Leash Bio nevű cég munkáját és publikációit sokan követték az elmúlt években. A vállalat a DNS-kódolt könyvtárakra (DNA Encoded Libraries, DELs) épít, ami nagy áteresztőképességű fehérje–kis molekula kölcsönhatási adatok gyűjtésének egyik elterjedt megközelítése. A cég csapata hosszú ideje azon dolgozik, hogy a DEL-mérések tipikusan zajos, nehezen reprodukálható jellegét megszelídítse, és olyan, modellezésre alkalmas adatokat állítson elő, amelyek nagy léptékű gépi tanulási munkákhoz használhatók.
A Minos néven most bemutatott projekt a Leash Bio többéves adatsorozatából nőtt ki: a csapat ma egyszerre publikált egy preprintet, egy blogbejegyzést és egy nyílt adatkészletet, amely a DEL-méréseken alapuló, laborral összekapcsolt szimulációkat és a rájuk építhető ügynökös (agent-based) kutatási kereteket célozza.
Mi tette lehetővé a jó DEL-adatokat?
A beszélgetés Ian Quigley-vel (Leash Bio) rávilágít néhány kulcselemre:
- Epistemikus szigor: a csapat bevallottan komolyan veszi az adatminőséget és reproducibilitást, és ennek érdekében mérnöki megoldásokat alkalmaznak.
- Több DNS-bélyeg (barcode) molekulánként: a Leash módszere szerint egy molekulára sokszorosában helyeznek DNS-bélyegeket, így fel lehet ismerni és kiszűrni azokat az eseti jelenségeket, amikor a fehérje a DNS-t köti, nem a kis molekulát.
- Skalázás biológiával: Ian Quigley szabályként említi, hogy a biológia skálázása két módon működik jól — képek készítése és DNS-szekvenálás —, és a Leash megoldásai a szekvenálásra támaszkodnak.
Nagyszabású verseny és modellezési kísérletek
A Leash által szervezett Kaggle versenyen körülbelül 4 milliárd mérésről volt szó, amelyet egy alagsori (basement) laborból gyűjtöttek, és mintegy 2 000 csapat indult rajta. A verseny eredménye rávilágított: az ismeretlen, először látott kémiai könyvtárak esetén a versenyzők nem tudtak jelentősen többet elérni, mint a véletlen. A Leash csapata emiatt némi aggodalommal figyelte, hogy a ko‑foldolás (co-folding) jelensége esetleg gyorsan elavulttá teheti a megközelítéseiket.
Egy másik érdekes jelenség, amiről a Leash beszámolt, hogy a ChEMBL-szerű nyilvános adatbázisokban előforduló „Clever Hans” hatás miatt a modellek gyakran meg tudják saccolni egy molekula készítőjét a szerkezetből — és gyakran maga a „ki csinálta” információ könynyebben prediktálja az aktivitást, mint maga a szerkezet. Ez rávilágít arra, hogy nem elég jó adattal tréningezni, ha a datasetekben rejlő meta-információk félrevezethetik a tanuló modelleket.
Hermes, Boltz és példák a memorizálásra
A Leash saját adataira tanított modell, Hermes, versenyképes teljesítményt ért el az olyan nyilvános benchmarkokkal szemben, amelyeken a Boltz nevű megközelítést tesztelték. A beszélgetés során felmerült, hogy Hermes néha a fehérjék „beceneveit” vagy nickneveit tanulta meg ahelyett, hogy a kötőhelyek fizikáját modellezte volna; ennek javítása érdekében a csapat skálázható mutánsfejlesztést (protein mutants engineering) alkalmazott, hogy megtörje a kötőhely-memorizálást és rákényszerítse a modellt a valódi általánosításra.
Egy másik megfigyelés az volt, hogy bizonyos, Lumacaftor-hoz hasonló találatok véletlenül arra utaltak, hogy a lizált fehérje formák vagy hibásan hajtogatott proteinek jeleit fogták fel — tehát egyes „találatok” nem feltétlenül a célprotein klasikus kapcsolódását jelzik.
Minos: ügynököknek szánt labor-az-ügynökökhez szimulációk
A beszélgetés végén Ian megemlített egy kísérleti ötletet: azokat az adatokat, amelyeket éveken át gyűjtöttek, fel lehet használni arra, hogy nagy számú "lab-in-the-loop" szimulációt hozzanak létre, amelyek ideális környezetet adnak tudományos megerősítéses tanuláshoz (scientific reinforcement learning) és ügynökös rendszerek teszteléséhez. Kb. két hónappal a felvétel után ez a kísérlet Minos néven érett be: ma a Leash egy teljes preprintet, blogposztot és nyílt adatkészletet jelentett be.
A Minos célja, hogy egy olyan „játéktér” (sandbox) legyen, ahol nagy nyelvi modellek és ügynökök tudnak SAR‑ról (structure–activity relationships) egyszerű angol nyelven érvelni, és egy költségkeret (például 100-as kérés/lekérdezés büdzsé) mellett 6,5 millió molekulát tudnak mérlegelni.
Gyakorlati eredmények és folyamatok
A podcast és a Leash anyagai kitérnek arra is, hogyan lehet egy DEL-es találatból hat hónapon belül jó egér PK/PD (farmakokinetika/farmakodinamika) profilt kihozni egy gyulladásos programban, és miért van esély tablettás (kis molekula) megközelítésre bizonyos citokin célpontok esetén az antitestek helyett.
Ian megvitatta azt a kérdést is, mi akadályozhatná meg, hogy nagyobb forrásokkal rendelkező labok egyszerűen túlskalázzák őket; emellett megfogalmazta saját kívánságát egy rendkívül párhuzamos tisztítási folyamat (massively parallel purification) iránt, amit by fiat, azaz erőforrásokkal megoldva szívesen látna.
Összegzés
A Leash Bio esete jól illusztrálja, hogy a DEL-adatokból értékelhető, modellezhető információt előállítani nagyfokú kísérleti gondosságot, mérnöki megoldásokat és tudatos adatkezelést igényel. A Minos kiadása új lehetőséget nyit arra, hogy a laborral összekapcsolt ügynökök és megerősítéses tanulási rendszerek valós, laborból származó szimulációk segítségével fejlődjenek. A nyílt preprint, blog és adatkészlet a közösség számára elérhető referenciát biztosít arra, hogyan lehet DEL-méréseket nagy léptékben modellezésre alkalmasan rendszerezni.
A Leash podcast-interjúja Ian Quigley-vel részletesen tárgyalja az említett témákat mind a kezdő kémiai érdeklődők, mind a tapasztalt AI × Bio gyakorlók számára.
