TechFlow Logo
로그인/ 회원가입
ETH 가스
Gwei
공포
gas
팟캐스트 노트|YC 특집 토론: AI는 지금 이미 암을 정복할 만큼 강력해졌나요?

팟캐스트 노트|YC 특집 토론: AI는 지금 이미 암을 정복할 만큼 강력해졌나요?

2026.11.12
공유하기
선도권 학자 4인, 단일 환자 암 데이터·5억 건 단일 세포 편향 및 Evo 2 유전체 설계 첨단 돌파구 심층 분석.

정리 & 翻译: TechFlow

TechFlow 가이드: 2026년 11월 8일 개최된 제10기 《YC Paper Club》 「AI for Biology」 특별 이벤트에서, 곧 Y Combinator를 떠나 새로운 창업에 나설 방문 파트너 프랑수아 쇼바르(Francois Chaubard)가 먼저 「튜링 테스트가 실제로 통과되었는가」라는 실시간 QR 코드 스캔 블라인드 테스트 실험을 던졌고, 이어 네 명의 최전선 AI 바이오 및 계산 종양학 연구자들의 첨단 리포트와 현장 질의응답을 이어받으며, 현재가 AI가 암 치료와 생명과학을 재편하는 결정적 분기점인 이유를 종합적으로 파해쳤다.

전체 약 82분 간의 대담은 세 가지 핵심축을 따라 단계적으로 전개되었다. 먼저 Omanta 공동 창업자 겸 CEO 알프레도 곤살레스(Alfredo Gonzalez)가 유전자 서열 분석 비용의 가파른 하락 이후, 어떻게 암을 「집단 평균값」에서 「단일 환자 데이터 문제」로 전환시키는 방법을 밝혔고, 이어서 전 Arc Institute 머신러닝 책임자이자 Intology AI 과학 책임자인 유수프 루다니(Yusuf Roohani)가 5억 개의 단일 세포 데이터베이스가 노출한 데이터 편향 함정을 파헤치고, 대규모 모델의 자율 사후 훈련(Autonomous Post-Training)을 참고하여 물리 실험 폐쇄 루프를 구축하는 방안을 모색했다.

끝으로 스탠퍼드 박사과정 학생 게리크 브릭시(Garyk Brixi)와 디비아 노리(Divya Nori)는 생체정보학 대형 모델 Evo 2, 양방향 공동진화 모델 Minerva, 그리고 소량 샘플 문맥 학습(ICL)을 소개하며, 모델이 미세 조정 없이 방대한 DNA 서열에서 직접 발현 돌연변이를 예측하고 유전자 편집기를 설계하는 방식을 풀어나갔고, 쥐 두뇌 실제 실험(Wet Lab)에서 이를 입증하며 성과를 보여줬다.

게스트: 알프레도 곤살레스(Omanta 공동 창업자 겸 CEO, UCLA 암 바이오인포매틱스 박사), 유수프 루다니(Intology AI 과학 책임자, 전 Arc Institute 머신러닝 팀장), 게리크 브릭시(스탠퍼드 박사과정 학생, Evo 2 팀 리더, Minerva 프로젝트 저자), 디비아 노리(스탠퍼드 컴퓨터과학 박사과정 연구원, Brian Hie 연구실 소속)

사회자: 프랑수아 쇼바르(Y Combinator 방문 파트너, YC Paper Club 창립자)

출처: Y Combinator / YouTube (https://youtu.be/-XL2gClQ2gg)

원제: Is AI Now Good Enough To Cure Cancer? | YC Paper Club

방영일: 2026년 11월 8일

요약 정리

  • 현장 튜링 테스트 블라인드 테스트: 프랑수아 쇼바르는 Claude Code를 활용해 12시간 만에 테스트 웹사이트를 구축하고 현장을 블라인드 테스트로 몰아갔다. 32세 남성 페르소나 및 현장 상황 맥락을 주입한 결과, GPT-6 Astra가 인간을 가장 잘 속인 비율은 단 36.4%에 그쳤으며(Claude Fable 5.1은 30.0%, GLM 5.3 FlashX는 26.1%, Gemini 3.8 Flash는 23.8%, Grok 4.6은 23.1%, Kimi K3는 19.0%), 이는 차트에 표시된 70% 합격 기준선을 크게 하회한다. 반대로 실제 인간 참가자가 AI로 오감된 비율 역시 33.3%에 달했다.
  • AI Bio 패러다임 전환의 핵심 동력: 시퀀싱 비용의 급격한 하락과 함께 Evo 2 학습 데이터셋이 9조 염기에 확장되었고, AlphaFold는 이제 시장에 출시되는 모든 신약의 개발 과정에서 표준 도구로 자리 잡았다. AI 단백질 결합제의 BindCraft 벤치마크 성공률은 10%에서 100%에 이르렀으며, 라디컬 뉴메릭스(Radical Numerics)가 설계한 파지 기반 치료가 실제 환자 임상 적용 단계에 진입했다. 업계 전반이 검증 가능한 보상 강화학습(RLVR) 형태의 폐쇄 루프를 생물학적 실험 검증 프로세스로 완전히 이동 중이다.
  • 암을 「단일 환자 데이터 문제」로 재정의: Omanta는 각 환자의 자체 최고 2만 유전자, RNA 발현, 클론 진화 등 다차원 데이터를 기반으로, 기존 30~40명 규모 생명정보학 실험실을 다중 에이전트 파이프라인으로 대체했다. 이를 통해 희귀 종양이나 표준 화학요법에 연속 실패한 환자에게 종경계를 넘어 새로운 치료 경로를 극히 짧은 시간 내 신속하게 도출한다.
  • 「세포계 커먼 크롤(Common Crawl)」의 데이터 편향 함정과 폐쇄 실험: 유수프 루다니 팀은 AI 에이전트를 NIH 원본 전사체 라이브러리에서 한 달간 연속 작동시켜 세포 데이터 규모를 3500만 개에서 5억 개 이상으로 끌어올렸으나, 결과적으로 데이터의 압도적인 부분이 면역세포와 그중에서도 T세포에 쏠려 있음을 확인했다. 즉, 공개 데이터의 단순 선형 축적이 진정한 생물학적 다양성을 보장하지 못한다. 해결책은 대규모 모델의 자율 사후 학습(예: Intology AI의 Locus 시스템이 PostTrainBench에서 탐구한 방식)을 AI가 주도하는 폐쇄형 Wet Lab 실험 데이터 생성으로 전환하는 데 있다.
  • 순수 DNA 다음 염기 예측에서 피어난 생물학적 이해: 게리크 브릭시 팀은 전 생명역의 게놈을 중복 제거 및 선별하여 9조 염기 상에서 70억 및 400억 파라미터 모델을 학습한 Evo 2를 제작했다(100만 염기 상의 컨텍스트 지원). 모델이 단지 하나의 인간 참조 게놈만 본 상태에서도, BRCA1 코딩 영역과 비코딩 영역의 병적 돌연변이를 예측하는 성능이 전용 인간 지도학습 모델을 추월하거나 동률을 이루었다. 새로 공개된 양방향 모델 Minerva와 결합하면 상호 공동진화 접촉면과 미발견 비코딩 RNA, CRISPR 유사 역전사 효소 시스템을 정밀하게 식별할 수 있다.
  • 생체정보학 대형 모델의 소수 샘플 문맥 학습(ICL)과 쥐 뇌 실증: 디비아 노리 등은 자연 서열 예시 4~64개만을 컨텍스트 프롬프트로 사용했을 때(파라미터 미세 조정 불필요), Evo 2가 스스로 모티프를 재조합하여 희토류 결합 단백질인 랜모듈린(Lanmodulin), 표적 항체, 완전 구성 요소 CRISPR-Cas9 시스템, 나아가 전체 파지 게놈까지 설계한다는 사실을 확인했다. 알파게놈(AlphaGenome)을 보상 모델로 활용한 GRPO 강화학습 사후 학습을 결합한 결과, 설계된 세포 유형 특이성 활성 촉진자(Enhancer)가 실제 쥐 뇌 실험에서 목표区域的 형광 활성화에 성공했다.

주요 견해

  • 「의학 임상에서는 역사적 인구 집단의 평균값에만 의존할 경우, 생사의 갈림길에 선 개별 환자에게는 사실 무의미한 경우가 많다. 모든 종양 자체가 최대 2만 유전자 차원의 정보를 담고 있다면, 각 환자는 독립적으로 발굴해야 할 대규모 데이터셋이 된다.」
  • 「과거에는 브로드 연구소(Broad Institute)나 샌거 연구소(Sanger Institute) 같은 기관에서만 30~40명의 최상위 알고리즘, 라이브러리 구축, 생명정보학, 임상 의학팀을 감당할 수 있었다. 지금 우리는 이 전체 실험실 인프라를 에이전트화하여 실시간으로 단일 환자 중심으로 회전시킨다.」
  • 「에이전트를 투입해 공개된 NIH 원본 세포 데이터를 모두 훑고 데이터셋을 5억 개 이상의 세포로 팽창시켰음에도, 여전히 대부분의 샘플이 면역세포와 T세포였다. 단순히 데이터를 쌓는다고 해서 진정한 생물학적 다양성을 구매할 수는 없다.」
  • 「세포생물학顶尖 교과서 서두 첫 줄은こう書く: 「여러 측면에서 볼 때, 인류가 우주 구조를 이해하는 정도는 살아있는 세포 내부 메커니즘에 대한 인식보다 앞서며, 우리는 이미 수많은 종의 전체 게놈을 해독했지만, 연구되지 않은 단일 유전자를 삭제했을 때 세포가 어떻게 변할지 여전히 예측하지 못한다.」」
  • 「인간은 자연어, 코드, 수학 공식을 읽을 수 있지만 DNA 서열은 직접 해석할 수 없다. 생체정보학 대형 모델은 본질적으로 수억 년에 걸쳐 자연선택이 기록한 암호문을, 인간과 AI 연구원이 함께 질문하고 추적할 수 있는 도구로 번역하는 것이다.」
  • 「훈련 이전 단계에서 무작위로 추출한 전체 게놈 시퀀스 비중을 유전자 및 보존 성분 중심으로 재샘플링했을 뿐인데, 동일한 다음 염기 예측임에도 임상의 돌연변이 평가 벤치마크에서 전체 최하위에서 업계 최상위로 직跃했다(Spearman 상관관계가 0.16 상승).」
  • 「누군가 Evo 2를 위해 컨텍스트 학습을 전용 훈련시킨 적은 없다. 다만 단일 뉴클레오타이드 차원의 다음 염기 예측만으로 모델이 「소수 샘플 설계 능력」을 자연스럽게emergence했으며, CRISPR-Cas 위치 예시가 단 4개만 주어져도 전체 시스템을 직접 생성할 수 있었다.」

본문

오프닝 튜링 테스트 실제 측정: GPT-6 Astra 속임수율 36.4%, 인간의 3분의 1도 AI로 오감

프랑수아 쇼바르: 여러분晚安! 오늘 밤의 《YC Paper Club》 AI for Biology 특별 세션에 오신 것을 환영합니다. 오늘은 제가 실험실에서 함께 일했고 YC에서 협업했던 정상급 학자들과 크리에이터들을 여러 명 초청했습니다. 생명을 다루는 분야로 들어가기 전에, 저는 잠깐의 호기심에서 현장 참여자 모두에게 스마트폰을 꺼내 큰 화면의 QR 코드를 스캔해달라고 부탁했습니다.

최근 아르카이지(ArcAGI) 그레프(Greg)와 저녁 식사를 했는데, 그는 「튜링 테스트는 이미 돌파되었다」라고 단언했습니다.我当时反驳道: 앨런 튜링은 1950년 기념 논문에서 50년 뒤(즉 서기 2000년)쯤이면 일반 수준의 심문관이 5분간 연이어追问했을 때 기계를 구별할 확률이 70% 미만인 프로그램을 만들 수 있을 것이라고 예측했습니다(즉 적어도 30%는 걸러지지 않으며, 현장 비교 차트에서는 70%를 합격 레드라인으로 표시). 그런데 현실은 항공사 고객센터 로봇을 만날 때마다 몇 마디 교환하자마자 그게 AI임을 눈치챕니다.

그래서 저는 지난 12시간 동안 Claude Code로 블라인드 테스트 웹사이트를 「바브 코딩(Vibe Coding)」했습니다. 규칙은 간단합니다. 현장 참석자의 절반은 진짜 사람 그룹과 무작위 짝을 지우며, 나머지 절반은 「현재 YC 현장 룸에 앉아있다」는 맥락을 완벽히 인지한 32세 남성 페르소나의 최신 대형 모델과 연결됩니다. 서로探测 후 투표 판단을 내리기까지 두 분의 시간이 주어집니다.

좋습니다. 두 분간의 결과가 실시간으로 출력이 되었네요! 여러분은 큰 화면의 막대 그래프로 여러 주요 모델의 성과를 확인할 수 있습니다. 가장 높은 수치를 보인 것은 GPT-6 Astra로, 총 36.4%의 테스트 라운드에서 인간이 진짜 사람으로 착각하게 만들었습니다. 그다음으로는 Claude Fable 5.1 (30.0%), GLM 5.3 FlashX (26.1%), Gemini 3.8 Flash (23.8%), Grok 4.6 (23.1%), 그리고 Kimi K3 (19.0%) 순입니다.

차트 최하단에 흥미로운 기준선이 존재합니다: 실제 인간이 현장에서 AI로 오인당한 비율이 무려 33.3%에 달한다는 점! 평소 말이 짧고 냉정한 편이라면 인간 3명 중 1명은 로봇으로 착각당할 수 있겠군요. 결론적으로 모델에 현장 맥락을 과도하게 주입하고 프롬프트로 「AI 편향」을 꾀했음에도 불구하고 전체 합격률은 여전히 30% 수준에 머물렀습니다. 명확한 승리를 거두기까지는 아직 갈 길이 멉니다. Boris와 Claude Code 팀에게 다시 한번 감사 인사를 드리오니, 저처럼 12시간 내에 실시간 시스템을 빠르게 구축할 수 있었습니다.

무대를 떠나는 인사: 왜 지금이 AI Bio 최고의 시대인가?

프랑수아 쇼바르: 이제 오늘밤의 진짜 주제인 「왜 우리가 AI for Biology에 주목해야 하는가」로 넘어가겠습니다. 실험실 회의를 진행할 때 저는 항상 야사(Yasa) 옆에 앉아 그의 강한 설득력으로 바이오 AI를 추천받곤 합니다. 그가 가장 날카롭게 건넨 말은 「언젠가 당신이 정말 암에 걸리게 되었을 때, 과거에 AI 의학 연구에 더 많은 시간을 쏟지 않은 것을 평생 후회할 것입니다」였습니다. 물론 이런 말에 바로 전직하는 사람은 많지 않겠지만, 장기적으로 저 스스로 확신이 서기 시작했고 현재 관련 연구를 추진 중입니다.

슬라이드에는 현재 AI Bio 시대를 폭발적으로 견인하는 몇 가지 핵심 신호를 열거했습니다:

  1. 유래 없는 대규모 분자 및 게놈 데이터: Evo 2만 해도 이미 9조 염기 상에서 학습을 마쳤으며, 차세대 모델은 더욱 확장된 척도로 가속화되고 있습니다. 유전자 시퀀싱 비용의 지속적인 폭락이 지수함수적으로 폭발하는 바이오 데이터를 낳았습니다.
  2. 기본 도구가 임상 약물 파이프라인 전면 진입: 데미스(Demis)가 며칠 전 YC 강의에서 언급했듯, 이제 시장은 향해 나가는 모든 신규 신약의 개발 과정 어디쯤에선가 AlphaFold가 활용되고 있습니다. 당시 저는 이것이 과장된 수사라 생각했지만, 나중에 Genentech 연구 전문가 및顶尖 박사들 열여덟 명에게 비공개로 물으니 모두 「사실 거의 그렇습니다」라는 답변이었습니다.
  3. 단백질 설계 및 실제 인체 요법 가속화: AI 단백질 결합제의 BindCraft 기준 성공률이 10%에서 100%에 도달했습니다. 제 실험실 동료 출신인 에릭 느엉(Eric Nguyen)이 설립한 Radical Numerics는 AI가 설계한 파지 치료가 인간 환자 임상 테스트에 실제로 진입했으며, 곧 디비아(Nori)가 컨텍스트 학습 예시 4~64개만으로 정확히 생물 시퀀스 설계를 유도할 수 있는 모습을 보여줄 것입니다.
  4. 고품질 벤치마크 및 검증 가능 강화학습(RLVR) 폐쇄루프 형성: 구조 예측 CASP 또는 세포 모델링 Virtual Cell Challenge 등에서 평가 기준이 점점 명확해지고 있으며, 자금 측면에서는 Lila, Chai, Isomorphic 등으로 막대한 자본이 이 분야로 유입되고 있습니다. 무엇보다 AI 커뮤니티는 「검증 가능한 작업」 대상 재귀적 자가 개선(RSI / RLVR) 메서놀로지를 완벽히 숙달했습니다. 컴퓨터 시뮬레이션 검증(코드베이스 유닛테스트처럼 속도 극 fast)든 고가의 Wet Lab 물리 검증이든 핵심 로켓은 이미 완성되었습니다. 기초 모델이 후보 의약품 샘플링 후 Top N 유효성 테스트를 실시하고 실제 데이터를 회수하여 모델을 미세 조정한 후 반복 순환하는 것.

또한 다소 쓸쓸한 인사를 드릴게요. 이번회가 제가 사회를 보는 마지막 10기 《YC Paper Club》 episode입니다. 지난 반년간 이 하드코어 학술 커뮤니티를 여러분과 함께 만들어온 영광스러웠고, 앞서 9차례 콘텐츠 누적 조회수 백만 회를 돌파했습니다. 이번 금요일자로 저는 YC를 퇴사하고 다음 창업 여정에 진입합니다. 이어Tonight 첫 번째 중요 게스트 알프레도 곤살레스(Alfredo Gonzalez) 씨를 초대합니다.

알프레도 곤살레스: 종양 시퀀싱이 저녁 식사보다 저렴해지며, 암을 「단일 환자 데이터 문제」로 정의하다

알프레도 곤살레스(Omanta 공동 창업자 겸 CEO): 프랑수아, 반년 동안 이 커뮤니티에 쏟아부은 힘에 감사드립니다! 지난 몇몇 프로그램에서 터져 나온 사고의 불꽃이 정말 놀라울 지경이었어요. 저는 알프레도라고 하며, Omanta 공동 창업자 중 한 명입니다. 저희가 하는 일은 각 암 환자를 위해 개인 특정 종양을 중추로 하는 「전담 연구실험실」을 온전히 빌드하여 환자들이 암을 이겨낼 수 있도록 돕는 것입니다.

짧게 제 학업 배경을 설명드리면, 학사 후 Harvard에서 초기 발생 전사 인자를 연구했고, Broad Institute에서 암 세포 계열 최초의 상업화/학술적 CRISPR 유전자 스크리닝 검증 작업에 참여했으며, 그곳에서 약물 재배치 프로젝트를主導하며 현재 저의 공동 창업자이자 아내인 란 후메이디(Ran Humeidi)를 만났습니다. 이후 UCLA에서 암 바이오인포매틱스 박사학위를 취득하며 대규모 종양 및 정상 조직 게놈 자동화 분석 파이프라인 구축과 세계 최대 희귀 육종 종양 데이터셋 중 하나를 구성했고, 박사 핵심 방향은 「표본 수가 1(N-of-1)」인 희귀 난치성 종양 케이스를 타파하는 것이었습니다.

지금 저희가 YC에서 「AI로 암을 완치하자」라고 외치는 것은 허세가 아니며, 인류 역사상 최초로 이 임계점에 서 있다는 뜻입니다. 세 가지 포인트로 나누어 공유하겠습니다.

첫째, 왜 오늘날 암은 순수 「데이터 마이닝 문제」가 되었는가? 프랑수아가 방금 보여준 시퀀싱 비용 곡선에서 알 수 있듯, 요즘 완전 게놈 시퀀싱 한 번 비용이 샌프란시스코 베이 지역에서 저녁밥 먹는 것보다 훨씬 저렴합니다. 더 중요한 것은, 대부분의 후기 및 재발성 종양 환자들에게 종양 시퀀싱이 Medicare 및 Medicaid를 포함한 미국 의료보험报销 범위에 포함되었다는 점입니다.

열 년 전쯤 인류는 위대한 이정표를 찍었습니다: 「암 게놈 아틀라스(TCGA)」。하지만 당시 기술 조건下에서는 각 이산적 종양 종류마다 수백 명 환자 완료측정이 한계에 달했습니다. 환자 한 명당 샘플과 데이터 차원이 제한되었기에 의사들은 광범위 코호트에서 「집단 평균값」과 상위 빈도 돌연변이만을 억지로 찾았지만, 이러한 집단 통계 평균은 특정 개인의 환자에게 실질적 지침 가치가 매우 낮았습니다.

지금은 다릅니다: 그저 환자 자신의 완전한 게놈, 복사수 변이(CNV), RNA 발현, 가변 스플라이싱, 세포 상태 전개 등을 펼쳐놓으면 천연히 약 2만 유전자 차원을 아우르는 방대한 개인 독립 데이터세트가 구성됩니다. 과거 학술계가 동원했던 표층 데이터의 비중은 아마 0.1%도 안 됐을 것입니다. 이제는 전량 데이터가 확보되었으나, 이 2만 차원 광상을 실시간으로 완전 캐낼 수 있는 인프라가 진정으로 부족한 상황입니다.

둘째, 다중 에이전트로 「단일 환자 전담 실험실」은 어떻게 구축하는가?十年前Broad Institute나 Sanger Institute급 이정표 연구成事하려면 얼마나 많은 사람이 필요했을까요? 알고리즘 전문가, 인프라 엔지니어, 클러스터 운영, 변이 감지 전문가, 유전학자, 데이터 시각화 엔지니어를 동시에 배치한 뒤, 결과를 읽어낼 임상 의학박사까지 곁들이려면 쉽게 30~40명豪華重装팀이组成了.

오늘날 소프트웨어 업계가 모두 「소프트웨어 공장」을 논하듯, 바이omed 분야에서 같은 에이전트 아키텍처란 「AI판 전담 실험실 공장」을 의미합니다. 과거 30~40명최정생험전문가가 수개월동안 했던 클렌징, 군집화, 경로 추론을 전부 역할을 분담한 AI 에이전트 클러스터로 분해했습니다(하나가 임상시험 매칭을 전문으로, 하나가 안전/독성 증거를 검토, 하나가 생물학적 배경 및 최신 문헌을 독파). 화요일 오전 이식 가능한 신규 메커니즘이 발표한 논문이 나오면, 시스템은 오후에 즉시 데이터를 Pull해 치료를 받는 환자 계획에 반영하며, 수년간 계산되던 전주기역을 실시간으로 압축합니다.

저희가 Omanta에서 실제 환자 완화기 진입을 도와준 사례 두 가지 공유합니다:

  • 희귀 뇌종양 환자의 종계초 월극: 전통 의학은 해부학적 부위별로 종양의 rigid discrete label을 분류하며, 희귀암을 만나면 의사들의 손안 문헌은 blank에 가깝습니다. 하지만 세포 하층 생물학적 경로는 인간이 붙인 라벨 따윈 무시합니다. 신경모세포종과 폐선암은 완전히 동일한 경로로 구동될 수 있습니다. 전례 없는 뇌종양 환자 한 명이 약물이 없던 차, 다차원 데이터 세트 공간에서 재군집화해보니 분자 특징이 중간엽 기원 종양(Mesenchymal tumors)과 극도로 근접함을 확인했고, 실제 활성화된 세포 표지자 및 구동 경로를 따라 문헌이 전혀 언급하지 않았으나 핵심 메커니즘에 정확히 부합하는 새로운 치료 조합을 찾아냈습니다.
  • 복수 라인 화학요법 실패 교정 구제: 한 환자분은 앞서 3번의 세포독성 약물 화학요법을 모두 겪었으나 실패했고 삶의 질이 급락했습니다. 저희는 환자의 초기 원본 샘플에 클론 진화(Clonal evolution) 역추적을 실시한 결과, 데이터가 명확히 증명했습니다: 그의 종양 내 고도 이질성에 기반하여 병원에서 표준 관행으로 선택한 3가지 화학요법 방안은 근본적인 생물학 메커니즘상 그에게 적합하지 않다는 점이죠. 만약 이러한 자동화 연구 인프라가 Day 1부터就位했다면, 환자분은 처음 세 차례의 강독 화학요법 고통을 굳이 치르지 않아도 되었습니다.

셋째, 미래 전망을 말씀드리겠습니다. 이미 허가 받은 약물 재배치 외에, 앞으로는 구체적 환자 개인 실시간 맞춤형 신규 단백질 약물 및 전달 펩타이드를 설계할 것입니다. David Baker 팀의 Bennett 등 논문에서 이미展示了한 바와 같이 AI de novo 단백질 설계가 기존 R&D 탐색 주기를 10년 단축시킬 수 있으며, 지난해 Google DeepMind가 산타클래라에서 추진한 AI 과학자 협력 시스템(Co-scientist)과 결합하면, 모델이 꼭 top-tier 인간 교수진을 압도할 필요는 없습니다. 단지 표현이 충분히 근접하다면 전人類 차원으로 수천만 시간 단위의 실험 시행착오 시간을 대폭 절감할 수 있습니다.

질문: PPT에서 「오가노이드(Organoids)」를 향후 주요 데이터 원천으로 언급하셨는데, 개별 환자 전담 실험실 구축 시 오가노이드 방식이 정말 scalable可行性가 있나요?

알프레도 곤살레스: 아주 훌륭한 질문입니다. 저도 박사 과정에서 오가노이드 프로젝트를 수많이 참여했습니다. 객관적으로 지난 7~8년 사이 두 차례 오가노이드 창업热潮가 있었으며, 순수 과학적 feasibility로 보면 최고입니다: 오가노이드는 희귀 종양이 극히 결핍하는 생체 조직을 증식시킬 수 있고, 전이전 metastasis specimen처럼 바로 high-throughput 약물 perturbation testing에 활용 가능합니다. true bottleneck는 science가 아니라 병원 systemic flow입니다: 현재 대부분 병원에서는 수술을 떼고 난 직후 first reaction이 포름알데히드 고정액(Formalin fixation)에 바로 throw-in하는 것입니다. 이 한 step이 live cell을 완전히 죽여서 이후 오가노이드 배양 가능성을 차단합니다. 미래에 breakthrough해야 할 부분은 병원 frontend sample preservation infrastructure입니다.

질문: 실험실에서 희귀 종양의 true pathogenic pathway를 pinpoint하거나 약물도 맞췄다면, 현실에서 「마지막一步」는 어떻게 connect하나요? 담당 임상 의사가 보고서를 이해하고 처방을 내려주거나, 심지어 N-of-1 임상시험까지 single patient로 개설하도록 설득하는 방법은?

알프레도 곤살레스: 임상 의사는 항상 최종 의료 결정권과 책임 boundaries를 보유합니다. 하지만 저희가 실제 collaboration中发现一个 아주 positive 현실: contemporary 종양내과 의사의 workload가 극도로 heavy하고 extremely busy해서, 본인이 computation cluster를 build하고 whole-genome differential analysis를 run할 time이 absolutely 없습니다. 특히 환자的一线,二线 standard therapy가 sequential failure하고 의사가 experience에頼り next-line blind guess할 때, 만약 logic chain이 solid하고 evidence pack이 verifiable且具有多维生物数据的 report를 받을 수 있다면, 대부분의 임상 의사들은 이를 바탕으로 환자를 위해 new-plan을爭取하기를 매우 긍정적입니다.至於从零发起全新分子 N-of-1试验,则是另一套合规审批流.

질문: 최근 화제가 되는 「악성종양 역전(Reversal of malignancy)」 방향은 어떻게 보세요? 예를 들어 어느 한국 기관이 오가노이드 신호 모델로 암세포를 정상 세포 상태로 역전시킬 수 있다고 주장하는데.

알프레도 곤살레스: 구체적인 실험 세부사항에 대해 깊이 알지 못하므로 무작정 판단하기 어렵습니다. 다만 「악성 역전」 논의는 반드시 두 가지 핵심 지표로 봐야 한다고 봅니다: 첫째,你到底如何在 분자 또는 phenotype层面严格定义所谓的「逆转」(不同亚型甚至不同患者的演进阶段完全不同);第二,必须看到长期跟踪的患者真实临床预后数据作为支撑。

質問: 単一患者AI専用ラボで過激なアプローチを取る際、どのように絶対的安全を確保し、アルゴリズムの失敗が患者に致命的な害を与えないようにするか?

アルフレド・ゴンザレス: 安全性は常に第一です、むしろ逆で:このインフラストラクチャは治療の安全性を大幅に向上させるものです。私が先ほど述べた、無意味に3回の化学療法を受けざるを得なかった患者のケースのように、無効で有毒な選択肢を正確にフィルタリングすることは、傷害リスクを最小限に抑える最大の防御策となります。承認済みまたは第一期臨床安全性検証が完了した薬剤データベースからまず経路マッチングを行い、薬剤の安全プロファイルがすでに極めて明確であれば、仮に将来の「デノボ(新規)個人薬物分子」に至っても、現代臨床試験で成熟した用量登壇(Dose escalation)の安全制御経路を完全に遵守できます。

ユスフ・ルダニ:5億の単一細胞データベースが暴いたバイアスの罠、そして「自律的后訓練閉鎖ループ」によるバーチャルセルの加速

ユスフ・ルダニ(Intology AI 科学責任者、元 Arc Institute ML責任者): オーナーのご招待に感謝します!本日は本来「バーチャルセル」をお話しする予定でしたが、少し視点を変え、過去数ヶ月深く投入している大規模モデル自律的后訓練(Autonomous Post-Training)の作業と絡め、それが真に有用なバーチャルセル構築とどのような深遠な共通性を持っているかお話しします。

そもそも「科学発見」とは何か?科学探求は本質的に巨大な「探索難題」です:限りなく膨大な仮説空間に対し、研究者は最少の実験で最も効果的な情報を得たいと考えます。AlphaFoldやESMなどの分子モデルの第一の価値は探索を大幅に加速することにあります:すべてのタンパク質をウェット実験で結晶化する必要はなく、モデルで配列から直接三次元構造を推測し、高いコスパで実験優先順位を決定できます。

一方、バーチャルセル研究の中核的野望は、この計算能力を純粋な「分子配列レベル」から、現実の疾患症状や生理パターンに近い細胞、組織、さらに生命体全体レベルへと引き上げることです。実際の臨床試験が頓挫する最大の原因は、多くの場合分子結合ができないことではありません(既知標的でするターゲットに対して高親和性分子設計するのは私たちも非常に得意です)、むしろ「臨床有効性が立たない」のです。当初ターゲットを選定した段階で、生きた細胞を制御するためにどのスイッチを入れるべきか解っていなかったのです。人間が生体を極めて予測不可能にするのは、細胞が静的分子ではなく、絶えず激しく流動しカオティックに相互作用する複雑分子の混合物だからです。

細胞状態をモデル化するため、昨年初頭にNatureに掲載された我々の「ユニバーサル細胞埋め込みモデル(Universal Cell Embedding)」は直感的なアプローチを採用しました:数千の単一細胞の遺伝子発現量を「細胞×遺伝子」トランスクリプトカウント行列に拼接し、一部遺伝子発現をランダムマスクして自己教師あり予測再構築を行います。実は100年前、発生生物学者は著名な「ワディントンエピジェネティクス景観(Waddington Landscape)」を提唱していました:転写とエピジェネティックス制約により、生きた細胞は任意の混沌状態に自由に存在できず、大規模モデルの特徴空間内にあるような「低次元多様体(Low-dimensional manifold)」上に制限されています。

3500万の単一細胞を非教師あり自己符号化行列に入力すると、人工ラベルが全くなくても、モデル出力のUMAP多様体空間は百年の生物文献と完全に一致する細胞の大クラスとサブ群に自発的かつ精緻にクラスタリングされました!

しかし続く疑問があります:自然言語処理がインターネットのCommon Crawlを取得してスケールリング法則の奇跡を達成したが、細胞生物学でも同じ方法論を使えるか、全人類が集めた公共細胞ライブラリを一掃できるか?

今年前半Cellに投稿した別の研究で大胆にもこの試行を行いました(2025年当時Claude Codeはまだ普及しておらず、我々は業界最早一批の自律エージェントチームとしてデータマイニングに突入しました):エージェントを連続一ヶ月間走らせNIH公共トランスクリプトムライブラリの全単一細胞記録を自動クリーニングおよび再処理し、データ体量を一桁押し上げ、3500万から5億以上の細胞へ急増させました。

しかし全組織・細胞タイプのホットマップを興奮気味に分解した時、冷水を浴びせられた清醒な結果がありました:ネット上の5億以上の細胞データの大部分が竟然「免疫細胞」に集中しており、その中でもう半分(整整高出一個數量級)がT細胞だったのです! つまり、既存の全开源細胞庫を底まで翻しても、線形積み上げでは真の生物的広さと多様性は買えません。

したがって真の出口は無駄にデータを線形積むことではなく、「AIガイド付き実験へのシフト(Scaling AI-guided experimentation)」にあり:膨大なバイオテキストで全体像を掌握したClaudeやGPT類先端モデルを使い、次輪に湿実験で収集すべき希少細胞データのタイプを精密決定します。

開発を「仮説提案→実験検証→フィードバック更新」の循環構造と見ると、驚くべきことに現在AI前沿研究室で活発に行われている自律LLM後訓練(Autonomous LLM Post-Training)と再帰的自己改善(RSI)が直面しているのが、実に高度に一致したエンジニアリング難題であることに気づきます。湿実験を走るのも自動モデルを訓練するのも、核心は三つのボトルネックに直面せねばなりません:単回評価コストの高さ、実験/評価フィードバックのノイズ多さ、仮説探索空間のあまりにも巨大さ。

この発見がクロスを越えて通じるか検証するため、半年前に汎用自動化AI研究システムstartupであるIntology AIに入社しました。過去数ヶ月自制システムLocusが大型言語モデルが基盤モデルの後訓練を自律的に完了できるかどうか考察する権威リストPostTrainBenchで優秀な成績を収め、多数の一般的なプログラミングエージェントを上回りました。核心理由は玄学ではありません:市販の汎用プログラミングエージェント(Coding Agents)は根本的に「科学研究検索と仮説試錯」最適化されていません!

昨日公開された最新ベンチマークでは、純粋機械学習後訓練のシナリオでチューニングされたLocusシステムを、「AI分子設計と特性予測」タスクにほぼそのまま移設しました(エージェントに基盤モデル潜在空間ベースの高効率サンプリング検索とノイズ検証セット過適合防止制御を行わせる)。

結果、厳格に同一GPU計算予算サンドボックスを固定した条件下で、計算予算(H100 GPU時間)を高めるにつれ、科学的発見専攻のLocusはAnthropicやOpenAIの汎用プログラミングエージェントとの差を显著拉开,甚至在特定的采样效率测试中远超 BoltzGen 与 Codex 等现成工具(当然这些目前仍属于计算机模拟结果,下一步必定需要回归湿实验验证)。最让我想用经典细胞生物学教科书开篇第一句作为结语:「从许多方面来看,人类对宇宙结构的理解甚至胜过对活细胞内部运转机制的认知;我们虽已测完众多物种的全基因组,却依然无法预测哪怕只敲除一个尚未研究过的基因,细胞究竟会走向何方。」

现场提问: 你们在后训练过程中用什么具体技术(是强化学习 RL 吗)?你们如何评价仿真模拟(Virtual cell)与真实物理世界之间的差距?

Yusuf Roohani: 先回答后半句:每次我们在实验室完全相同的条件下测量同一个细胞,生物波动与检测仪器噪声本身就极大,所以「如何尽可能在噪声评价器中精准复现物理世界」本来就是最高难度的挑战,所有模拟评测最终都必须接受湿实验逼真度的考校。至于前半句,你点到了最关键的地方:传统的编程智能体根本没针对科学试错设计,没有专门负责长周期盯紧假设推进、控制单次实验算力或实验经费成本、以及对候选假说策略性排序的评判智能体(Judge agents)。恰恰是围绕研发流重构这套多智能体协作机制,才让自动化机器学习的成果丝滑迁移到了科学发现领域。

现场提问: 你最后一页图表横轴写的是「H100 算力时间」,你们对比时是如何做到对 Anthropic 与 OpenAI 公平比较的?另外你们是用 Token 消耗量还是训练步数来衡量成本?

Yusuf Roohani: 我们做的是完全受控同台对比:把我们自己的 Locus 系统以及来自 Anthropic、OpenAI 的现成自主代理系统放进完全相同的沙盒与完全相同的 H100 GPU 配额里运行。由于这个任务涉及调用大模型驱动科学模型的训练与微调,真正的瓶颈和账单大头落在 GPU 训练计算小时数(Compute hours)上,而不是纯推理对话 Token。

现场提问: 能不能稍微揭秘一点 Locus 的底层架构?比如它是怎么搭起来的?

Yusuf Roohani: 具体专有架构不便透底,但核心是以大语言模型为引擎底座,在外部围绕「实验思路提出、防验证集噪声过拟合、长期记忆检索」打磨了一系列科研专用工程策略。顺带一提,底层写代码确实还是用 Python(笑,真把秘密说漏嘴了)。

Francois Chaubard(追问): 在药物试验等每次取样成本极其高昂的现实世界里,样本效率至关重要,最近大模型界很多惊人提升其实源自不改模型权重的「持续性外挂框架(Continual harness)」与上下文记忆更新,你们觉得应该偏向重参数微调,还是框架与上下文工程?

Yusuf Roohani: 非常同意你的判断。尤其在生物自主研发与探索期,先优化外部 Harness(工具脚手架与上下文更新机制)绝对是性价比最高、见效最快的低垂果实;参数微调与后训练更适合当你确实要把高频能力固结下来做快速推理检索的时候。但为了保证通用发现能力不在单个榜单上盲目过拟合(Bench maxing),我们在早期探索阶段明显更克制改动权重,优先深耕 Harness 与推理框架设计。

Garyk Brixi:把 9 万亿碱基对当语言读懂生命密码,从 Evo 2 到发现全新 RNA 的 Minerva

Garyk Brixi(Stanford 博士生、Evo 2 团队负责人): 这两年大家每天都在用基于「下一个词预测(Next token prediction)」训练出来的语言大模型,人类能看懂英文、看懂代码、看懂数学公式,唯独盯着 DNA 碱基序列看时一头雾水。但某种意义上,DNA 就是经过亿万年自然选择写就的一部通用语言:DNA 编码 RNA 与蛋白质,蛋白质通过极度复杂的机理决定生物体是否健康、长多高;而自然选择再反过来筛选哪些 DNA 能存活并被测序记录。

过去三年里,光是 NCBI 公共数据库里的基因组数据量就已经翻了一倍。但对 DNA 建模极度棘手,因为它的词汇表只有区区 4 种碱基对,里面又塞满了在基因组内部到处疯狂自我复制的寄生序列与「冗余垃圾」,且尺幅跨越惊人:单单一个基因就可能长达数十万碱基对,却往往因为其中仅仅 1 个单碱基突变就会致命。

于是我们决定采用最简单粗暴也最纯粹的办法:打造一款全生命域通吃的 DNA 生成式预训练大模型 Evo 2(70 亿参数与 400 亿参数两档稠密模型,基于注意力与卷积混合架构)。训练过程中有一项核心秘诀往往被忽略:我们把公开抓来的绝大多数垃圾数据狠心扔掉了!

不仅每个物种严格只留 1 条高质量代表基因组、剔除高度相似冗余,把总规模浓缩成 9 万亿碱基对;在预训练主体阶段,我们还刻意围绕存在基因、RNA 及进化保守元件的功能区做数据重采样扩增,等于主动抛弃了数万亿无效噪声 Token,并先在短上下文学精基础语义、再拉长至 100 万碱基对超长窗口学习跨距组合规律。

把损失函数拉下来之后,怎么去跟一个「只会输出 A/T/C/G 的模型」对话呢?主要有两种路数:

  1. 当作极其敏锐的「生命因果判别器(Decision model)」: 模型读过全生命域真正存活下来的自然界 DNA,因此深谙什么样的序列「合乎自然规律」。只要输入一段带有基因突变的序列,如果模型给出极低概率(它认为这段代码很反常),就往往高度预示着功能丧失或致病风险。在癌症高危基因 BRCA1 突变临床评估测试里,Evo 2 仅仅见识过 1 套人类参考基因组,却在编码区与非编码区突变判断上打平乃至反超了人类专有有监督模型!而且消融实验证明,若偷懒留入 50% 随机全基因组序列,Spearman 相关性会骤降 0.16 并跌到榜尾,可见数据混合配比极其致命。
  2. 用稀疏自编码器(Sparse Autoencoder)做可解释性解剖,解锁全新基因生成: 打开 Evo 2 内部神经元特征后,我们发现仅仅靠「预测下一个碱基」,模型内部竟然自己长出了识别大肠杆菌前噬菌体(Prophages)、细菌防御 CRISPR 阵列以及被细菌征用的噬菌体单基因的特征神经元;这些片段在碱基序列上完全不同,模型却全靠无监督自学习打通了它们的生物功能关联。配合功能分类器微调后,团队从零生成了新型 PhiX 类噬菌体,该方向现已进入人体临床测试阶段。

而针对 Evo 2 过去在预测「远离位置之间协同进化(Co-evolution)与三维接触相互作用」上的短板,我们最近发布了全新双向模型 Minerva。它能直接通过模型内部的远距注意力权重,精准扫描并勾勒出拟杆菌等基因组里原本被传统生物统计漏掉的数以百计的全新非编码 RNA 结构。就在最近的一次湿实验验证中,我们实锤发现了一类名为 UG27 逆转录酶(UG27 RT) 的全新系统:它自带类似 CRISPR 的可编程非编码 RNA 阵列,能把 DNA 转成 RNA 再逆转录成带发夹结构的 DNA。虽然目前还没完全搞清它在自然界全部用途,但这证明了纯 DNA 语言模型已经具备直接充当人类新生物学发现引擎的硬实力。

现场提问: 你为什么最终选择在单核苷酸(Nucleotide)最小颗粒度上做词元切分(Tokenization),有没有试过类似 BPE 的多碱基词表?

Garyk Brixi: 就目前中小规模对照实验结果来看,在单核苷酸最细粒度上做切分,对精准识别单点致病突变(Mutation prediction)效果明显更好。当然,长远我也一直期待探索字节级端到端建模如何兼顾分辨率与计算长度。

现场提问: 有没有想过像具身物理 AI 那样做「双塔架构(Two-tower)」模型,一边塔读 DNA 序列,另一边塔直接用自然语言给生物学家吐出人话解读?

Garyk Brixi: 确实有很多团队正在朝几个互相竞争的路线冲刺:有的前沿大模型公司在文字预训练里直接混掺 DNA 序列训练,有的研究者把 DNA 模型嵌入向量对齐映射到大语言模型里。至于哪一种架构会最终胜出,目前还没有定论。

现场提问: 既然数据筛选与配比能让表现提升如此巨大,你们是怎么科学找出最优「预训练数据配比混合物」的?

Garyk Brixi: 坦白讲,在 2024 年底训练 Evo 2 属于「边写书边摸索」的第一批先驱,当时几乎没有前人预印本参数可直接抄作业。我们核心做法是在处理数据的同时同步构建了一整套紧密贴合生物学意义的评估集(Evals)和缩放定律分析(Scaling analysis),现在随着评测集越来越成熟,已经能比当年更加定向地按评测短板反向优化数据配比了。

现场提问: 你们既然已经在模型内部找出了这么多有生物意义的神经元特征,有没有试过用这些内部特征去定向干预引导(Steering)Evo 2,比如设计专门靶向结合癌细胞的 DNA 序列?

Garyk Brixi: 就在上周我们刚发了专门探讨「如何引导 Evo 2 生物设计」的几篇最新预印本。实话实说,现阶段单纯靠「机械可解释性神经元干预」去做定向生物设计的效果,还不如接下来下一位讲者 Divya 要展示的「上下文少样本提示(Prompting)」方案来得惊艳。

现场提问: 你刚才提到训练时每个物种基本只筛选保留一套基因组,那岂不是丢掉了人类群体内部的大量个体基因差异?可你们居然还能这么准地预测人类癌症致病突变,这背后是什么逻辑?

Garyk Brixi: 原因其实和经典的进化比较统计学完全相通:就算不跑深度学习,只要把上百种灵长类动物的基因组摆在一起对齐比对,凡是在漫长进化尺度下几乎纹丝不动、高度保守的碱基位点,通常都是核心命门,一旦发生突变大概率出大事。

相比之下,如果我们拿在座所有现场观众的个人基因组全投进去训练,海量 Token 算力都会浪费在人类之间高度重复的序列冗余上,根本学不出核心致病特征。在算力 Token 预算有限的前提下,优先喂给跨越整个生命树的多样性保守信号性价比极高;当然,要捕捉人类特有的复杂病症与调控,下一步就必须把群体多组学数据和前一位嘉宾提到的单细胞表达数据融进来。

Divya Nori:无需微调!4 条示例直接提示 DNA 大模型,小鼠大脑实验当场点亮

Divya Nori(Stanford 计算机博士生、Brian Hie 实验室研究员): 大家好!刚刚 Garyk 留下的悬念由我来揭晓:如何不改动任何权重、不用跑动辄成千上万条数据微调,仅仅通过「给基因组大模型写几条 Prompt(提示词)」,就能高效设计出全新生物元件?这项工作主要由 Alex Hao 博士后领衔,Garyk 和实验室 Brian Hie 教授等多位同事共同完成。

过去几年「少样本提示(Few-shot prompting)」彻底重塑了人们使用文本大语言模型的方式:哪怕不更新模型参数,只要在上下文塞入几封邮件范本,大模型靠预训练涌现出的「上下文学习(ICL)」就能瞬间领会指令格式与隐含规则。

但在生物序列设计领域,传统思路长期被卡在另一套极度依赖数据的范式里:例如早期论文为了生成有活性的 CRISPR-Cas9 系统,必须先拿几万个 CRISPR 位点去对 Evo 1 做全量微调;想生成完整微小噬菌体基因组,也得拿几千个微病毒科基因组对 Evo 2 做重度微调。可现实生物学里,大量全新靶点和稀有蛋白家族根本攒不出几千个带标注的训练样本。

令人惊喜的是,我们近期在 Evo 2 身上发现了一项此前几乎只在人类自然语言模型中出现过的神奇涌现属性:仅仅经过大规模单核苷酸下一字符预测的预训练,没有任何人教过它上下文学习,Evo 2 竟然天然自带了极强的少样本上下文学习能力! 这意味着你只需要在输入提示里给它看 4 个到十几个具备共同功能的 DNA 序列示例,模型就能自己在推理时推演出重组、突变算法,直接补全生成出一条兼具同样功能的新序列。

我们一口气在从 100 个核苷酸到 10 万个核苷酸的四大生物尺度上验证了这条新范式:

  1. 稀有天然蛋白(Lanmodulins): 这是一种革命性用于稀土金属采矿回收的高亲和力稀土结合蛋白,其中有个特定子家族在自然界里人类已知样本统共只有区区 14 条!我们直接把这 14 条序列塞进上下文提示词,零微调就成功提示 Evo 2 生成了全新的功能性目标蛋白候选序列。
  2. 抗体靶向结合设计: 直接借用基于三维结构生成模型产出的少量命中序列作为文本示例喂给 Evo 2,在完全不输入任何三维蛋白结构条件的情况下,成功针对我们测试的全部抗体靶点生成了高活性新命中序列。
  3. 复杂基因编辑系统重现(CRISPR-Cas9): 以前需要几万个数据做全量微调;现在仅仅把 4 条 CRISPR-Cas 位点示例放进上下文,Evo 2 就能一次性端到端连同 CRISPR 阵列、tracrRNA 和 Cas9 蛋白整套体系一起补全设计出来。
  4. 整套完整噬菌体基因组设计: 在仅付出全量微调方案零头算力的成本下,直接提示模型生成具备预期完整基因组架构的新型噬菌体。

但我们不止步于软件仿真预测,还把这套范式真正推进到了动物湿实验,着手设计细胞类型特异性增强子(Cell-type specific enhancers)(这是决定基因疗法药物能否只在特定脑区或特定病灶精确表达而不误伤健康器官的关键核心开关)。

在把增强子提示能力做到极致时,我们也回应了前一场大家关注的「如何后训练 Evo 2」的问题:我们用序列到功能预测模型(类似 AlphaGenome,能直接预测某段调控元件究竟会在哪类细胞里激活)作为奖励函数(Reward model),并引入了防止投机作弊、控制 DNA 序列熵与 GC 含量的约束,通过 GRPO 强化学习循环对 Evo 2 进行后训练微调,专门放大模型利用上下文范本提示的能力!

随后 Alex 在湿实验室里把这套经强化学习加持的模型少样本设计出的新型增强子打进了真实小鼠大脑里。现场幻灯片右侧清晰的脑片荧光显微镜照片证明:特定目标脑区成功发出了清晰且高度特异的荧光亮斑!

展望未来,这种「数据高效率上下文条件控制(Data-efficient conditioning)」将把生物设计彻底带入「实验室闭环(Lab in the loop)」时代:科学家手握一小池自然序列范例,让 Evo 2 用 ICL 批量发散出多种新方案,经计算机快速筛选(In silico filters)后挑出最优设计送进湿实验测试,随后直接把测试命中的真实验证序列再插回到下一轮 Prompt 示例池中持续滚雪球。

而且人类语言模型积累下来的推理时增强与脚手架技巧,都可以无缝照搬进生物设计世界。今天分享的所有内容都已收录于我们上周刚公布的两篇预印本论文中。

现场提问: 能不能具体展开讲讲你们针对增强子所做的强化学习后训练机制、奖励函数和防刷分机制?

Divya Nori: 整体环境设计比较标准高效:我们先给出在特定目标细胞类型中已知活跃的天然增强子示例提示 Evo 2,让它批量采样生成一批新候选序列;随后送进类似 AlphaGenome 的「序列到功能」预言机模型预测每条新序列在各个细胞类型里的特异性激活得分,作为 GRPO 算法更新 Evo 2 权重的奖励信号;同时为了防止模型在优化过程中走捷径「作弊(Reward hacking)」,我们在奖励里专门加了保证 DNA 序列熵正常、GC 碱基含量合理的正则约束项。

现场提问: 你认为 Evo 2 为什么会涌现上下文学习能力?对于基因簇之类的相邻结构我还能理解,可为什么连抗体序列设计都能出现这种提示即用的泛化效果?

Divya Nori: 说实话一开始我们自己也非常惊讶,因为模型根本没接受过专门的 ICL 训练。学术界对自然语言大模型出现 ICL 有几个主流解释,放在基因组数据里竟然奇迹般严丝合缝:第一,自然序列同样服从典型的长尾幂律分布与突发性(Burstiness),某些罕见 k-mer 片段只在特定局部上下文成簇扎堆出现;第二,基因组天然充满大量语义相关与平行对称结构。

而从我们在预印本里做的内部机制剖析来看,Evo 2 的注意力层里竟然真的长出了与自然语言模型几乎一模一样的「诱导头(Induction head)」机制来执行模式识别与上下文类比。

现场提问: 在「上下文提示 + 强化学习设计增强子」的任务里,这种效果究竟多大程度归功于预训练权重里早已背下来的经典表达模式,又有多少是真的临场靠 Prompt 里的新模式在发挥组合创造力?

Divya Nori: 这正是「权重内化先验」和「上下文现学组合」之间的精彩权衡。具体就增强子而言,它们在 Evo 2 浩瀚的全生命域预训练语料里本身占比就极度稀疏;所以我认为虽然模型肯定用到了底层序列物理先验,但更大一部分突破性的特异性表达调控,确实是靠 Evo 2 实时读懂 Prompt 里这几条新范本的核心基序(Motifs),并将它们直接精准重组设计出来的。

Francois Chaubard: 非常精彩!再次感谢 Divya,也感谢今晚到场的所有嘉宾和朋友们!