专访斯坦福Arc创始人Patrick Hsu：独家揭秘未来AI制药路线图

Arc 研究所创始人 Patrick Hsu 访谈实录

来源：Arc Institute's Patrick Hsu on Building an App Store for Biology with AI

整理：Charles

AI新药价值论 原创编译 转载请注明

Arc 研究所（Arc Institute）由联合创始人 Patrick Hsu 等人创立，作为CRISPR先驱张锋的得意弟子之一，Patrick致力于将前沿 AI 与生物学融合以重塑科学发现。近期，他与合作者创建了名为 EVO 2 的生物学基础模型，该模型通过学习生命的基础信息层——DNA，来解释和生成跨所有生命领域的基因序列。

在本次访谈中，作为基因组编辑和生成式生物学领域的先驱，Patrick Hsu 分享了他对 AI 与生物学结合的看法，详细介绍了 EVO 模型的原理、在药物研发之外的广阔应用，以及他对科研范式、瓶颈与未来图景的思考。他认为，AI for Bio 的潜力远不止于药物设计，更在于构建一个对生物学全尺度的综合理解。

目录

• 01 AI for Bio 的真正瓶颈与广阔前景

• 02 EVO 模型：直接从 DNA 学习分子逻辑

• 03 愿景：为生物学构建一个“应用商店”

• 04 AI 如何影响药物研发的流程与文化

• 05 未来预测：从虚拟细胞到编程生理学

01. AI for Bio 的真正瓶颈与广阔前景

关于 AI 新药研发的现状

Patrick Hsu：即使我们能完美设计出无数药物分子，仍然必须在动物和人身上进行测试，这才是真正的瓶颈。通过监管流程需要数年时间。我想强调一点，机器学习在生物学领域的应用（ML for Bio）不仅仅是药物设计，这只是生物学潜力的一个重要但狭窄的部分。

关于生物学的统一理论与 AI 的应用

Patrick Hsu：我一直对一个想法很感兴趣：生物学其实有一个统一的理论——进化论。它作用于生物学的所有尺度，从行星到生态系统，再到个体、细胞和分子。我们实验室训练了一系列名为 EVO 的模型，灵感就来源于此，试图将生物序列与生物功能直接联系起来。

诺贝尔奖曾授予蛋白质领域的 AI 应用，但蛋白质只是由 DNA 编码的一部分。作为基因组生物学家，我认为生命所需的一切，包括 RNA 和调控元件，都编码在 DNA 中。因此我们提出疑问：能否直接在基因组上训练一个长上下文模型，让它通过理解 DNA 中嵌入的所有信息，学习分子相互作用如何导致生物功能？事实证明，这种方法非常有效，例如我们的模型在预测致乳腺癌突变方面已是同类最佳，并能设计新的 CRISPR 系统。

02. EVO 模型：直接从 DNA 学习分子逻辑

关于 EVO 模型的工作原理

Patrick Hsu：你可以将 EVO 理解为一个高效的长上下文模型，它通过“预测下一个碱基”的方式进行训练。就像语言模型通过预测下一个词来学习语法一样，EVO 通过预测下一个碱基、氨基酸或基因，学会了构成一个细胞的分子逻辑。

一个具体的应用是解读“意义不明的变异”（VUS）。基因测序会发现大量突变，除了少数已知的致病突变，大多数突变的功能我们并不清楚。科学家们称之为 VUS，这其实是一种花哨的说法，意思是“我们完全不知道这是怎么回事”。但 EVO 模型对这些突变有自己的“看法”，并且在判断其是否致病方面，表现达到了顶尖水平。

关于为何不进行“实验室在环路中”的湿实验

Patrick Hsu：我们从 DNA 入手，原因有二。首先，我们认为 DNA 是生命最基础的信息层。其次，从实用角度看，这是我们拥有数据最多的地方。这些数据来自整个科学界，过去超过 25 年里，所有发表论文的测序数据都必须上传到公共数据库，如“序列读取档案”（Sequence Read Archive）。这里汇集了地球上几乎所有物种的基因组。

可以说，进化本身就是一场已经完成的宏大实验。正是基因突变让我们彼此不同，也让我们与其它物种不同。我们的模型通过观察这个包含数万亿 Token 的庞大数据集来学习其中的规律。这就是 EVO 系列模型的核心洞见：如果你能准确预测下一个碱基，这个碱基或许就决定了你是健康，还是会患病。

03. 愿景：为生物学构建一个“应用商店”

关于从序列直接到功能

Patrick Hsu：像 AlphaFold 那样遵循“序列-结构-功能”的路径非常优美。但我们使用 EVO 的方式更直接，就像使用 ChatGPT：DNA 进去，DNA 出来。有趣的是，我们人类并不擅长说“DNA 语言”。使用 EVO 的感觉，就像你在使用一个俄语模型，但其中只有 1% 的词是英语。你需要构建大量的注释和可解释性工具来理解模型的输出。我们对生物语言模型的提示工程探索才刚刚开始。

关于 EVO 开源后的生态

Patrick Hsu：我希望是每一个人都来参与。当一个工具能显著降低使用门槛时，它就会变得有用。我相信未来会出现一个由各种模型组成的“动物园”，不仅用于分子建模，更会覆盖科学方法的每一步。如果 2025 年是“AI Agent之年”，科学智能体将是一个巨大的热点。我们希望在 EVO 这样的基础层之上，人们能构建一个生物学的“应用商店”。

关于 Arc 研究所的角色

Patrick Hsu：我们创立 Arc 的初衷，是希望有一个“母舰”，能够支持长期的、多学科交叉的研究，以攻克那些单一大学或公司难以解决的重大问题。我们不以在顶级期刊上发表论文为首要目标，而是更关心能否创造出有形的、能被广泛使用的技术和平台，并最终真正治愈某些疾病。

04. AI 如何影响药物研发的流程与文化

关于 AI 在药物开发中的作用

Patrick Hsu：这是一个非常深刻的问题。制药公司大部分的钱都花在了药物开发（development）上，而非药物发现（discovery）。AI 在这里确实大有可为。目前，AI 的一个实际用途是处理海量的监管文件，进行总结和撰写。

但更根本的是，这个行业的成功率大约只有 10%。为什么 FDA 监管如此严格？因为如果 90% 的药物最终都会失败，他们必然会极度关注安全性。AI 的承诺在于，如果我们能将成功率从 10% 提升到 20%、30% 甚至 50%，整个行业的逻辑都将被改变。

关于 AI 对科研文化的影响

Patrick Hsu：过去的科学论文充满了远见和宏大叙事，而今天的论文则非常务实，文化氛围是“给我看数据”。这是因为我们缺乏预测能力，一切都得在实验室里通过“猜测和检验”（guess and check）来完成。而模型的价值在于，一个即使只有中等预测能力的模型，也足以带来变革。当模型有了预测力，人们就会更愿意相信预测结果，这会成为一种新的证据，从而改变科研文化，让研究不再那么依赖繁琐的试错。

关于模型动物到人体的转化难题

Patrick Hsu：因为这些都是不完美的模型。我们之所以要按部就班地走完细胞、类器官、小鼠、猴子、人体的实验流程，正是因为我们没有预测能力，所以必须在真实世界中一步步验证。这个过程耗时耗力。预测模型的希望不仅在于其预测能力本身，更在于它能让你以大规模并行的方式模拟实验。你可以同时运行一万个智能体进行虚拟测试，而不需要花费五年时间和数亿美元去等待一个结果。要实现这一点，我们需要一个值得信赖的“预言家”（trusted oracle）。

05. 未来预测：从虚拟细胞到编程生理学

关于对未来的时间表预测

Patrick Hsu：

• 到 2025 年：我希望我们能实现“即点即用”地设计出功能完整的抗体药物，并能从头设计全新的酶。

• 到 2030 年：我的预测是我们能拥有准确且有用的“虚拟细胞”模型。我们需要为细胞建立一个类似蛋白质数据库（PDB）的预训练数据库，这将帮助我们设计更好的药物靶点，提高新药研发的成功率。

• 到 2050 年：希望远早于此，我们能看到科学超级智能的出现，实现科研方法的端到端闭环，拥有一个完全自动化的、垂直整合的湿实验平台。

关于更前沿的研究方向

Patrick Hsu：我花了很多时间思考如何编程生理学（program physiology）。我们通常思考的生物编程是药物范式，如分子如何结合蛋白。但想想激素或者像 Ozempic 这样的药物，它们能以非常强大的方式编程你的思维、感受和行为。

我们实验室正在深入研究内感受（interoception）——即你的身体如何与大脑对话。例如，运动后的“跑步者高潮”与肠道中的一种特定细菌有关，它能产生一种分子，通过神经系统促使大脑释放多巴胺。反过来，长期的心理压力也会通过大脑信号引起肠道炎症甚至溃疡。如果我们能理解并调控这些深层机制的“旋钮”和“开关”，就可能开创一种全新的药物范式，不再是还原论的“分子-靶点”模式，而是更接近整体的、让你“感觉更健康”的模式。

文章来自于微信公众号“AI新药价值论”，作者是“Charles”。