愛這個項目！！恭喜 @samuelhking、@pdhsu 和 @arcinstitute 團隊！ 我想說兩句： 將 AI 用於生物設計最好被視為一種翻譯器。讓我們用英語表達，然後將其翻譯成 DNA，反之亦然。我們不知道如何用零件設計一個噬菌體，但 Evo 1/2 是通過“閱讀”來自自然的超過 200 萬個噬菌體基因組進行訓練的，因此它學會了“說”噬菌體 DNA。因此，我們可以要求它生成一個——就像你可以要求 ChatGPT 為你生成一首中文詩，即使你自己不會說中文。 我們已經在蛋白質語言上訓練了 AI 模型，如 Alphafold 和 ESM，這效果很好——這篇論文表明我們可以在更高的複雜性水平上做到這一點。這個 AI 模型能夠處理多基因噬菌體基因組，而不僅僅是單個基因。非常令人興奮的展示，這項工作通過實際製造和測試設計的噬菌體來很好地證明了這一點。它們有效！ 在我看來，有兩個明顯的未來方向，最終會取得成功： （1）該模型應該根據它對設計的噬菌體的學習進行重新訓練，以便它能夠更好地理解人類的請求並將其翻譯成 DNA。這種“強化學習”類似於谷歌教 AI 模型下棋的方式——你讓模型玩一局遊戲，然後告訴它是贏了還是輸了。在這裡，你會讓模型設計數百萬個噬菌體，在實驗室中構建它們，然後告訴它不同設計的表現。 （2）我們應該看看在數百萬個細菌基因組上訓練的模型是否能讓我們構建一個 AI 設計的完整細菌細胞，類似於這裡為噬菌體所做的。這將檢驗我們是否能夠將一個英語請求翻譯成一本 DNA 書（最簡單的細菌需要 500,000 個 DNA 字母），而不是噬菌體的 DNA 詩（噬菌體中有 5,000 個 DNA 字母）。 這將是一個國家級的科學里程碑，因為細胞是所有生命的基本構件，美國應該確保我們首先實現這一目標。 為了做到（1）和（2），我們需要在進行實際溼實驗生物學以構建 DNA 和測試生物體性能的效率上有顯著改善。值得注意的是，他們只構建了 302 個噬菌體設計並測試了 16 個設計——這是因為溼實驗工作太慢且昂貴。解決這個問題的辦法是實驗室自動化——我很高興看到 NSF 投資 1 億美元用於 AI 可控的自動化雲實驗室和其他將使美國科學基礎設施更高效和工業化的努力。白宮的 AI 行動計劃也提到了對這些“雲啟用實驗室”的需求。 再次，太棒的工作了！！！