### AI生物学家：当「基础模型」与「生物学混沌」相遇，多模态模型和自然语言处理能否成为解谜的关键？

在当今的AI for Biology领域，基础模型成为了热门话题。研究人员希望将更多数据输入更大的模型中进行计算测试，以预测细胞状态如何响应化学扰动的变化，识别更好的酶来降解塑料或开发具有类似药物特性的蛋白质结合剂。这些研究建立在越来越容易获得的基因组数据之上，预示着一个光明的未来。

然而，FutureHouse的联合创始人兼首席执行官Sam Rodriques认为，真正的生物学研究与当前的基础模型存在差距。他指出，在NeurlPs等AI生物学会议上，真正从事生物学研究的专业人士并不多。例如，《Nature》和《Science》期刊上的最新研究展示了复杂的生物现象，如长非编码RNA（lncRNA）在神经元可塑性中的作用、癌细胞通过脂质代谢物逃避免疫机制以及钙调磷酸酶和PKA对睡眠-觉醒周期的调节。

Sam表示，这些复杂的生物学发现很难通过现有的多模态基础模型实现。尽管基础模型可以识别某些生物分子，但难以理解其在复杂生物过程中的具体作用。例如，基础模型可能识别出lncRNA，但无法将其与染色质重塑联系起来；同样，它可能识别出黑色素瘤细胞的代谢变化，但无法解释这些变化如何阻止CD8+T细胞的激活。

问题在于，机器学习模型擅长处理结构化数据，而生物学本身是高度非结构化的。例如，lncRNA在调节染色质结构中的作用无法通过现有的蛋白质、DNA或虚拟细胞模型来表示。每个生物学发现似乎都需要独特的表示空间，这使得构建能够全面描述生物现象的模型变得异常困难。

Sam认为，自然语言可能是解决这一问题的关键。自然语言已经发展到足以表示人类所能思考的所有概念，并且足够灵活地表达生物概念的多样性。将语言和生物学结合起来的一种方法是使用语言代理，如FutureHouse构建的PaperQA2。这种代理可以通过文献搜索工具、蛋白质结构预测工具等快速分析生物数据，并撰写准确的维基百科风格文章。

此外，将自然语言与蛋白质、DNA、转录组学等结合的训练模型也显示出巨大的潜力。前提是添加结构化数据类型不会限制它们表示非结构化概念的能力。生物学的历史表明，最有效的工具往往来自自然界。正如CRISPR技术一样，自然语言作为一种古老的工具，可能成为解开生物学奥秘的重要手段。

本文来源：