科共同打造AI模型。

各種生命科學(xué)大模型也紛紛被頂刊所接收，比如像百圖生科此前發(fā)布的單細(xì)胞大模型、千億參數(shù)蛋白大模型等工作就多次登上Nature子刊封面和學(xué)術(shù)頂會(huì)。相較于其他領(lǐng)域，這么一個(gè)古老的領(lǐng)域的發(fā)展速度，直接來(lái)了個(gè)彎道超車。

而從時(shí)間維度來(lái)看，計(jì)算對(duì)生命科學(xué)的賦能，經(jīng)歷從單模態(tài)單尺度到多模態(tài)多尺度的賦能。而在大模型語(yǔ)境下，就是從“AI+”到“大模型+”的時(shí)代，如今AI在生命科學(xué)里的創(chuàng)新應(yīng)用正在迎來(lái)「寒武紀(jì)爆發(fā)」臨界點(diǎn)。

一切以AlphaFold為節(jié)點(diǎn)。

傳統(tǒng)依靠實(shí)驗(yàn)室工具和分析手段的方式，價(jià)格高昂耗時(shí)也長(zhǎng)，無(wú)法充分發(fā)揮數(shù)據(jù)背后的價(jià)值。

隨著AI深度學(xué)習(xí)的出現(xiàn)，這個(gè)問題迎來(lái)了轉(zhuǎn)機(jī)。DeepMind從人類已確定的17萬(wàn)種蛋白質(zhì)序列庫(kù)中訓(xùn)練學(xué)習(xí)得到AlphaFold，實(shí)現(xiàn)了之前遠(yuǎn)超其他所有團(tuán)隊(duì)的準(zhǔn)確率，開辟了“先假設(shè)-再驗(yàn)證-最后優(yōu)化假設(shè)”的干濕實(shí)驗(yàn)循環(huán)閉環(huán)。

這時(shí)候，生命科學(xué)領(lǐng)域迎來(lái)了他們自己的AI1.0時(shí)刻。

不過(guò)當(dāng)時(shí)還只是聚焦于單鏈蛋白質(zhì)單一模態(tài)，預(yù)測(cè)準(zhǔn)確率還有大量的提升空間，海量的生物數(shù)據(jù)還沒有被充分挖掘。

而隨著自監(jiān)督范式Transformer架構(gòu)、擴(kuò)散模型等進(jìn)展的出現(xiàn)，讓海量各種模態(tài)的數(shù)據(jù)處理、跨模態(tài)多尺度協(xié)作處理成為了可能，更多潛在的下游場(chǎng)景被實(shí)現(xiàn)，也就是所謂AI2.0時(shí)刻。

就像最新的AlphaFold3，實(shí)現(xiàn)了從單鏈蛋白質(zhì)結(jié)構(gòu)預(yù)測(cè)到所有生命分子的結(jié)構(gòu)和相互作用的跨越。

其次，大模型賦能生命科學(xué)不僅在降本增效，還在于創(chuàng)新創(chuàng)造。

大模型對(duì)千行百業(yè)的賦能核心就在于降本增效，同樣在生命科學(xué)領(lǐng)域，大模型可以快速處理和分析大量的生物數(shù)據(jù)，幫助科研人員更高效地篩選潛在藥物靶點(diǎn)、設(shè)計(jì)藥物分子以及預(yù)測(cè)藥物效果，從而在一定程度上降低研發(fā)成本、提高研發(fā)效率。

不過(guò)這只是大模型所帶來(lái)的最基本價(jià)值。創(chuàng)新創(chuàng)造才是大模型賦能生命科學(xué)的核心價(jià)值。

生命科學(xué)的技術(shù)壁壘很大程度上源于生命本質(zhì)信息的高度復(fù)雜性，而這些信息往往隱藏在生命語(yǔ)言中。因此相比于常規(guī)自然語(yǔ)言模型，生命科學(xué)大模型往往肩負(fù)著更為重大的使命，那就是深入到生物進(jìn)化、基因序列等生命領(lǐng)域的核心挑戰(zhàn)。大模型就是像是一把鑰匙，打開了一扇通往生命奧秘深處的新大門。

而一旦實(shí)現(xiàn)生物數(shù)據(jù)和序列的解碼，就給當(dāng)前一些重大難題的解決帶來(lái)了可能性。比如精準(zhǔn)醫(yī)療/個(gè)性化醫(yī)療。

而在基因組學(xué)、遺傳病預(yù)測(cè)和精準(zhǔn)醫(yī)療等領(lǐng)域，信息的準(zhǔn)確性至關(guān)重要。但傳統(tǒng)的方法常常將DNA切割成較小的片段進(jìn)行分析，導(dǎo)致關(guān)鍵信息的丟失。

但現(xiàn)在百圖生科模型所實(shí)現(xiàn)的DNA超長(zhǎng)序列，就能完整保留所有基因信息。這讓精準(zhǔn)的基因分析成為可能，有助于制定出最適合患者個(gè)體的治療方案。

例如，在癌癥治療中，完整的基因序列信息可以幫助確定癌細(xì)胞中特定的基因突變，從而為靶向治療提供精確的靶點(diǎn)，提高治療效果。

大模型帶來(lái)的除了數(shù)據(jù)處理能力，還有強(qiáng)大的泛化能力，給行業(yè)問題解決帶來(lái)全新的思路。

生命語(yǔ)言遠(yuǎn)比自然語(yǔ)言復(fù)雜，模態(tài)之間存在清晰的轉(zhuǎn)化和層級(jí)關(guān)系。比如DNA、RNA、蛋白質(zhì)之間的中心法則；細(xì)胞圖像，細(xì)胞組學(xué)，細(xì)胞基因表達(dá)，功能注釋文本之間對(duì)于細(xì)胞的聯(lián)合表征；從單細(xì)胞、多細(xì)胞到構(gòu)成組織。

因此大模型能做的就不僅對(duì)現(xiàn)有生物數(shù)據(jù)的簡(jiǎn)單解析，更重要的是能夠推斷未知問題。

比如預(yù)測(cè)生物結(jié)構(gòu)背后的功能——

可以預(yù)測(cè)某種新型蛋白質(zhì)的功能，進(jìn)而為設(shè)計(jì)全新的藥物或者生物技術(shù)提供可能，而這是傳統(tǒng)研究方法很難做到的創(chuàng)新突破。

還有像藥物發(fā)現(xiàn)，以往的研發(fā)可能更多地依賴于既有經(jīng)驗(yàn)和有限的實(shí)驗(yàn)結(jié)果，但大模型可以通過(guò)對(duì)大量生命數(shù)據(jù)的學(xué)習(xí)和分析，提出以前未曾想到的藥物靶點(diǎn)或者研發(fā)方向。

而擁有了預(yù)見生命科學(xué)未知領(lǐng)域的 “慧眼”之后，也就為合成生物學(xué)，或者更為廣泛的生物制造，帶來(lái)了可能性。

比如在酶的設(shè)計(jì)和菌種改造方面，AI模型通過(guò)學(xué)習(xí)現(xiàn)有的生物數(shù)據(jù)，生成新的酶序列，并預(yù)測(cè)其催化功能。通過(guò)這種方式加速了生物制造中的酶催化過(guò)程，顯著提高了生產(chǎn)效率，并降低了制造成本。

再往前一步，整個(gè)工業(yè)制造領(lǐng)域，包括農(nóng)業(yè)、食品、化工、材料、能源等行業(yè)都能被賦能覆蓋。

從理解生命到預(yù)測(cè)生命再到設(shè)計(jì)、創(chuàng)造生命，這也是大模型為生命科學(xué)帶來(lái)創(chuàng)新創(chuàng)造價(jià)值的重要體現(xiàn)。

它從根本上改變了生命科學(xué)的研究路徑和思維方式，推動(dòng)生命科學(xué)朝著更深入、更具前瞻性的方向發(fā)展。

相對(duì)于其他行業(yè)，在生命科學(xué)領(lǐng)域的應(yīng)用價(jià)值更大、前景更高，也就更是一件長(zhǎng)期主義的事情了。

這需要生態(tài)合作，共同推動(dòng)產(chǎn)業(yè)發(fā)展。更需要像百圖生科這樣的玩家站出來(lái)提供基礎(chǔ)服務(wù)。

現(xiàn)在，百圖生科，邁出了第一步。