Summary & Insights
While computer chips advance at an exponential rate, the development of new drugs has been moving in the opposite direction—becoming slower and more expensive for decades, a problem starkly illustrated by the fact that 90% of drugs that enter clinical trials fail. This “Eroom’s Law” sets the stage for a conversation with biochemist and AI researcher Patrick Hsu, who argues that artificial intelligence is poised to fundamentally reshape the painstakingly slow, manual process of biological discovery. At his nonprofit ARC Institute, Hsu and his team are building foundation models like EVO—a “ChatGPT for DNA”—that can generate entirely new, functional biological sequences, and virtual cell models intended to predict how cells will respond to genetic or drug-based perturbations. The goal is to flip the script from today’s inefficient “guess and check” methodology to a “model-first, lab-in-the-loop” approach, guiding scientists directly to the most promising experiments and therapeutic targets.
Hsu explains that the core challenge in drug development isn’t just creating a compound, but first correctly identifying the biological target—the specific protein or pathway causing a disease. For complex conditions like Alzheimer’s or many cancers, this target remains elusive. AI models trained on vast genomic and cellular data could analyze the combinatorial interplay of countless genetic factors and predict which “knobs to turn” to correct a diseased state. This would move research beyond simple single-gene associations to understanding polygenic traits, drastically narrowing the search space for potential therapies. The immediate payoff would be a significant increase in efficiency in basic research; the long-term translation could be doubling the success rate of clinical trials by ensuring drugs are aimed at the right targets from the outset.
The conversation grounds this ambitious vision in tangible proofs-of-concept. Using EVO, ARC researchers successfully designed a novel, functional bacteriophage (a virus that infects bacteria) that was both effective and able to be steered to target specific bacterial strains—a leap with potential for precise antibiotic alternatives. In another application, the model demonstrated a sophisticated ability to interpret “variants of unknown significance” in genes like BRCA1, predicting with high accuracy whether a never-before-seen mutation would be benign or disease-causing. For Hsu, the mission is also personal, driven by watching his grandfather succumb to Alzheimer’s. He sees the disease as the ultimate test case for their AI-driven blueprint, one that could eventually be applied to a wide range of complex human ailments.
Surprising Insights
- AI can invent functional biological entities: The EVO model designed a novel bacteriophage virus from scratch. This AI-generated sequence, which had never existed in nature, was synthesized in the lab and successfully infected bacteria as intended.
- Biology labs haven’t fundamentally changed in decades: Despite massive technological advances elsewhere, the core workflow in a biology research lab—with its benches, pipettes, and manual processes—looks remarkably similar to how it did in the 1980s, highlighting the depth of the inefficiency problem.
- AI is already outperforming databases on genetic diagnosis: For interpreting tricky genetic mutations, the EVO model showed it could potentially outperform static clinical databases by making nuanced predictions about the pathogenicity of never-before-seen variants in genes like BRCA1.
- The primary goal is accelerating discovery, not replacement: The focus at ARC is on creating “bicycles for the mind”—AI co-pilots that handle combinatorial search and grunt-work prediction to augment human creativity and intuition, not replace the scientist’s “opinionated sense of taste.”
Practical Takeaways
- Embrace AI as a research co-pilot: Scientists and students can immediately integrate AI tools to summarize literature and design experiments, moving towards a workflow where models rank top hypotheses for lab testing.
- Focus on target identification: The high failure rate in drug development underscores that finding the correct biological target is as critical as designing the drug itself. New technologies should be evaluated on their ability to illuminate these causal mechanisms.
- Prepare for interpretable AI in medicine: As models like EVO advance, there will be a growing need for robust clinical validation frameworks and regulatory pathways to responsibly integrate AI-driven genetic diagnostics into healthcare.
- Apply platform technologies to specific challenges: The approach of using general AI models (like EVO for DNA or virtual cells for physiology) to tackle a hard, specific disease (like Alzheimer’s) creates a blueprint that can be adapted to other complex conditions.
Hsu giải thích rằng thách thức cốt lõi trong phát triển thuốc không chỉ là tạo ra một hợp chất, mà trước hết là xác định đúng mục tiêu sinh học—protein hoặc con đường cụ thể gây bệnh. Đối với các tình trạng phức tạp như Alzheimer hay nhiều bệnh ung thư, mục tiêu này vẫn còn khó nắm bắt. Các mô hình AI được huấn luyện trên khối lượng dữ liệu di truyền và tế bào khổng lồ có thể phân tích sự tương tác tổ hợp của vô số yếu tố di truyền và dự đoán “cần vặn núm nào” để điều chỉnh trạng thái bệnh. Điều này sẽ đưa nghiên cứu vượt ra khỏi các mối liên hệ đơn gen đơn giản để hiểu các đặc tính đa gen, thu hẹp đáng kể không gian tìm kiếm các liệu pháp tiềm năng. Lợi ích trước mắt sẽ là hiệu quả nghiên cứu cơ bản tăng lên đáng kể; về lâu dài, tỷ lệ thành công của thử nghiệm lâm sàng có thể tăng gấp đôi bằng cách đảm bảo thuốc nhắm đúng mục tiêu ngay từ đầu.
Cuộc trò chuyện minh chứng cho tầm nhìn đầy tham vọng này bằng các bằng chứng cụ thể. Sử dụng EVO, các nhà nghiên cứu tại ARC đã thiết kế thành công một thể thực khuẩn mới (virus lây nhiễm vi khuẩn) có chức năng, vừa hiệu quả vừa có thể điều hướng để nhắm vào các chủng vi khuẩn cụ thể—một bước nhảy với tiềm năng tạo ra các phương án kháng sinh chính xác. Trong một ứng dụng khác, mô hình này thể hiện khả năng tinh vi trong việc diễn giải “các biến thể có ý nghĩa chưa rõ” ở gen như BRCA1, dự đoán với độ chính xác cao liệu một đột biến chưa từng thấy sẽ lành tính hay gây bệnh. Với Hsu, sứ mệnh này cũng mang tính cá nhân, được thúc đẩy bởi việc chứng kiến ông nội của ông qua đời vì Alzheimer. Ông xem căn bệnh này là trường hợp kiểm tra tối thượng cho kế hoạch dẫn dắt bởi AI của họ, một kế hoạch cuối cùng có thể áp dụng cho nhiều loại bệnh phức tạp ở người.
### Những Hiểu Biết Bất Ngờ
* **AI có thể sáng tạo các thực thể sinh học có chức năng:** Mô hình EVO đã thiết kế một virus thể thực khuẩn mới từ đầu. Chuỗi do AI tạo ra này, chưa từng tồn tại trong tự nhiên, đã được tổng hợp trong phòng thí nghiệm và thành công lây nhiễm vi khuẩn như dự định.
* **Phòng thí nghiệm sinh học về cơ bản không đổi trong nhiều thập kỷ:** Bất chấp những tiến bộ công nghệ lớn ở các lĩnh vực khác, quy trình làm việc cốt lõi trong phòng thí nghiệm nghiên cứu sinh học—với bàn thí nghiệm, pipette và các quy trình thủ công—trông vẫn rất giống những năm 1980, làm nổi bật mức độ của vấn đề kém hiệu quả.
* **AI đã vượt mặt các cơ sở dữ liệu trong chẩn đoán di truyền:** Về việc diễn giải các đột biến di truyền phức tạp, mô hình EVO cho thấy nó có thể vượt trội hơn các cơ sở dữ liệu lâm sàng tĩnh bằng cách đưa ra dự đoán sắc thái về khả năng gây bệnh của các biến thể chưa từng thấy ở gen như BRCA1.
* **Mục tiêu chính là đẩy nhanh khám phá, không phải thay thế:** Trọng tâm tại ARC là tạo ra “xe đạp cho trí óc”—các AI đồng hành xử lý tìm kiếm tổ hợp và dự đoán công việc nặng nhọc để bổ trợ cho sự sáng tạo và trực giác của con người, chứ không thay thế “khiếu thẩm định có chủ kiến” của nhà khoa học.
### Điểm Rút Ra Thực Tiễn
* **Chấp nhận AI như một đồng nghiệp nghiên cứu:** Các nhà khoa học và sinh viên có thể tích hợp ngay các công cụ AI để tóm tắt tài liệu và thiết kế thí nghiệm, hướng tới quy trình làm việc nơi các mô hình xếp hạng các giả thuyết hàng đầu để kiểm tra trong phòng thí nghiệm.
* **Tập trung vào việc xác định mục tiêu:** Tỷ lệ thất bại cao trong phát triển thuốc nhấn mạnh rằng việc tìm đúng mục tiêu sinh học cũng quan trọng như thiết kế thuốc. Các công nghệ mới nên được đánh giá dựa trên khả năng làm sáng tỏ các cơ chế nguyên nhân này.
* **Chuẩn bị cho AI có thể diễn giải được trong y học:** Khi các mô hình như EVO tiến bộ, sẽ ngày càng cần các khung xác thực lâm sàng vững chắc và lộ trình quản lý để tích hợp chẩn đoán di truyền dẫn dắt bởi AI vào chăm sóc sức khỏe một cách có trách nhiệm.
* **Áp dụng công nghệ nền tảng cho các thách thức cụ thể:** Cách tiếp cận sử dụng các mô hình AI tổng quát (như EVO cho DNA hoặc tế bào ảo cho sinh lý học) để giải quyết một bệnh cụ thể khó khăn (như Alzheimer) tạo ra một kế hoạch mẫu có thể điều chỉnh cho các tình trạng phức tạp khác.
當電腦晶片以指數級速度飛躍發展之際，新藥研發卻數十年來朝著相反方向行進——愈發緩慢且昂貴。這個問題的嚴峻性體現在：進入臨床試驗的藥物中，高達90%以失敗告終。這條被稱為「逆摩爾定律」的現象，為我們與生物化學家兼AI研究員許志強的對話拉開序幕。他主張，人工智能將從根本上重塑生物探索中費時耗力的手動過程。在其非營利機構ARC研究所，許志強與團隊正在構建如EVO等基礎模型——堪稱「DNA版的ChatGPT」——能夠生成全新的功能性生物序列，並建立虛擬細胞模型以預測細胞對基因或藥物干預的反應。目標是扭轉當前低效的「試錯」模式，轉向「模型主導、實驗驗證」的新範式，直接引導科學家聚焦最具潛力的實驗與治療靶點。
許志強解釋道，藥物開發的核心挑戰不僅在於化合物合成，更在於首先準確識別生物靶點——即導致疾病的特定蛋白質或通路。對於阿茲海默症或許多癌症這類複雜疾病，靶點往往難以鎖定。基於龐大基因組與細胞數據訓練的AI模型，能分析無數遺傳因子的組合交互作用，預測該「調控哪些開關」才能修正疾病狀態。這將推動研究超越簡單的單一基因關聯，轉向理解多基因性狀，從而大幅縮窄潛在療法的搜索範圍。短期效益將顯著提升基礎研究效率；長遠來看，若能確保藥物從研發初始就瞄準正確靶點，臨床試驗成功率有望倍增。
這場對話將宏大願景落實在具體的概念驗證中。透過EVO模型，ARC研究人員成功設計出一種新型功能性噬菌體（感染細菌的病毒），其不僅能有效作用，還可精準導向特定菌株——這項突破為開發精準抗生素替代品帶來可能。在另一項應用中，該模型展現出詮釋基因（如BRCA1）中「意義未明變異」的卓越能力，能高度準確預測從未見過的基因突變屬於良性或致病性。對許志強而言，這項使命也飽含個人情感：目睹祖父受阿茲海默症折磨而逝的經歷，驅使他將此疾病視為AI研發藍圖的終極試煉場，而這套方法未來可拓展至多種複雜人類疾病。
顛覆性洞見
- AI能創造功能性生物實體： EVO模型從零設計出一種全新噬菌體病毒。這段自然界從未存在過的AI生成序列，經實驗室合成後成功按預期感染細菌。
- 生物實驗室數十年未見根本變革：儘管其他領域技術突飛猛進，生物研究實驗室的核心工作流程（實驗台、移液器與手動操作）仍與1980年代驚人相似，凸顯效率困境之深。
- AI在基因診斷上已超越傳統數據庫：針對複雜基因突變的解析，EVO模型展現出超越靜態臨床數據庫的潛力，能對BRCA1等基因中前所未見的變異作出細膩的致病性預測。
- 核心目標是加速探索而非取代人類： ARC研究所聚焦打造「心智自行車」——即擔任副駕駛的AI工具，處理組合搜索與繁重預測任務，從而擴展人類創造力與直覺，而非取代科學家「帶有主觀判斷的品味」。
實踐啟示
- 擁抱AI作為科研協作者：科學家與學生可立即運用AI工具進行文獻綜述與實驗設計，邁向由模型篩選頂尖假說供實驗驗證的工作流程。
- 聚焦靶點識別關鍵性：藥物開發的高失敗率警示我們，尋找正確生物靶點與設計藥物本身同等重要。新技術的價值應以其揭示因果機制的效能來衡量。
- 預見可解釋性AI醫療時代：隨著EVO等模型進化，亟需建立穩健的臨床驗證框架與監管路徑，以負責任地將AI驅動的基因診斷整合至醫療體系。
- 以平台技術攻克特定難題：運用通用AI模型（如DNA專用的EVO或生理學虛擬細胞）挑戰阿茲海默症等具體難題，可形成能遷移至其他複雜疾病的技術藍圖。
Mientras que los chips informáticos avanzan a un ritmo exponencial, el desarrollo de nuevos fármacos se ha movido en la dirección opuesta: durante décadas se ha vuelto más lento y más costoso, un problema ilustrado de forma contundente por el hecho de que el 90% de los medicamentos que entran en ensayos clínicos fracasan. Esta “ley de Eroom” sirve de punto de partida para una conversación con el bioquímico e investigador en IA Patrick Hsu, quien sostiene que la inteligencia artificial está a punto de transformar de manera fundamental el proceso de descubrimiento biológico, hoy lento, manual y laborioso. En su organización sin ánimo de lucro, el ARC Institute, Hsu y su equipo están desarrollando modelos fundacionales como EVO —un “ChatGPT para el ADN”— capaces de generar secuencias biológicas completamente nuevas y funcionales, así como modelos virtuales de células diseñados para predecir cómo responderán las células a perturbaciones genéticas o farmacológicas. El objetivo es cambiar el paradigma actual, basado en una metodología ineficiente de “probar y comprobar”, por un enfoque de “modelo primero, laboratorio en el circuito”, que guíe a los científicos directamente hacia los experimentos y dianas terapéuticas más prometedores.
Hsu explica que el desafío central en el desarrollo de fármacos no consiste solo en crear un compuesto, sino primero en identificar correctamente la diana biológica: la proteína o vía específica que causa una enfermedad. En afecciones complejas como el alzhéimer o muchos tipos de cáncer, esa diana sigue siendo esquiva. Los modelos de IA entrenados con enormes volúmenes de datos genómicos y celulares podrían analizar la interacción combinatoria de innumerables factores genéticos y predecir qué “mandos ajustar” para corregir un estado patológico. Esto permitiría que la investigación evolucionara más allá de las simples asociaciones de un solo gen, hacia una comprensión de los rasgos poligénicos, reduciendo drásticamente el espacio de búsqueda de posibles terapias. El beneficio inmediato sería un aumento significativo de la eficiencia en la investigación básica; a largo plazo, la aplicación clínica podría traducirse en una duplicación de la tasa de éxito de los ensayos clínicos, al asegurar desde el principio que los fármacos apunten a las dianas correctas.
La conversación aterriza esta visión ambiciosa en pruebas de concepto tangibles. Utilizando EVO, los investigadores de ARC diseñaron con éxito un nuevo bacteriófago funcional (un virus que infecta bacterias) que no solo era eficaz, sino que además podía dirigirse para atacar cepas bacterianas específicas, un avance con potencial como alternativa precisa a los antibióticos. En otra aplicación, el modelo demostró una capacidad sofisticada para interpretar “variantes de significado incierto” en genes como BRCA1, prediciendo con gran precisión si una mutación nunca antes observada sería benigna o causante de enfermedad. Para Hsu, la misión también es personal, impulsada por haber visto a su abuelo sucumbir al alzhéimer. Considera esta enfermedad como el caso de prueba definitivo para su enfoque basado en IA, uno que eventualmente podría aplicarse a una amplia gama de enfermedades humanas complejas.
Ideas sorprendentes
- La IA puede inventar entidades biológicas funcionales: El modelo EVO diseñó desde cero un nuevo virus bacteriófago. Esta secuencia generada por IA, que nunca había existido en la naturaleza, fue sintetizada en el laboratorio e infectó bacterias con éxito, tal como se pretendía.
- Los laboratorios de biología no han cambiado de forma fundamental en décadas: A pesar de los enormes avances tecnológicos en otros ámbitos, el flujo de trabajo básico en un laboratorio de investigación biológica —con sus mesas, pipetas y procesos manuales— se parece notablemente al de los años ochenta, lo que pone de relieve la magnitud del problema de ineficiencia.
- La IA ya está superando a las bases de datos en el diagnóstico genético: Para interpretar mutaciones genéticas complejas, el modelo EVO mostró que podría superar a las bases de datos clínicas estáticas al realizar predicciones matizadas sobre la patogenicidad de variantes nunca antes vistas en genes como BRCA1.
- El objetivo principal es acelerar el descubrimiento, no reemplazar a las personas: En ARC, el enfoque consiste en crear “bicicletas para la mente”: copilotos de IA que se encarguen de la búsqueda combinatoria y del trabajo pesado de predicción para potenciar la creatividad y la intuición humanas, no para sustituir el “criterio personal y exigente” del científico.
Conclusiones prácticas
- Adopte la IA como copiloto de investigación: Científicos y estudiantes pueden integrar de inmediato herramientas de IA para resumir literatura científica y diseñar experimentos, avanzando hacia un flujo de trabajo en el que los modelos clasifiquen las hipótesis más prometedoras para su validación en el laboratorio.
- Céntrese en la identificación de dianas: La alta tasa de fracaso en el desarrollo de fármacos pone de manifiesto que encontrar la diana biológica correcta es tan crucial como diseñar el propio medicamento. Las nuevas tecnologías deberían evaluarse por su capacidad para esclarecer estos mecanismos causales.
- Prepárese para una IA interpretable en medicina: A medida que modelos como EVO avancen, crecerá la necesidad de marcos sólidos de validación clínica y de vías regulatorias que permitan integrar de forma responsable los diagnósticos genéticos impulsados por IA en la atención sanitaria.
- Aplique tecnologías de plataforma a desafíos específicos: El enfoque de utilizar modelos generales de IA (como EVO para ADN o células virtuales para fisiología) para abordar una enfermedad difícil y concreta (como el alzhéimer) crea un modelo de referencia que puede adaptarse a otras afecciones complejas.
Enquanto os chips de computador avançam em ritmo exponencial, o desenvolvimento de novos medicamentos tem seguido na direção oposta — tornando-se mais lento e mais caro ao longo de décadas, um problema ilustrado de forma contundente pelo fato de que 90% dos fármacos que entram em ensaios clínicos fracassam. Essa “Lei de Eroom” prepara o terreno para uma conversa com o bioquímico e pesquisador de IA Patrick Hsu, que argumenta que a inteligência artificial está prestes a remodelar de forma fundamental o processo dolorosamente lento e manual da descoberta biológica. Em seu instituto sem fins lucrativos, o ARC Institute, Hsu e sua equipe estão construindo modelos fundacionais como o EVO — um “ChatGPT para DNA” — capazes de gerar sequências biológicas inteiramente novas e funcionais, além de modelos virtuais de células destinados a prever como as células responderão a perturbações genéticas ou causadas por medicamentos. O objetivo é inverter a lógica da metodologia ineficiente atual de “tentativa e erro” para uma abordagem de “modelo primeiro, laboratório no circuito”, orientando os cientistas diretamente aos experimentos e alvos terapêuticos mais promissores.
Hsu explica que o desafio central no desenvolvimento de medicamentos não é apenas criar um composto, mas primeiro identificar corretamente o alvo biológico — a proteína específica ou via molecular que causa uma doença. Para condições complexas como Alzheimer ou muitos tipos de câncer, esse alvo continua indefinido. Modelos de IA treinados com vastos volumes de dados genômicos e celulares poderiam analisar a interação combinatória de inúmeros fatores genéticos e prever quais “botões ajustar” para corrigir um estado patológico. Isso levaria a pesquisa além de simples associações de genes isolados, em direção à compreensão de características poligênicas, reduzindo drasticamente o espaço de busca por terapias potenciais. O benefício imediato seria um aumento significativo de eficiência na pesquisa básica; no longo prazo, isso poderia significar dobrar a taxa de sucesso dos ensaios clínicos ao garantir, desde o início, que os medicamentos sejam direcionados aos alvos corretos.
A conversa ancora essa visão ambiciosa em provas de conceito tangíveis. Usando o EVO, pesquisadores do ARC conseguiram projetar um bacteriófago novo e funcional (um vírus que infecta bactérias), que foi tanto eficaz quanto capaz de ser direcionado para atingir cepas bacterianas específicas — um avanço com potencial para alternativas precisas aos antibióticos. Em outra aplicação, o modelo demonstrou uma capacidade sofisticada de interpretar “variantes de significado desconhecido” em genes como o BRCA1, prevendo com alta precisão se uma mutação nunca antes observada seria benigna ou causadora de doença. Para Hsu, a missão também é pessoal, motivada por ter visto seu avô sucumbir ao Alzheimer. Ele vê a doença como o caso de teste definitivo para esse plano orientado por IA, que poderá eventualmente ser aplicado a uma ampla gama de enfermidades humanas complexas.
Percepções Surpreendentes
- A IA pode inventar entidades biológicas funcionais: O modelo EVO projetou do zero um novo vírus bacteriófago funcional. Essa sequência gerada por IA, que nunca havia existido na natureza, foi sintetizada em laboratório e infectou bactérias com sucesso, conforme previsto.
- Os laboratórios de biologia não mudaram de forma fundamental em décadas: Apesar dos enormes avanços tecnológicos em outras áreas, o fluxo de trabalho central em um laboratório de pesquisa biológica — com suas bancadas, pipetas e processos manuais — continua surpreendentemente parecido com o que era nos anos 1980, destacando a profundidade do problema de ineficiência.
- A IA já está superando bancos de dados no diagnóstico genético: Na interpretação de mutações genéticas complexas, o modelo EVO mostrou que pode potencialmente superar bancos de dados clínicos estáticos ao fazer previsões refinadas sobre a patogenicidade de variantes nunca antes observadas em genes como o BRCA1.
- O objetivo principal é acelerar a descoberta, não substituir: O foco do ARC é criar “bicicletas para a mente” — copilotos de IA que lidam com a busca combinatória e o trabalho pesado das previsões para ampliar a criatividade e a intuição humanas, e não substituir o “senso crítico e opinativo de discernimento” do cientista.
Aplicações Práticas
- Adote a IA como copiloto de pesquisa: Cientistas e estudantes já podem integrar ferramentas de IA para resumir literatura científica e planejar experimentos, avançando para um fluxo de trabalho no qual os modelos classificam as principais hipóteses para teste em laboratório.
- Concentre-se na identificação de alvos: A alta taxa de fracasso no desenvolvimento de medicamentos ressalta que encontrar o alvo biológico correto é tão crítico quanto projetar o próprio fármaco. Novas tecnologias devem ser avaliadas por sua capacidade de esclarecer esses mecanismos causais.
- Prepare-se para uma IA interpretável na medicina: À medida que modelos como o EVO avançarem, haverá uma necessidade crescente de estruturas robustas de validação clínica e de caminhos regulatórios para integrar de forma responsável diagnósticos genéticos orientados por IA à saúde.
- Aplique tecnologias de plataforma a desafios específicos: A abordagem de usar modelos gerais de IA (como o EVO para DNA ou células virtuais para fisiologia) para enfrentar uma doença difícil e específica (como o Alzheimer) cria um modelo que pode ser adaptado a outras condições complexas.
Patrick Hsu is the co-founder of Arc Institute, which is integrating AI models and biological research. Patrick’s problem is this: How can you use AI to make biological research more efficient – and ultimately to find cures for Alzheimer’s and other complex diseases?
See omnystudio.com/listener for privacy information.
Leave a Reply
You must be logged in to post a comment.