16,740 文字
私たちは設立当初から、この大きな野望に向かって会社を立ち上げました。これは特定の適応症や特定の標的に向けた治療薬を開発することだけではありません。本当に考えているのは、AIによる非常に汎用的な薬剤設計エンジンをどのように作るか、単一の標的や単一のモダリティだけでなく、あらゆる異なる疾患領域に何度も適用できるものを作ることです。そして今、私たちはそれに向かって進んでいるところです。
今日は、アイソモーフィック・ラボのチーフAIオフィサーであるマックス・ジェイダーバーグをお迎えできることを嬉しく思います。同社はAIを使って創薬を革新するという目標を掲げてDeepMindから誕生しました。昨夏、彼らはAlphaFold 3をリリースしました。これは、タンパク質の構造だけでなく、すべての分子とそれらの相互作用をモデル化できるという驚くべきブレークスルーです。
このことがきっかけでディミス・ハサビスは昨年ノーベル化学賞を受賞しました。マックスは、薬剤設計における理想的なモデルと科学のためのエージェントがどのようなものかというビジョンについて語ります。彼はAlpha StarやCapture the Flagの構築経験と、より広くゲームにおけるエージェント構築の研究方向との類似点を示します。
特に、10の60乗もの可能な薬剤分子構造があることを考えると、潜在的な設計空間全体を探索して検索する方法を学ぶことができる生成モデルとエージェントの両方を構築する必要があります。マックスはまた、AIによる薬剤設計において超人的な創造性のレベルを示し、人間自身も驚かせるようなものが現れる、この分野における「GPT3の瞬間」がどのようなものかというビジョンについても語っています。それはAlphaGoの有名な「37手目」に似ているかもしれません。
これは私のお気に入りのエピソードの一つです。お楽しみください。
マックス、今日はロンドンでお会いできて本当にありがとうございます。いやいや、こちらこそ喜んで参加させていただきます。タイミングも素晴らしいですね、AlphaFold 3の発表と、ディミスがノーベル化学賞を受賞したこと、これはあなたとチームがここ数年で成し遂げたすべてを証明するものですね。
そうですね、2024年は私たちにとって間違いなく忙しい年でした。大きなブレークスルーがたくさんありました。ノーベル賞は本当に信じられないことでした。この画期的な研究に対する素晴らしい評価だと思います。
あなた自身の経歴についてお聞きしたいと思います。DeepMindでCapture the FlagやAlpha Starを含む多くの画期的な論文を執筆されるなど、深層学習の世界で最初から素晴らしいキャリアを積まれてきました。当時、深層強化学習の分野でどのような重要な疑問を持っていたのか教えていただけますか？
はい、DeepMindでは様々なことに取り組みました。初期のコンピュータービジョンや深層生成モデルなどです。しかし、本当に私を惹きつけたのは強化学習でした。当時、DeepMindは強化学習に取り組むには世界で最高の場所でした。そして私たちの心の中にあった疑問は、「どうすれば任意のタスクに取り組めるAIを実現できるか」ということでした。
当時の主流のパラダイムは教師あり学習でした。教師あり学習と強化学習は異なります。どちらも学習技術ですが、教師あり学習では、質問に対する答えを知っていて、それでモデルを訓練します。教師あり学習では、例を与え、その質問に対する答えをモデルに提供します。
これは、訓練しようとしているAIやニューラルネットワークが解決すべき問題についてすでにすべてを知っている場合には素晴らしいことですが、ほとんどの場合はそうではありません。世界には答えがわからない問題がたくさんあります。
私がAIを世界にどう応用したいかを考えると、人間がすでに優れていることに応用するのは素晴らしいことですが、本当のフロンティアは、人間がやり方を知らないところやパフォーマンスに限界があるところにAIを応用し始めることができるかという点です。
そして強化学習はここで主要なツールの一つであり、本当の可能性を秘めています。強化学習では、質問の答えを知る必要はありません。モデルが与えた答えが良いか悪いかを言えるだけでいいのです。もしかしたら、どれだけ良いか悪いかさえも。
これにより、これらのモデルを訓練するための全く新しい問題領域が開かれます。そして強化学習と、DeepMindの初期の大きなブレークスルーの一つであったアタリのようなゲームに取り組んだ経験から、「これを、ポンやスペースインベーダーの世界から、実際の世界の問題のように見え始めるものにどうやってスケールアップできるか」という疑問が生まれました。
そこで、これらの方法をスケールアップするにつれて、素晴らしい研究の流れがありました。ちなみに、Sequoiaはかつてアタリの最初の投資家だったことをご存知ですか？そうなんですか？知りませんでした、素晴らしいですね。
そうなんです、あのアタリゲームは、エージェントを持って、横でポンゲームをやりながら楽しむのに最適でした。Sequoiaのオフィスには素晴らしい壁があり、伝説的なIPOや買収の名前が書かれています。「ピザカンパニー」という会社があって、これが何か知っている人に尋ねるのが好きなのですが、実はChuck-E-Cheeseで、当時のSequoiaの元々の投資先だったんです。素晴らしいですね。
キャプチャー・ザ・フラッグとアルファスターは当時画期的な成果でした。これらのブレークスルーがどのようなものであったか、またなぜこれらの特定のゲームを選んだのか教えていただけますか？
AI研究でビデオゲームを使う歴史を考えると、そもそもなぜビデオゲームを使うのでしょうか？ビデオゲームは、研究者や科学者として操作でき、異なるアルゴリズムをテストし、異なる状況を設定できる、完全にカプセル化された柔軟な世界です。新しいアルゴリズムを開発するための完璧なテスト環境なのです。
そして、強化学習の研究者として、AIをできるだけ汎用的にするにはどうすればいいかと常に考えていると、「アタリを攻略したけど、もっと複雑なゲームをどうやって手に入れるか」と考えます。
私が個人的に執着していたのは、これらのエージェントがどんなタスクでもこなせるようにしたいということでした。これは、当時アタリでトレーニングしていた強化学習の一般的なパラダイムとは少し異なります。通常、強化学習ではゲームを与えてトレーニングし、上達させ、その後同じアルゴリズムを異なるゲームにゼロから適用します。
私が望んでいたのは、エージェントをトレーニングして、それを任意の新しいタスクに移し、そのエージェントがさらなるトレーニングなしにそのタスクでうまくパフォーマンスを発揮できるようにするというシナリオでした。そのためには、タスク空間にわたる一般化を本当に求めていることになります。
つまり、多くのトレーニングタスクが必要です。このRLエージェントのトレーニングデータは、画像やテキストではなく、タスクになります。ゲームスタジオを全部使って、バーチャル世界で何百もの異なるタスク、小さなミニゲームを手作業で作ることもできるでしょう。実際私たちはそうしました。
さらに手作業を超えて、これらのタスクやゲームを手続き的に生成することもでき、世界やマップ、異なる目標を生成することもしました。しかし、複雑さの上限に常に当たります。手作業や設計で作れる複雑さには限界があります。
ここでマルチプレイヤーゲームが登場します。シングルプレイヤーからマルチプレイヤーに移行すると、エージェントだけがプレイするのではなく、ゲーム内に別のプレイヤーがいます。そしてその別のプレイヤーや他のプレイヤーは多くの異なる特性や行動を取ることができます。
つまり、異なるプレイヤーごと、対戦する異なる戦略ごとに、ゲームの基本的な性質とエージェントが達成しようとしていることが変わります。なぜ人々がまだチェスに夢中なのか考えてみましょう。プロのチェスプレイヤーがなぜまだチェスをプレイし続けるのでしょうか？同じゲームですが、実際には日ごとに全く異なる対戦相手と対戦し、新しい人が世界に入ってくるからです。
つまり、ゲームは常に変化しています。マルチプレイヤーゲームやマルチエージェントゲームは、他のプレイヤーがいることから生じる、遭遇する可能性のあるタスクの巨大な多様性を実に見事に包含しています。
キャプチャー・ザ・フラッグは、マルチプレイヤーゲームをどのように使って強化学習アルゴリズムをストレッチできるか、新しいタスクへの一般化やこれらのマルチエージェント・ダイナミクスにどう対処するかを強く考えさせる最初の取り組みの一つでした。
キャプチャー・ザ・フラッグは素晴らしいブレークスルーでした。これらのマルチプレイヤーファーストパーソンゲームで人間レベルのパフォーマンスに到達できることを示しました。そしてもちろん、スタークラフトはさらに多くの複雑さを追加し、次のフロンティアとなりました。
あなたはこの分野で非常に早くから活動されていましたが、これらの概念は現在の言語の世界で非常に関連性があります。この作業がまだ展開されているのを見てどう感じますか？
素晴らしいですね。実際に素晴らしいことです。7年前、2015年、16年、17年、18年に私たちが話していたことがたくさんあります。そして、これらの基本的な概念がすべて、今日の大規模言語モデルの世界で本当に有用で適用可能であり、当時夢見ることしかできなかったパフォーマンスをもたらしているのを見るのは、非常に満足感があります。
あなた自身の言葉で、「おもちゃから実際のアプリケーションに移った」と言われましたが、正しいレシピを見つけたと確信したのはいつですか？
私は深層学習が大好きです。10年、15年ほど前から深層学習に夢中になっています。私が深層学習について好きなのは、これらの基本的な概念、基本的なビルディングブロックがあり、それらが異なるアプリケーション空間間で信じられないほど転用可能だということです。
2012年のコンピュータービジョンで使っていたのと同じビルディングブロックを、初期の生成モデルや言語、そして強化学習などで使用していました。何度も何度も見てきたのは、これらの基本概念、同じ基本概念を取り、信じられないような人々、これらの概念をどうやって組み合わせるかを理解している「マスターシェフ」のような人々を集め、非常に困難な問題に取り組むことができるということです。
当時、学会で業界の主要研究者に話すと「いや、これは10年先の話だ」と言われるような問題ですが、頭の中では「実は、基本的にもう解決している」と思っていました。そしてそれが何度も何度も起こるのを見てきました。素晴らしい人々、素晴らしいアルゴリズム、素晴らしいコンピューティングパワーを本当に困難な問題に適用すると、今や多くの問題を解決するためのレシピを見つけることができます。
そして私はこれらの方法の応用にかなり執着してきました。この技術が世界に本当に変革的なポジティブな影響を与えるのを見たいと思っています。だから、実際にそれを追求し始める必要があり、数年前からその時が来ていると思います。
さて、あなたは今、私たちの時代の最も野心的なミッションの一つに着手しています。AIによる創薬と薬の開発を再構築することです。もしすべてがうまくいってアイソモーフィックのビジョンが実現したら、世界はどのようになるでしょうか？
私たちはアイソモーフィックで本当に大きく考えています。ここで全ての病気を解決したいのです。本当にそのくらいの規模です。私たちが構築しているこの技術、そしてAI全体の分野は、生物学を理解する方法、その生物学を調節するために化学を操作し設計する能力において完全に変革的になるでしょう。
私たちは、全ての病気を解決する未来、AIが治療薬の発見や創造、設計を助けるだけでなく、私たちの生物学的世界、細胞がどのように機能しているのか、病気の根本原因は何かをもっと理解し、それにより調節できる新しい経路を開くことを本当に考えています。
私たちは初日からこの大きな野望に向かって会社を設立しました。これは特定の適応症や特定の標的のための治療薬の開発についてではありません。本当に考えているのは、非常に汎用的な薬剤設計エンジンをAIでどのように作るか、単一の標的や単一のモダリティだけでなく、あらゆる異なる疾患領域に適用できるものをどのように作るかということです。そして今、私たちはそれに向かって進んでいます。
この「汎用的であること」を目指すことによって、実際にはどのように初日から構築方法が変わりましたか？
良い質問です。創薬におけるAIの現状について考えると、化学と生物学における機械学習モデルの使用が多くありますが、私はこれらの最初の世代の応用の多くをより「ローカルモデル」と呼んでいます。
特定の標的や、特定の種類の分子がどのように振る舞っているかについてのデータがあり、このデータに対して小さな多層MLPをフィットさせます。これにより、次のラウンドの設計につながる予測を生成するのを助けます。これは私たちがやろうとしていることとは全く逆のアプローチです。
初日から、化学と標的空間を横断して一般化するモデルを作成することを目指していました。その主要な例がAlphaFoldとAlphaFold 3です。これはあらゆる種類の標的に適用できるモデルです。
プロテオーム内の、タンパク質の宇宙内のどんなタンパク質にも適用でき、微調整する必要なく、どんなローカルデータにもフィットさせる必要なく、思いつく任意の小分子にも適用することができます。これにより、化学者がこれらのモデルを使用する方法が完全に変わります。すべてのアプリケーションにこのモデルを適応させる必要がないからです。
私たちの内部研究プロジェクトはすべて、この創薬エンジンの画期的なものを実現させるために何が必要かを考えると、「半ダース程度のAlphaFoldが必要」と考えています。AlphaFoldはストーリーの一部分に過ぎません。
初日から、これら半ダースの問題に取り組む内部研究プログラムを設定してきました。もちろんAlphaFoldと構造予測で大きなブレークスルーがありましたが、他の重要な分野でも同様です。そしてこれらすべてのモデルにおいて、それらは汎用的であり、任意の標的に適用できます。また、私たちが発見しているのは、それらが任意のモダリティ、少なくとも多くの異なるモダリティに適用できるということです。
「半ダース程度のAlphaFold」というのは初めて聞きました。もう少し詳しく教えていただけますか？
そうですね、AlphaFold 2は生体分子構造、つまりタンパク質の構造を理解するための大きなブレークスルーでした。そして、AlphaFold Multimmerと呼ばれるものがあり、それによって個々のタンパク質だけでなく、タンパク質が集まって複合体と呼ばれるものを形成する構造も理解できるようになりました。
つまり、これらのタンパク質がどのように組み合わさるかを理解することで、生物学における多くの質問に答える助けになります。しかし、治療薬を設計するにはまだ大きなギャップがあります。治療薬の大きなクラスの一つは「低分子」と呼ばれるものです。これらはタンパク質ではない分子です。カフェインやパラセタモールのような、より頻繁に錠剤として摂取できるものです。
これらの治療薬、これらの低分子がどのように機能するかというと、体内を通過し、細胞内に入り、実際にはこれらのタンパク質に付着します。タンパク質は生命の基本的な構成要素であり、他のタンパク質と相互作用することで分子機械を形成します。
あなたの薬である別の分子が来てこちらのタンパク質に付着すると、そのタンパク質が日常生活の正常な機械の一部である別のタンパク質と相互作用する能力を妨げる可能性があると想像できます。そしてそのタンパク質の機能を低分子で調節しているのです。
これが創薬とどのように治療薬が機能するかの本質です。化学者として、あるいは薬剤設計者として、あなたの仕事はこちらのタンパク質に合致し、その通常の機能を妨げる、あるいは場合によってはその通常の機能を強化する小分子を設計することです。
そのため、この小分子がタンパク質とどのように相互作用するかを理解することが本当に役立ちます。どのような構造を形成するか、どのような相互作用があるかを理解できます。これらは文字通り物理的な相互作用です。
これがAlphaFold 3の創造に本当に影響を与えました。現在、タンパク質の構造だけでなく、これらのタンパク質が低分子とどのように相互作用するか、また他の基本的な分子機械の構築ブロックであるDNAやRNAとどのように相互作用するかを予測するモデルを持っています。
これにより、薬剤設計の中核部分である構造的理解の能力が開かれます。低分子が開かれ、転写因子のような新しいクラスの標的も開かれます。これはDNA上に座り、DNAを読み取るタンパク質です。小分子を設計してそのような機能を変更または妨害することを想像できます。
そのためには、これがすべて3Dでどのように見えるかを本当に見たいでしょう。そして、小分子に変更を加えた場合、それがこのタンパク質とこの生体分子システムとどのように相互作用するかにどのように影響するでしょうか。
AlphaFold 3は現在非常に正確です。これらの質問の多くに、完全にシリコン内で、つまりコンピュータ上だけで答えることができます。以前は研究室に行き、文字通りこれらを結晶化する必要がありました。これには6ヶ月かかることもあります。数年かかることもあります。時には不可能なこともあります。現在アイソでは、私たちの薬剤設計者はラップトップとブラウザベースのインターフェースで、自分のデザインを理解し、変更を加え、その影響を見ることができます。
AlphaFold 3が焦点を当てている相互作用にはいくつかありますね。タンパク質と核酸、タンパク質とリガンド、抗体と抗原の間の相互作用です。これらの異なる種類のタンパク質と分子の相互作用に対してAlphaFold 3が現在持つ影響の良い例をいくつか挙げていただけますか？
タンパク質とリガンド、これはタンパク質と低分子と同じです。この2つの用語、リガンドと低分子は同義語です。これにより、低分子薬がどのように相互作用するかを理解できます。また、タンパク質とタンパク質の相互作用についても考えることができます。バイオロジクスと呼ばれる治療薬の全クラスがあります。
これらは抗体のようなものです。これらがターゲットとどのように相互作用するかを理解することができ、新しいモダリティを開きます。そしてそれは抗体抗原インターフェースも包含しています。抗体を設計する場合、あなたの抗体設計がタンパク質表面とどのように相互作用するかを理解したいでしょう。ですから、これらの異なるアプリケーションすべてに同じモデルを使用できるのです。
AlphaFold 3のようなモデルをトレーニングする際の微妙な点と、拡散ベースのアーキテクチャを使用する利点は何ですか？
良い質問です。AlphaFold 3を機能させるために克服しなければならない課題がたくさんありました。最も興味深いことの一つは、タンパク質だけで機能していたAlphaFoldのようなものを取り、これらの新しいモダリティ、つまりRNA、DNA、低分子といった新しいデータタイプをどのように入力するかということでした。
タンパク質だけでなく、DNAやRNAをどうトークン化するか、低分子をどうトークン化するかを考える必要がありました。DNAやRNAのようなものに関しては少し明らかで、塩基でトークン化することができました。しかし低分子については、様々なことを試みました。最終的に、この原子レベルの解像度でのトークン化が非常にうまく機能しました。
そして次の質問は、「この異なる分子タイプの混合物の構造をどのように実際に予測するか」です。AlphaFold 2と同じフレームワークは使用できませんでした。ここで拡散モデリングが本当に輝きました。
ここでは実際に個々の原子一つ一つと各原子の座標を個別にモデル化し、拡散モデルがそれらの3D座標を生成するようにすることができました。そして私たちが話したトークン化は、その拡散プロセスの推論を条件付けています。
これは大きなブレークスルーでした。私たちのリーダーボードでは、特に小分子タンパク質の相互作用精度において、大きな飛躍が見られました。それはプロジェクトの残りの部分をブロック解除する大きな飛躍でした。
データ、計算能力、アルゴリズム、これら3つが他の隣接分野で重要であることは知られています。しかし、ディミスとのインタビューで「生物学ではデータに制約されていない」と共有されていたことに驚きました。それについてのあなたの見解を教えていただけますか？
どの機械学習分野にいても、ある程度のデータ制約を感じると思います。ディミスのポイントは、それが本当のボトルネックではないということです。つまり、存在するデータや生成できるデータで進歩することができ、実際の進歩が可能だということです。
「世界がデータを生成するのを50年待ってから実際に影響を与えることができる」というわけではありません。そのようなことは全く見ていません。データが何年も存在していたモデリング空間があり、人々が以前に経験したことのない本当に大きな進歩を遂げることができます。
それはバイオロジーにデータのチャンスがないということですか？絶対にそうではありません。これらのモデルやシステムを開発し続ける上で、どのようなデータを生成するかが基本的な部分になるでしょう。そこには私の考えでは大きなチャンスがあります。
機械学習のためのバイオロジーのデータはまだ作成されていません。歴史的なデータはたくさんありますが、その歴史的なデータは機械学習の目的のために作成されていません。モデルをトレーニングするためのデータを作成しようとする時、過去の人々がデータを生成していった方法とは非常に異なることを考えています。そこには探索する大きなチャンスがあります。
現在、どのようなデータが不足していると思いますか？合成データが必要だと思いますか？
はい、私は合成データの大ファンです。実際、キャリアの最初から合成データのファンでした。博士課程の学生だった頃、数千の画像しかアクセスできなかったのに対し、Googleは何百万もの画像を持っていました。そこで大量の合成データを生成することでこの問題を解決しました。
特に化学の分野でも同じことが起きています。私たちは良い理論を持っています。物理学について多くのことを知っており、量子化学や量子力学の理論があり、そこからシミュレーターを作ることができます。それを近似し、より拡張性のある分子動力学シミュレーションを作ることができます。これが合成データの全体的な基盤を提供します。
そして、特に生成モデルを持つモデル自体が、スコアリングシステムを使ってこのデータの情報内容を強化するのに役立つデータを生成することができます。
しかし、大きなオープンスペースの一つは「インビボデータ」と呼ばれるものでしょう。これは通常、実際の動物、マウスやラットなどで測定するデータです。そこにはいくつかの歴史的なデータがありますが、大量に生成することはできません。実際にはまったく生成できないのです。
そこで、新しいデータ生成技術に目を向ける大きなチャンスがあります。「チップ上のオルガノイド」のような素晴らしいことをしている人々がいます。通常なら実際の動物で測定するものを、完全にチップ上で測定し始める方法です。
生物学と化学におけるデータ生成技術に関する全く新しいブレークスルーが出てくるでしょう。それが、その世界のモデリングについてどう考えるかにも大きな影響を与えるでしょう。
内部でそのような取り組みをしていますか、それとも他のプレイヤーがそのギャップを埋めることを期待していますか？
内部的には、アイソモーフィック・ラボ自体のラボは持っていません。しかし、多くの他の企業と協力しています。私たち自身で多くのデータ、多くの独自データを生成しており、その素晴らしい影響を見てきました。それは理にかなっています。
分子の構造をモデル化し、その機能と機能の調節をモデル化することは非常に重要だが、必ずしも薬の開発における制限要因ではないという見方があります。その点についてどうお考えですか？
以前に触れたように、薬の設計は本当に複雑です。薬の開発、つまりそれらの設計を実際の人々に取り入れて臨床試験を行う段階にさえ到達する前に、この設計と開発の全空間に多くのボトルネックがあります。
薬の開発は、どのように臨床試験を始めるか、これらの薬をどのように人々にテストするか、これを本当にタイムリーかつ安全な方法でどのように行うかということです。そこには業界全体が取り組む必要がある多くのボトルネックがあります。
これらの分子が人々とどのように相互作用するか、どれほど毒性があるかを予測するモデルがより良くなるにつれて、臨床試験へのアプローチを変更する必要があります。最終的には、本当に切実に必要としている患者の手に治療薬を届けるためです。
分子自体の設計においても、これらの分子の構造を理解するだけでなく、これらの分子がタンパク質の機能をどのように変えるかを理解するだけでもありません。私たちは、これらの分子が体内のほぼすべてのタンパク質の機能をどのように変えるかを理解する必要があります。錠剤として摂取すれば、それはどこにでも行くからです。これが毒性の主な原因です。
あなたが病気に重要だと知っている特定のターゲットを完璧に調節する素晴らしい分子を設計したが、それが他のものにも影響を与えるということです。もちろん、それに対して多くのスクリーニングを行いますが、より予測できるようになればなるほど良いでしょう。
私の観点から本当に興味深いのは、この分子がこのターゲットとどのように相互作用するかを理解するこれらの汎用モデルを作成しているなら、なぜ同じモデルを使って、これらの分子が私たちの体の残りの部分とどのように相互作用するかを理解できないのかということです。
現在AlphaFold 3で可能なことは、薬剤設計者にとって何ですか？内部でどのように使用していますか？
AlphaFold 3は、私たちの薬剤設計者に、彼らの分子設計が実際にこのタンパク質ターゲット、つまり病気のターゲットとどのように相互作用するかを理解する能力を与えます。そのため、薬剤設計者は設計に変更を加え、その変更がこの分子が物理的にタンパク質ターゲットとどのように相互作用するかをすぐに見ることができます。
これは本当に強力です。AlphaFold 3以前は、これに対して完全に盲目でした。あなたの分子がタンパク質とどのように相互作用しているかを実際には知らなかったでしょう。最高の直感を使っていたかもしれません。おそらく薬剤設計プロジェクトの後の方で、特定の設計を結晶化された構造を取得するでしょう。
それは実際の研究室に行って、運が良ければ6ヶ月後に3D構造を解決することを意味します。しかし、それでさえただ単一の設計の3D構造であり、あなたが加えるすべての変更ではありません。そのため、AlphaFold 3は化学者がこの設計作業を行う方法を完全に変えます。
しかし、私が強調したいのは、これは私たちが行きたい所からはほど遠いということです。なぜなら、これらの分子が相互作用する様子を見るだけではなく、これらの分子がこのタンパク質とどれだけ強く相互作用するかを実際に知りたいからです。私たちはこれらの分子の他の特性も知りたいです。
これらの分子がこのタンパク質とどのように相互作用し、それがタンパク質の折りたたみや構造をどのように変えるか、それがタンパク質の機能をどのように変えるか、それが実際に細胞のダイナミクスをどのように変えるかを理解したいです。多くの質問があり、これらは私たちが取り組んでいる他のAlphaFoldのようなブレークスルーです。私たちはこの設計プロセスで化学者が使用している信じられないモデルを作成しました。
内部的にいくつかの薬剤を設計されていますね。どのようなターゲットとプログラムに焦点を当てていますか？
私たちは内部で非常に興味深い薬剤設計プロジェクトのプログラムを持っています。これらは免疫学と腫瘍学に焦点を当てています。そこで素晴らしい進歩を遂げており、特にこれらのモデルがこれらのプログラムでの薬剤設計へのアプローチ方法をどのように変革したかを見るのは本当に興味深いです。
また、イーライリリーとノバルティスとも協力しており、最近ノバルティスとのパートナーシップの拡大を発表しました。これらのパートナーシップがどのようなものか教えていただけますか？
はい、私たちはこれらの最初のパートナーシップ、イーライリリーとの一つとノバルティスとの一つを締結しました。それは素晴らしいことでした。彼らは本当に難しい問題を私たちに持ってきました。例えばノバルティスが私たちに持ってきたターゲットは、ノバルティスが10年以上取り組んできたようなターゲットであることは秘密ではありません。これらは「試してみよう」という問題ではなく、本当に難しいものです。
昨年は私たちの内部プロジェクトにとっても、これらのパートナープロジェクトにとっても素晴らしい年でした。これらのモデルがどれほどうまく機能しているかを実際に見ることができました。それにより、新しい化学物質を発見することができました。長い間人々が取り組んできたこれらのターゲットを調節する新しい方法を見つけました。
ノバルティスとのコラボレーションを拡大したこの新しい契約を見るのは素晴らしいことであり、これらのパートナーシップの初期の成功を本当に証明していると思います。
おめでとうございます。たった1年でこれは素晴らしいマイルストーンだと思います。チームについて少し話したいと思います。AIから化学、生物学に至るまで、様々な分野で最高レベルの才能を持つ本当に優秀なチームを構築されました。また、従来の考え方に疑問を投げかけるために外部の人々も招き入れています。このことについてどのように考えていたのか教えていただけますか？
創薬のためのAIの分野はまだ長く存在していません。そのため、創薬の世界的な専門家であり、かつ機械学習や深層学習の世界的な専門家である人を見つける可能性はほぼゼロです。これらの分野が十分に長く共存していなかったからです。
アイソが育成している新しい種類の科学分野だと本当に考えています。なぜなら、この交差点に生きて呼吸している人々がいるからです。しかし、これらの人々を雇うことができないため、創薬や医薬品化学の世界的な専門家と、機械学習と深層学習の世界的な専門家をどうやって連れてきて、これらの素晴らしい人々を隣同士に座らせるかを本当に考えています。
なぜなら、これらの素晴らしい人々が孤立したチームに座っているだけでは十分ではないからです。互いの言語を話し、多くの共感と好奇心を持って、この新しい科学を理解し、自分の言語で直感を構築するために好奇心を持って隣同士に座る人々が必要です。
化学や生物学についての知識がない一般的な機械学習者が入ってきて、医療化学者や薬剤設計者の問題を理解し始めるという、このダイナミクスから素晴らしいものが生まれるのを見てきました。
私たちの研究のために機械学習者や機械学習科学者、エンジニアを雇うことについて考えるとき、チームの60％、70％、80％の人々は化学や生物学の事前知識がなく、高校や大学レベルの知識しかありません。それは実際には大きな資産になり得ます。少し素朴な状態で入ってくるからです。そして好奇心があれば、鍵となるのは好奇心旺盛な質問、「馬鹿げた質問」をすることです。それにより、問題に対して最初の原則から取り組むことができます。
これにより、以前の経験の教義や人々が伝統的にこれらの問題にアプローチする方法を突破することができます。ゼロから考えることができます。それが研究のブレークスルーを生み出す方法についての私たちの考え方の多くです。少し素朴で非常に好奇心が強く、高い主体性を持つことは非常に良いことです。そのとおりです。
昨年11月、AlphaFoldサーバーを立ち上げ、学術利用のためのコードとモデルの重みを公開するという大きな動きもされました。その理由について教えていただけますか？
AlphaFoldには、この学術的・科学的利用のためにオープンであるという長い系譜があります。AlphaFold 3の最新のブレークスルーにより、この科学コミュニティがこの機能にアクセスできることを確認することが本当に重要でした。
なぜなら、AlphaFold 3は創薬に非常に役立つだけでなく、基礎生物学や生物学を理解するための他の多くの分野にも役立つからです。人々は非常に創造的な方法で私たちのAlphaFold 3サーバーとモデルを使用しています。
そのため、非商用の学術的な仕事のためのこのような無料の使用を確保することが私たちにとって非常に重要でした。そのサーバーの採用と使用を見るのは素晴らしいことです。
AlphaFoldの今後についても少しお話ししたいと思います。これからのAlphaFoldについて何か予告してくださいますか？
構造予測という問題に関して、私の心の中では、これを完全に解決したいと思っています。AlphaFold 3はその道のりの素晴らしい一歩であり、大きなブレークスルーです。しかし、それは100％の精度ではありません。
この分野で100％の精度とは何を意味するのでしょうか？科学の多くの分野と同様に、境界を押し広げ始めると、問題がさらに多くの問題に開かれていくのが分かります。それが科学を行うことの中毒性の部分です。
AlphaFold 3はその良い例だと思います。これらの能力を得始めると、実際にはさらに深い問題があり、それに取り組みたいと思い、それに向かって進んでいることが分かります。
ですから、はい、構造をより良く、より正確に理解することは常に私たちにとって興味深いことですが、必ずしも静的な構造だけではありません。AlphaFold 3は、これらの分子、これらの分子がどのように相互作用するかの結晶化されたバージョンであるほぼ静的な結晶構造をモデル化します。
しかし実際には、私たちの中に結晶はありません。これらの分子は溶液中にあり、動き回っています。動的です。だから、これらのシステムのダイナミクスを理解することも本当に興味深いかもしれないと考えることができます。
AI生物学におけるGPT-3の瞬間とはどのようなものであり、いつそこに到達するのでしょうか？
GPT-3について考えると、これは本当に生成モデルです。テキストを生成するものです。私にとってのGPT-3の瞬間は、「私たちにはテキストの生成モデルがあり、それらはいくつかのものを生成し、それはテキストのように見えるけれど、それが人間によって生成されたものであると確信できない」という境界を越えた時でした。
GPT-3は「これは人間のように見える」と感じ始める最初のポイントでした。つまり、この生成モデルは実際にトレーニングされたデータの分布を再現しています。
生成モデルとは何でしょうか？生成モデルはトレーニングされたデータのマニフォールドに適合するものです。これを生物学に適用すると、GPT-3の瞬間で、これらの生成モデルが実際に現実にどのように見えるかを再現し始めることを考えることができます。
それは非常に興奮させることです。なぜなら、これらのモデルが吐き出すものが実際に世界に存在するか、私たちはそれを検証することができるか、あるいは世界に存在する新しいものを発見するかもしれないことを意味するからです。あるいは、それらは世界に存在する可能性があります。つまり、私たちが設計したり、製造したり、作成したりして、実際に安定して機能し、私たちの物理的現実に存在する可能性があるものかもしれません。
生物学におけるこの面白いことは、言語とは異なり、言語が人間レベルの質で何かを生成すると、それは人間に由来しているので理解できますが、化学と生物学の多くの問題は私たち自身が理解するのに苦労しているということです。
だから、そのGPT-3の瞬間に到達すると、それはGPT-3よりもずっと少なく見えるでしょうが、AlphaGoの「37手目」のようにずっと感じるでしょう。人間の理解を超えているけれど、実際の世界に、私たちの物理的現実に存在するけれども、人間の理解を超えているものを見始めるところです。それは本当に驚くべきことでしょう。
実際、内部で私たちの生成モデルで見始めていることは、人間の薬剤設計者が「それについてはあまり確信がない、これの方がいいと思う」と言うようなデザインを作成しています。そして物理的な現実でテストすると、生成モデルが正しく、人間が間違っていることがあります。
37手目の類似性が素晴らしいですね。モデルが創造性の要素を見始め、人間を超えるとき。その通りです。37手目はリー・セドルとのAlphaGoゲーム中のこの素晴らしい一手でした。
それはゲームの37手目で、世界を、囲碁の世界を驚かせました。なぜなら、それは人間には解釈できなかったからです。それは間違いのように見えました。囲碁をプレイする人間の歴史の何千年もの間、誰もこの手を打ったことがありませんでした。そして、ゲームが展開するにつれて、これがAlphaGoがそのマッチでリー・セドルを打ち負かすことを可能にした重要な一手であることが判明しました。
私たちは、特に化学や生物学のような人間の理解の外側にあるものに適用するとき、これらのモデルからこのような行動がたくさん出てくるのを見ることになるでしょう。
私たちは初めてのAIによって生成された薬を臨床試験で、また第1相、第2相、第3相試験でいつ見ることになるでしょうか？
私たちは薬剤設計プログラムに関して素晴らしい進歩を遂げています。私が実際に考えることは、これらのAI設計された資産、これらの分子が臨床段階に入り始めるにつれて、どのようにその臨床開発に関わり始めることができるかということです。
これらの分子を、満たされない医療ニーズがとても多いため、できるだけ早く、そして安全に人々に届けるためにです。
ここでは、規制機関と関わる新しい方法は何か、この分子が病気に対してどのように機能するだけでなく、体の残りの部分とどのように相互作用するか、どのような種類の毒性を引き起こすかなどの予測モデルを組み込む新しい方法は何かを考えています。
このプロセスを合理化し、スピードアップするための多くの機会があると思います。AIモデルがこれらの分子をはるかに迅速に、はるかにターゲットを絞った方法で、それらがどのように機能するかについてはるかに多くの知識を持って設計できるようになるにつれて、人間の臨床試験について考える方法を完全に変える可能性もあります。
それがゲームを変えるでしょう。しかし、それがどのように変わるかを本当に理解するために、業界として長い道のりがあると思います。
最後の質問です。アイソモーフィックが成功し、潜在的に分野全体が成功した場合、伝統的な製薬の世界はどうなりますか？
ある意味で製薬会社はAIを使用することになると思います。5年後にAIなしで薬を設計するという世界はないと思います。それは避けられません。数学を使わずに科学をしようとするようなものでしょう。
AIは生物学と化学のための基本的なツールになるでしょう。すでにアイソモーフィックの世界ではそうなっています。誰もが使用するでしょう。
だから、それは「製薬会社かAIか」ということではなく、業界全体がそれに適応するという意味で一つになるでしょう。
素晴らしいです。マックス、今日は参加していただきありがとうございました。これは魅力的な会話でした。いえいえ、こちらこそ楽しかったです。ありがとうございました。
コメント