編者按：本文來自微信公眾號 紅杉匯（ID：Sequoiacap），創(chuàng)業(yè)邦經(jīng)授權(quán)轉(zhuǎn)載。

對于科學(xué)家們而言，利用AI工具對加速科研進程大有裨益。最近，AI發(fā)現(xiàn)了首批新抗生素。這種全新的抗生素類別將用于對抗耐藥性金黃色葡萄球菌（MRSA），其相關(guān)研究論文已經(jīng)登上《自然》。

另外，在2023年11月底上線的兩篇《自然》論文報告稱，AI工具不僅發(fā)現(xiàn)了220萬個新晶體，其中381,000個最穩(wěn)定的晶體有望成為實驗合成的候選材料，為超導(dǎo)體、超級計算機供電等一系列未來技術(shù)的革新和發(fā)展助力；而且在AI實驗室中，這些新材料最終在17天內(nèi)全自動合成了41種新無機化合物。

這些“顛覆式”的科研成果為科學(xué)界帶來的不止是新的材料、新的研究方向，更重要的是，它讓科學(xué)家們看到了“解放”的可能——從密集的、重復(fù)的實驗中解放。當然，AI介入的科研仍需要人類來完成最核心的推理與思考。未來，獨立思考能力或許比“會做實驗”更為重要。

首批新抗生素

最近，MIT的科學(xué)家們利用AI發(fā)現(xiàn)了一種全新的抗生素類別，用于對抗耐藥性金黃色葡萄球菌（MRSA）。這也是過去60年首次發(fā)現(xiàn)的一類新抗生素。

MRSA細菌已經(jīng)困擾了人類多年。感染者輕則皮膚感染，重則感染肺部和血液，甚至危及生命。根據(jù)歐洲疾病預(yù)防控制中心（ECDC）的數(shù)據(jù)，歐盟每年有近150,000例MRSA感染，而每年死于抗菌素耐藥性感染的有近35,000人。

在這項研究中，研究人員運用深度學(xué)習(xí)模型，通過分析化學(xué)結(jié)構(gòu)，找到了一組化合物，顯示出對耐藥細菌的潛在殺菌效果。這些化合物在實驗室培養(yǎng)皿中和小鼠感染模型中都表現(xiàn)出良好的殺菌作用，尤其是對MRSA的效果顯著。而令人振奮的是，這些化合物對人類細胞的毒性極低，因此成為理想的藥物候選。

該研究團隊負責人表示：“我們的見解在于，我們能夠看到模型是如何學(xué)習(xí)的，從而做出預(yù)測，即某些分子可能是良好的抗生素。我們的工作提供了一個從化學(xué)結(jié)構(gòu)角度來看是時效、資源高效且在機制上有深刻見解的框架，這是迄今為止我們尚未擁有的?！?/p>

這一研究的獨特之處在于，研究人員還成功解讀了深度學(xué)習(xí)模型用于進行抗生素效力預(yù)測的信息類型。這一認識有助于科學(xué)家設(shè)計更為有效的藥物，進一步拓展了抗生素研究的領(lǐng)域。

該團隊近年來一直在使用深度學(xué)習(xí)尋找新的抗生素。通過該技術(shù)，他們已經(jīng)為多種細菌提供了潛在的藥物，其中包括鮑曼氏不動桿菌等醫(yī)院中常見的耐藥細菌。

然而，在這一研究中，深度學(xué)習(xí)模型有一個缺陷——其“黑匣子”性質(zhì)無法準確了解模型是基于哪些特征進行預(yù)測。為解決這一問題，研究人員訓(xùn)練了額外的深度學(xué)習(xí)模型，以評估這些化合物對人體細胞的毒性。結(jié)合這些信息和抗微生物活性的預(yù)測，研究人員最終確定了一組既有望殺滅微生物又對人體影響最小的化合物。

在一篇采訪中，團隊負責人提到：“傳統(tǒng)上，科學(xué)家大約需要花費12年的時間，才能發(fā)現(xiàn)一種新的抗生素；然后，再到發(fā)現(xiàn)任何臨床候選藥物，還需要3-6年的時間；最后，你還需要將它們過渡到I期、II期和III期臨床試驗。而現(xiàn)在，有了AI，便能夠加速這一進程。挖掘模型背后的‘黑匣子’、讓它變得可解釋，這一點很重要，這是將AI轉(zhuǎn)化為工程學(xué)科的關(guān)鍵一步?！?/p>

220萬個新材料

無論是開發(fā)新的清潔能源，還是發(fā)展出更好的信息處理方法，想要在這些現(xiàn)代技術(shù)應(yīng)用上取得突破，都離不開創(chuàng)造出具有新穎功能的無機晶體材料，并且這些晶體必須是穩(wěn)定的，不會分解成相似的能量較低的成分。

然而，每一個新的、穩(wěn)定的晶體的創(chuàng)造，背后都經(jīng)歷了耗時持久的艱苦實驗。現(xiàn)在，在一項新發(fā)表于《自然》雜志的研究中，谷歌人工智能實驗室 DeepMind 開發(fā)的深度學(xué)習(xí)工具“材料探索圖形網(wǎng)絡(luò)”（Graph Networks for Materials Exploration, GNoME）發(fā)現(xiàn)了220萬個新晶體，其中381,000個最穩(wěn)定的晶體有望成為實驗合成的候選材料。

GNoME是一個最先進的圖神經(jīng)網(wǎng)絡(luò)（GNN）模型，它的輸入數(shù)據(jù)采用的是圖的形式，這些圖就好像是原子之間的連接，因此特別適用于發(fā)現(xiàn)新的晶體材料——通過預(yù)測新材料的穩(wěn)定性，極大地提高發(fā)現(xiàn)新材料的速度和效率。

最初，研究人員使用由“材料計劃”（Materials Project）開發(fā)了十多年的數(shù)據(jù)來對GNoME進行訓(xùn)練。“材料計劃”是一個于2011年建立的開放獲取數(shù)據(jù)庫，它計算已知的和預(yù)測的材料的性質(zhì)。在訓(xùn)練過程中，研究人員會用GNoME來生成新的候選晶體，并預(yù)測它們的穩(wěn)定性。

為了評估GNoMe在漸進訓(xùn)練周期中的預(yù)測能力，研究人員使用被稱為密度泛函理論（DFT）的計算技術(shù)反復(fù)檢查其性能，并使用一種被稱為“主動學(xué)習(xí)”的訓(xùn)練過程，不斷改進算法，然后將得到的高質(zhì)量訓(xùn)練數(shù)據(jù)反饋到模型訓(xùn)練中。這極大地提高了GNoMe的性能，將材料穩(wěn)定性預(yù)測的發(fā)現(xiàn)率從50%左右提高到了80%。

在ICSD數(shù)據(jù)庫中，通過實驗確定了大約有20,000個在計算上穩(wěn)定的晶體。來自材料計劃、開放量子材料數(shù)據(jù)庫和WBM數(shù)據(jù)庫的計算方法將這一數(shù)字提高到48,000個。GNoME將人類已知的穩(wěn)定晶體的數(shù)量增加到42.1萬種。（圖/DeepMind）

最終，GNoME生產(chǎn)了220萬個晶體結(jié)構(gòu)，其中38萬個穩(wěn)定的晶體結(jié)構(gòu)已經(jīng)被添加到“材料計劃”中。

過去，科學(xué)家都是通過對已有的晶體進行調(diào)整，或在實驗中進行新的元素組合嘗試來尋找新的晶體結(jié)構(gòu)。這是一個昂貴的、需要反復(fù)試驗的過程。在過去的十年中，科學(xué)家們開始嘗試使用計算方法來發(fā)現(xiàn)新的晶體材料。不過，雖然這些由人工智能主導(dǎo)的方法幫助科學(xué)家發(fā)現(xiàn)了28,000種新晶體，但這些方法在準確預(yù)測出可以在實驗室合成的材料方面受到了限制。

不過，在由GNoME發(fā)現(xiàn)的38萬多個最穩(wěn)定的晶體結(jié)構(gòu)中，世界各地的科學(xué)家已經(jīng)在實驗中創(chuàng)造出了736個，這表明GNoMe以前所未有的規(guī)模和準確性預(yù)測了穩(wěn)定的晶體結(jié)構(gòu)。

DeepMind的研究人員在搜索了科學(xué)文獻后，發(fā)現(xiàn)736個新的穩(wěn)定晶體結(jié)構(gòu)已經(jīng)由世界各地的科學(xué)家團隊獨立實現(xiàn)，圖中列出的是六個例子。（圖/DeepMind）

GNoME為材料科學(xué)的貢獻具有巨大的價值。例如GNoME發(fā)現(xiàn)了528種潛在的鋰離子導(dǎo)體，這一數(shù)量是之前研究的25倍，有望在提高可充電電池的性能方面發(fā)揮巨大作用。

更重要的是，GNoME不僅能預(yù)測結(jié)構(gòu)，還能在硬件設(shè)備完善的情況下“親自做實驗”，讓新材料的發(fā)現(xiàn)速度成百上千倍地增長。

2023年2月，一個名為A-Lab的自動化實驗室在伯克利啟用，旨在快速尋找和跟蹤用于電池和儲能等領(lǐng)域的新材料。在這里，AI指導(dǎo)的機器人是實驗臺前的主力。當人類學(xué)者或AI確定了目標材料，一系列機器人就會在A-Lab中執(zhí)行合成該材料的步驟。這個實驗室的系統(tǒng)被設(shè)計為一個“閉環(huán)”，這意味著它能夠在沒有人為干預(yù)的情況下自動決策，晝夜不停地運行。

A-Lab為驗證GNoME的實際生產(chǎn)力提供了絕佳的平臺。在伯克利實驗室的超級計算機上，研究人員根據(jù)現(xiàn)存科學(xué)文獻訓(xùn)練GNoME，隨后結(jié)合主動學(xué)習(xí)，可針對擬定化合物創(chuàng)造最多 5個初始合成配方。隨后它會指揮機器臂執(zhí)行實驗，合成粉末形態(tài)的化合物。如果一個配方產(chǎn)量低于50%，A-Lab 會調(diào)整配方繼續(xù)實驗，在成功達到目標或窮盡所有可能配方后結(jié)束。

經(jīng)過17天的連續(xù)工作，A-Lab進行了355次實驗，合成了58個擬定化合物中的41個，成功率達到了71%，平均每天產(chǎn)出的新化合物數(shù)量在2個以上。不過，當前的GNoME依然在預(yù)測與實際合成結(jié)果之間存在一定差距，A-Lab也只能合成粉末形式的無機材料。研究者們希望，未來可以利用更多的實驗數(shù)據(jù)進一步提高GNoME算法的準則性和可靠性，同時擴展 A-Lab的微觀結(jié)構(gòu)和器件性能等硬件設(shè)備，令其最終成為一個真正的“完全自主型”新材料發(fā)現(xiàn)與合成實驗室。

或許材料研發(fā)的新范式已經(jīng)出現(xiàn)，將人類的雙手從實驗臺前解放出來?！癆I 科研助手+操作機器人+智能實驗環(huán)境+可信多方協(xié)作”的高效迭代將令材料研發(fā)速度提升成百上千倍，還能防止年輕人的科研興趣不被枯燥重復(fù)的實驗所消磨，讓他們能將更多精力投入到對科學(xué)問題的思考中。

本文（含圖片）為合作媒體授權(quán)創(chuàng)業(yè)邦轉(zhuǎn)載，不代表創(chuàng)業(yè)邦立場，轉(zhuǎn)載請聯(lián)系原作者。如有任何疑問，請聯(lián)系editor@cyzone.cn。