跳转至

Genesis Molecular AI：最前沿的 diffusion 研究在药物发现，不在图像生成（Latent Space，2026-06-30）

本库第二块系统性"AI for science"素材（与 Lila Sciences 并置）：一家做小分子药物发现基础模型的公司，主题句是"当下最创新的 diffusion 研究发生在 3D 结构预测，而不是图像/视频生成"。核心贡献是把 LLM 的 scaling 三段式（预训练/后训练/推理时）搬到分子结构预测，并把精度基准从"业界惯用的 RMSD<2Å"推进到 1Å 以下——因为药物发现本质是"分辨率的科学"。

说话人映射（据补做分离的 speakers.md；转录稿本身无标签，此处认人属 wiki 层编辑判断）： 两位嘉宾 + 两位主持，开场逐个自我介绍，接话标签清楚：

标签 占比 认定 依据
SPEAKER_02 58.1% Evan Feinberg（CEO） "Hey, I'm Evan. I'm the founder and CEO"之后由此标签作答（[00:01:03] 块，之后 100%）；多次以第三人称提 Sergey（"Sergey is being humble"，[00:20:24] 块）
SPEAKER_04 17.6% Sergey Edunov（CTO） "Hi, I'm Sergey. I studied physics"之后由此标签作答（[00:01:03] 块，之后 100%）；Evan 说"Maybe Sergey wants to give some more…"后接话（[00:12:17] 块，82%）
SPEAKER_01 10.7% RJ Haniki（主持） 开场"I'm joined by my co-host Brandon Anderson"（[00:00:00]，100%）
SPEAKER_03 13.2% Brandon Anderson（主持） 排除法 + 嘉宾回应"I totally agree, Brandon"（[00:04:05] 块）、"And by the way, Brandon…"（[00:11:15] 块）之前的发问方均为此标签

SPEAKER_00（20 秒）为碎片。

概要

Genesis 做 protein–small molecule（蛋白-小分子）结合的结构预测，这是十年来最抵抗 ML 的子领域。主力模型 Pearl 是 co-folding（类比 AlphaFold 3 / Boltz / OpenFold 3，但专注小分子）。他们用三招对应 LLM scaling：① 预训练侧用物理模拟造合成数据（因公开晶体结构库 PDB 只有约 20 万个、增长极慢）；② 推理时 scaling——模型不在语言 token 上"思考"，而在"晶体结构表征"上迭代（diffusion head 本就是多步迭代），并用物理引导（physics-based guidance）steer 输出；③ RL（含"实验室 in-the-loop"）。与 [Insilico/Insight] 类 CRO 伙伴组"设计-合成-测试-分析"闭环。反复强调 AlphaFold 3 拿诺奖 ≠ 药物发现被解决。

核心观点

命题：diffusion 的最前沿在结构生物学

  • 2017–18 大家以为 GAN 是图像生成的未来，但 GAN（mode collapse）对蛋白/复合物构象不 work；diffusion 才是对的 primitive。如今讽刺的是：图像/视频有些转回 autoregressive，而"最创新的 diffusion 研究在 3D 结构预测"——十年前无人能预料（[00:00:00]、[01:06:51]–[01:08:52]）。
  • 别把药物发现当"零到一然后解决"：没有单一 iPhone/ChatGPT 时刻，是跨越十年的迭代复利；有 2 万个蛋白编码基因，每个都能致病，永远有更多问题可解（[00:04:05]–[00:07:10]）。

Pearl：把 LLM scaling 三段式搬到结构预测

  • 输入蛋白序列 + 配体表征，预测二者在 3D 空间"合体"后的结构（co-folding）。专注小分子：看似更简单，实则搜索空间巨大（宇宙中约 10^60 个类药小分子，还能旋转/多构象）（[00:12:17]–[00:14:20]）。
  • 合成数据：PDB 约 20 万晶体结构、扩张"冰川速度"；但小分子可用物理建模造更多训练数据（大蛋白太复杂、物理建模算力代价高）（[00:15:21]–[00:16:21]）。
  • 推理时 scaling：diffusion head 天然多步迭代，模型被迫"思考"——不是语言 token，而是"内存里未完全物化的晶体结构表征"来回；用物理引导 steer，"提升很大"（[00:16:21]–[00:19:24]）。像 diffusion 力场与物理力场之间平衡；但内部到底学到什么"很难解释"，mech interp 是开放方向（[00:19:24]–[00:20:24]）。
  • 方法论"无聊但真"：data / infra / evals 三件事；"只能改进你度量的东西"，从第一天就盯 1Å 精度，这个目标会传导到数据过滤、架构、loss（[00:51:43]–[00:53:44]）。

为什么是 1Å：药物发现是分辨率的科学

  • 业界惯用 RMSD<2Å 太粗：2Å 下整个芳香环可能翻转仍算"有效输出"；且不像模糊图像你知道它模糊，翻转的芳香环看起来很正常——med chemist 会被误导（[00:41:36]–[00:43:37]）。
  • 氢键的供体-受体距离是 2.7–3.3Å（窗口约 0.6Å），差一点就从氢键变成 clash 或失效；所以核心结合区要亚埃分辨率（溶剂暴露区更动态、可较松）（[00:49:41]–[00:51:43]）。
  • eval 危机：RMSD<2 其实源自 AI 之前的物理 docking 学术研究（学者写论文而非造药），被 AI 社区沿用；PoseBusters（牛津，加物理有效性）、LDDT、OpenBind 正推动 eval 转型。类比 SWE-bench——Gemini 刷榜赢但没人用它写代码（[00:55:45]–[00:58:47]）。

结构不等于药：ADMET 与"反相关"的多参数优化

  • AlphaFold 3 诺奖让大众以为"药物发现解决了"，实则很远：单个静态结构不够，还要动态、要预测约 30+ 种 ADMET 性质（吸收/分布/代谢/排泄/毒性，如溶解度、CYP450 抑制、hERG 心毒）（[00:35:33]–[00:37:33]、[01:00:50]–[01:02:51]）。
  • 药物性质常反相关：结合力越强往往越疏水（口袋是"油腻"的）→溶解度变差；加极性改善溶解度→过膜变难。多参数优化像打地鼠，常要找真正的离群分子——而这类新颖化学恰恰是自动化合成难做的（[01:19:03]–[01:21:03]）。
  • Genesis 早年发的 PotentialNet（图神经网）与 MoleculeNet、多任务图网络做 ADMET，是被引数千次的奠基工作；从一开始就聚焦"药物发现全套 ML 模型"，不碰 target ID（生物学）与临床（[00:59:49]–[01:03:51]）。

数据闭环、RL 与"实验室 in-the-loop"

  • 与 Insight/Insilico 类伙伴组"设计-合成-测试-分析"闭环：Genesis 出预测→伙伴极快合成+测性质→回传训练；是"天作之合"（[01:11:56]–[01:14:58]）。最兴奋的是 RL：先用物理反馈，最终"实验室 in-the-loop"——预测→合成→测量→回灌（[01:09:53]–[01:11:56]）。
  • 泼冷水"机器人自动化实验室"：合成/纯化/表征（NMR、质谱确认"你造出来的确实是想造的")都不 trivial；高通量筛选（DEL/DNA 编码库）到 denovo 低通量高保真的 R² 低得惊人、假阳性巨大——所以大家才盼 AI 预测能比湿实验更干净（[01:15:59]–[01:20:03]）。
  • 中美对照：西方 pharma 越来越依赖 CRO 把湿实验外包→尖端实验能力下降；而中国 biotech（如 Insight）自建极强的 in-house 实验能力、产出数据极快，是"设计-造-测-分析"闭环的关键。"美国生物技术输给中国不是创新问题"的话题被点为"房间里的大象"（[01:12:57]–[01:14:58]）。

Agent、商业模式与公司改名

  • 在建 24/7 药物发现 agent 平台（代号 Sapphire）："几百个 med chemist/CAD 科学家式 agent 夜以继日"；前提是底层模型（pose/potency/ADMET）都够好，否则 agent 只会放大 slop（[00:46:39]–[00:48:40]、[01:29:08]–[01:35:11]）。agent 能"看"预测的晶体结构做决策（crystal structure 作为 LLM 的一种模态）（[01:32:08]–[01:34:11]）。
  • 商业模式：主要给大 pharma（Gilead、GSK、Insight 等）做 AI 服务（fine-tune 基础模型到伙伴数据），同时自有 pipeline（"dogfooding + 药物发现的内在价值"）。改名 Genesis Therapeutics→Genesis Molecular AI 是回归"我们从第一天就是 AI 公司"的身份（[01:22:04]–[01:29:08]）。
  • narrow models 观：Sergey 反对为分子做"通用智能模型"，主张为窄任务做很不同、很有意思的架构（"LLM 架构本质还是 2017 年的 transformer，有点无聊"）；瓶颈许愿都是 GPU——"LLM 公司在吸走所有 GPU 容量"，质疑"纯 LLM 空间剩下的 alpha"（[01:42:14]–[01:46:17]、[01:15:59]–[01:17:00]）。

相关主题

  • AI 与科学发现（本期核心：diffusion 最前沿在结构生物学、结构≠药、ADMET、实验室 in-the-loop）
  • LLM 训练管线（scaling 三段式搬到结构预测、物理合成数据、推理时在结构表征上"思考"、RL 闭环、diffusion vs GAN vs AR primitive）
  • 评估与 Benchmark（eval 危机、RMSD<2Å 不足、1Å 阈值、PoseBusters/LDDT/OpenBind、SWE-bench 刷榜类比）
  • AI 商业化与价值捕获（AI 模型公司 vs 药企、narrow model、给 pharma 做服务 + 自有 pipeline）
  • 中美 AI 生态对照（中国 biotech 自建湿实验能力/数据产出快、西方依赖 CRO 致尖端能力退化）