Ginkgo Datapoints Ra Mắt VCPI: Một Kế Hoạch Táo Bạo Để Giải Quyết Vấn Đề Dữ Liệu Của Khám Phá Thuốc Sử Dụng Trí Tuệ Nhân Tạo

Trong nhiều năm, trí tuệ nhân tạo trong khám phá thuốc đã bị hạn chế bởi một vấn đề đơn giản nhưng khó giải quyết: dữ liệu không đủ tốt. Núi dữ liệu về trình tự, nghiên cứu hỗn hợp và các thí nghiệm tế bào hỗn hợp đã tạo ra ấn tượng về tiến bộ mà không mang lại những đột phá thực sự. Thay vì sự rõ ràng, lĩnh vực này đã tạo ra tiếng ồn. Thay vì khả năng tái tạo, nó đã tạo ra sự thay đổi. Và thay vì các phép đo chính xác, cụ thể cho dược lý cần thiết để đào tạo các mô hình tế bào ảo đáng tin cậy, nó đã tạo ra các tập dữ liệu được tối ưu hóa hơn cho quy mô than là tính toàn vẹn khoa học.

Đây là môi trường mà Ginkgo Datapoints đang ra mắt Chương Trình Pharmacology Tế Bào Ảo (VCPI) – một dự án không chỉ hứa hẹn nhiều dữ liệu hơn mà còn nhằm cung cấp dữ liệu tốt hơn, được thiết kế đặc biệt cho các mô hình trí tuệ nhân tạo cố gắng dự đoán cách các phân tử thuốc thực sự ảnh hưởng đến các hệ thống sinh học thực sự. Thông báo chính thức của công ty nhấn mạnh rằng VCPI sẽ tạo ra hơn 12 tỷ điểm dữ liệu và phân tích 100.000 hợp chất, thiết lập bộ dữ liệu dược lý tiêu chuẩn đầu tiên cho mô hình hóa tế bào ảo.

Tại Sao “Nhiều Dữ Liệu” Thất Bại

Trong bài đăng trên blog giới thiệu VCPI, Ginkgo sử dụng một ẩn dụ mà hoàn hảo nắm bắt được hướng đi sai lầm của lĩnh vực này. Hãy tưởng tượng bạn ném một nắm thuốc vào lồng chuột – sau đó cố gắng tìm hiểu xem con chuột nào đã ăn thuốc gì. Bây giờ hãy nhân điều đó lên một triệu chuột trong một lồng khổng lồ. Đó là điểm yếu cốt lõi của các thí nghiệm dược lý tế bào đơn pooled. Chúng tạo ra lượng dữ liệu ấn tượng, nhưng thiết kế cơ bản ngăn cản việc quy kết sạch sẽ giữa hợp chất và kiểu hình.

Vấn đề không nằm ở công nghệ; nó nằm ở kiến trúc thí nghiệm. Giả định rằng các tập dữ liệu lớn hơn sẽ tự động dạy cho các mô hình tốt hơn đã được chứng minh là sai. Bài đăng trên blog thẳng thắn gọi cách nghĩ này là “nghiện dữ liệu”, lập luận rằng không có dữ liệu đầu vào được cấu trúc tốt, cao tín hiệu, thì ngay cả trí tuệ nhân tạo tiên tiến nhất cũng sẽ học các mẫu sai.

VCPI đại diện cho một sự thay đổi đột ngột khỏi logic này. Thay vì ca ngợi quy mô, nó tập trung vào khả năng theo dõi sinh học, tính nghiêm ngặt của thí nghiệm và cấu trúc được kiểm soát cần thiết để trí tuệ nhân tạo thực sự học dược lý.

VCPI Xây Dựng Lại Đường Ống Dữ Liệu Như Thế Nào

Thay vì dựa vào các thí nghiệm tế bào đơn pooled, VCPI sử dụng DRUG-seq, một phương pháp trình tự RNA-sequencing hàng loạt có thể đo lường các phản ứng cụ thể của từng hợp chất trong các giếng được mã hóa riêng biệt. Điều này cho phép Ginkgo đo lường các phản ứng cụ thể của từng hợp chất với tín hiệu sạch hơn so với các thiết kế pooled. Theo thông cáo báo chí, cơ sở hạ tầng tự động hóa của công ty có thể chạy hơn 100 đĩa 384 giếng mỗi tuần, tạo ra hàng triệu phép đo RNA chất lượng cao với quy mô công nghiệp.

Không kém phần quan trọng là việc giới thiệu V-Ref293, một dòng tế bào tham chiếu tiêu chuẩn mới được thiết kế. Thay vì mỗi phòng thí nghiệm chạy các phiên bản đột biến, trôi dạt của cùng một dòng tế bào, VCPI tạo ra một cơ sở sinh học chung – một “họ hàng sinh học” của lớp tế bào ảo mới nổi. Điều này loại bỏ một trong những nguồn gốc lâu đời của sự không tái tạo trong dược lý di truyền và cung cấp nền tảng chân thực mà các mô hình trí tuệ nhân tạo cần.

Dưới sáng kiến này, Ginkgo đang mở cửa một bộ dữ liệu được xây dựng bởi cộng đồng với một số thành phần định nghĩa:

• Tham gia mở cho các nhà nghiên cứu, nhóm dược phẩm và nhà phát triển trí tuệ nhân tạo
• Phân tích RNA hàng loạt miễn phí cho các hợp chất được gửi
• Truy cập độc quyền hoặc vĩnh viễn cho các nhà đóng góp
• Phát hành dữ liệu hàng tháng được định hình bởi việc bỏ phiếu của cộng đồng
• Cơ hội chia sẻ mô hình, ưu tiên hợp chất và trạng thái “siêu người dùng” sớm

Một Mô Hình Xây Dựng Bởi Cộng Đồng, Không Phải Là Một Bộ Dữ Liệu Được Vứt Bỏ

Một trong những khía cạnh kỳ lạ nhất của VCPI là quyết định ra mắt trước khi bộ dữ liệu tồn tại. Thay vì tải lên một tài nguyên hoàn chỉnh, Ginkgo đang yêu cầu cộng đồng khoa học giúp xác định những hợp chất quan trọng nhất và cộng tác trong thời gian thực khi bộ dữ liệu phát triển.

Cách tiếp cận này cũng giảm thiểu rủi ro tham gia. Các công ty công nghệ sinh học giai đoạn đầu có thể gửi hợp chất và nhận dữ liệu dược lý thực sự mà không phải tiêu tốn ngân sách quý giá cho sàng lọc hàng loạt. Các nhóm trí tuệ nhân tạo có thể đảm bảo rằng bộ dữ liệu phản ánh các can thiệp mà họ thực sự cần cho việc đào tạo mô hình. Và các phòng thí nghiệm học thuật có thể đóng góp trong khi vẫn giữ khả năng có một cửa sổ độc quyền 90 ngày.

Cấu trúc biến quá trình tạo dữ liệu thành một quá trình khoa học tham gia – không phải là một sản phẩm tĩnh.

Điều Này Có Nghĩa Là Gì Đối Với Tương Lai Của Trí Tuệ Nhân Tạo Sinh Học

Những ý nghĩa rộng lớn hơn của VCPI vượt ra ngoài Ginkgo hoặc bất kỳ sáng kiến tế bào ảo nào. Để các mô hình tế bào ảo trở nên đáng tin cậy về mặt khoa học, chúng phải được đào tạo trên dữ liệu có thể tái tạo, cụ thể cho từng hợp chất và được gắn với một tham chiếu sinh học ổn định. Nếu không có nền tảng này, trí tuệ nhân tạo sẽ tiếp tục tạo ra những ảo tưởng, dự đoán sai hoặc quá拟 với các hiện tượng.

Các sáng kiến như VCPI báo hiệu một sự thay đổi trong cách lĩnh vực này nghĩ về dữ liệu. Thiết kế thí nghiệm đang trở nên quan trọng như kiến trúc mô hình. Tính tái tạo đang trở lại như một yêu cầu trung tâm chứ không phải là một lý tưởng tùy chọn. Và các dự án cơ sở hạ tầng mở, được thúc đẩy bởi cộng đồng đang bắt đầu vượt qua các bộ dữ liệu độc quyền đóng trong khả năng đẩy nhanh đổi mới.

Nếu các tế bào ảo cuối cùng trở thành những động cơ dự đoán đáng tin cậy – những công cụ giúp xếp hạng hợp chất, đánh dấu độc tính hoặc làm sáng tỏ con đường trước khi con người chạm vào pipette – nó sẽ là vì các dự án như VCPI đã tạo ra môi trường dữ liệu có cấu trúc, đáng tin cậy mà chúng cần để phát triển.

Bằng cách ưu tiên dữ liệu tốt hơn thay vì chỉ nhiều dữ liệu, Ginkgo đang định hình lại nền tảng của sinh học được hỗ trợ bởi trí tuệ nhân tạo. VCPI không chỉ phản ứng với cuộc khủng hoảng dữ liệu trong khám phá thuốc; nó thiết lập sân khấu cho một kỷ nguyên mới nơi các thí nghiệm sinh học và các đường ống đào tạo trí tuệ nhân tạo phát triển cùng nhau, cởi mở và có mục đích.