从疾病识别到生命代码

津渡生科所做的头一件事, 乃是将疾病识别当作一个切入口, 这一方向极具实用性, 然而其野心并不只局限于这般, 有着更为长远诸多盘算。

公司切实想要去做的事情, 乃是塑造生命科学范畴的底层操作系统, 如同英特尔界定了PC时代的算力那般, 津渡生科期望界定AI时代生命科学的研发模式, 且具有研发模式。

EVO2的底层逻辑

靠预测下一个词来进行学习的是传统大语言模型, 这种学习方法会受到基于人类已整理好的知识范围所产生的限制, EVO2所走的是一条与之不同的路。

它采用直接把RNA组、蛋白质组、代谢组等原始测序数据拿来做训练的方式, 促使模型自己去寻觅数据里潜藏的疾病模式, 并非依靠人工进行标注。

从读懂结构到理解代码

多组学大模型EVO2, 是全球首个基于原始测序数据预训练的, 其训练有着两个阶段性步骤, 首先是要使得模型去理解生物序列的基本规律, 其次是要让该模型能够自主进行下一个碱基的预测。

这表明AI不再优先去看那由人类整理好的「字典」, 而是径直从生命的原始信号当中展开学习这样的方式, 能够让模型寻找到人类未曾察觉到的生物规律。

科研周期的革命性缩短

由津渡生科所推出的Agent物理AI科研平台, 将整个科研流程予以打通, 先是从科学问题的提出开始, 接着发展到AI理解, 随后进行实验方案的设计, 再到设备执行以及数据的回流, 最终形成完整的闭合环状流程。

可以快速完成海量文献阅读以及综述的文献检索智能体, 能将原本要是数月的周期压缩到一周的实验设计智能体。传统实验室失败的经验常常会跟随人流而流失掉, 然而在这个系统当中, 每一回失败都转变为能够复用的训练数据。

牛津团队的硬核路线

津渡生科是由四位身处牛津大学获取了博士学位的人士所创立的, 其中创始人金泳成, 其导师是那三代测序领域占据巨头地位的Oxford Nanopore的创始人Hagan, 该团队拥有生物工程方面的能力, 还有人工智能以及计算生物学方面的能力, 并且具备商业运营维度的全方位能力。

滕宇航, 这位高特佳投资执行合伙人作出评价称, 津渡生科将生命科学基础研究转化成了能够进行订阅、可以实现扩张的基础设施。金泳成有着更为明确的目标, 即并非仅仅满足于售卖软件, 而是要去搭建生命科学领域的智能操作系统。

从实验台到生产线

当下, 津渡生科所拥有的Agent物理AI科研平台, 已经在众多知名高校实现了落地。这一套系统其中的核心价值是, 促使AI实实在在地进入实验室, 对相关设备进行操控, 促使它执行相应任务, 转而成为科研人员值得信任的助手。

要是AI有了自行「通宵」去做实验的能耐 , 科学发现将告别得靠天才偶然得来的灵感 , 摇身成为能够预期 、可以规模化推进的进程。倘若你当下正钻研AI制药或者精准医疗 , 你可认为津渡生科的模式会对自身研究方向起到改变作用呢? 欢迎于评论区交流你的想法。