Leash Bio és Ian Quigley több évnyi munkával alakította át a DNS‑kódolt könyvtárakat (DEL, DNA Encoded Libraries) olyan adatkészletté, amely értelmes, nagy léptékű gépi tanulási munkákhoz használható. A cég megoldásaival kapcsolatban először a szerző Substack‑jában és Owl Posting mélyebb elemzésében találkoztak sokan a közösségben — most pedig a csapat újabb mérföldköveket tett közzé: egy preprintet, egy blogbejegyzést és egy nyílt adathalmazt.
Mi a gond a DEL‑ekkel, és hogyan kezeli Leash Bio?
A DEL megközelítés lényege, hogy DNS‑barcodes láncolatokkal címkézett kis molekulákat használnak, így óriási számú fehérje–molekula kölcsönhatást lehet leolvasni Next Generation Sequencing segítségével. Ugyanakkor a DEL‑ek használói gyakran rémtörténeteket mesélnek: a kísérleti zaj, a DNA‑hoz kötődő fehérjék és egyéb artefaktok torzítják az eredményeket.
Leash Bio megközelítése pragmatikus és kísérleti precizitáson alapul: sokféle barcode‑ot helyeznek el molekulánként (több tucatszoros fedettség), hogy kiszűrjék azokat az eseteket, amikor a fehérje a DNS‑t vagy a barcode‑ot ismeri fel a tényleges gyógyszermolekula helyett. A csapat epistemikus szigorral dolgozik, és gyakorlatiasan „elvégzi a dolgokat”, hogy reprodukálható, tiszta mérési sorozatokat kapjon.
Kaggle verseny és nyers számok
Leash Bio szervezett egy Kaggle kihívást, amelyhez mintegy 4 milliárd mérés állt rendelkezésre, és körülbelül 2 000 csapat indult. A verseny során a legtöbb csapat nem tudott a véletlennél jobban teljesíteni, amikor egy eddig nem látott kémiai könyvtár volt a teszt. A csapat korábban attól is tartott, hogy a ko‑folyás (co‑folding) jelensége miatt a DEL alapprobléma elavulhat, de ezek a tapasztalatok részben azt mutatták, hogy még mindig komoly kihívás a predikció.
Modell‑memória és érdekes anomáliák
Leash Bio és külső elemzések rámutattak olyan jelenségekre, amelyeket ‚Clever Hans‑nak’ neveztek: modellek a molekula szerkezetéből képesek megjósolni, ki volt a molekula szerzője vagy szintetizálója, és ez a „ki készítette” információ megközelítőleg ugyanolyan jól jósolta az aktivitást, mint maga a szerkezet. Ennek következménye, hogy modellek valójában a gyártói vagy forrási mintákat tanulják meg, nem feltétlenül a biológiai kötőhelyet.
A Leash által trenírozott Hermes modell — kizárólag a Leash saját adataival — képes volt versenyképes lenni a nyilvános benchmarkokon szereplő Boltz modellel, sőt előfordult, hogy a Boltz által ismert BRD4‑hez kapcsolódó molekulát is megtalálta a PDB‑ben szereplő példák között. Ugyanakkor a modell hajlamos volt „beceneveket” megtanulni a fehérjékhez, ezért a csapat skálázható fehérje‑mutánsokkal tesztelte és mérte le a memorizálási hatásokat — a cél az volt, hogy ne a becenevekre, hanem a kötőzónára koncentráljanak a predikciók.
Egy másik érdekes megfigyelés az volt, hogy Lumacaftor‑szerű találatok esetenként hibásan jelezték a rosszul hajtogatott («misfolded») fehérjéket, tehát vegyületek meghatározott profilja arra utalhat, hogy nem a célzott, helyes fehérjét érzékelték.
Minos: ügynök‑sandbox és labor‑a‑hurkon gondolkodás
A beszélgetés vége felé Ian Quigley felvázolt egy experimentális irányt: egy AI‑játszóteret, ahol ügynökök (LLM‑alapú rendszerek) képesek hiteles tudományos következtetéseket tenni. A Leash csapata rájött, hogy az évek alatt összegyűjtött adataik sok tízezer „lab‑in‑the‑loop” szimulációt tudnak szolgáltatni — éppen amit egy tudományos megerősítés‑alapú (RL) ügynöknek tanuláshoz szüksége lehet.
Két hónappal a beszélgetés után ez az irány ezerszeres fejlődésen ment keresztül és Minos néven érett termékké állt össze: ma Minoshoz preprint, blogposzt és nyílt adathalmaz is elérhető.
A sandbox egyik bemutatott feladata az volt, hogy természetes nyelven (SAR‑ról beszélve) LLM‑ek keressék a legjobb kötődőket egy 6,5 milliós molekula‑állományból, miközben költségkeretük 100 volt — ez a fajta feladat jól illusztrálja a labor‑a‑hurkon gondolkodás ügynökökbe szervezésének lehetőségét.
Klinikai és ipari vonatkozások
A csapat tapasztalatai között szerepel, hogy egy DEL‑es találatból egy gyakorlatiasabb vezetőanyagig (lead) és hatásig (jó egér PK/PD) hat hónapon belül el lehet jutni egy gyulladásos programban. A beszélgetésben felmerült az is, hogy cytokinek célpontjaként tablettás megközelítés előnyösebb lehet az ellenanyagoknál.
A Leash Bio arra is kitért, mi akadályozhatná meg, hogy egy jobban finanszírozott labor kiszorítsa őket a skalázásból: Ian általában a párhuzamos tisztítások radikális bővítésének hiányát említi, és egyfajta „by fiat” kívánságként fogalmazta meg a rendkívül párhuzamos tisztítások lehetőségét.
Közösségi és iparági megjegyzések
A beszélgetés kapcsán szó esett a Recursion „maffiáról” és arról, hogy miért hasonlóan hangzó cégek jönnek ki a hasonló szinergiákat kialakító csapatokból. Felmerült a „Kosuri paradoxon” is: ha valaki képes összegyűjteni a szükséges adatokat, felmerül a kérdés, tényleg szükség van‑e további modellekre.
Összegzés
Leash Bio munkája azt mutatja, hogy a DEL‑ekből kinyerhető adatok ha gondosan gyűjtik és annotálják őket, rendkívül értékesek lehetnek a nagy léptékű gépi tanulási feladatokhoz. A Minos projekt és a nyílt adathalmaz arra ad lehetőséget, hogy ügynökök valós labor‑a‑hurkon szimulációk alapján tanuljanak, ami előre viheti a gépi‑asszisztált kísérlettervezést és a gyógyszerfelfedezést.
A Leash Bio történetéből hasznos tanulságok vonhatók le mind a módszertan, mind az etikett és az epistemológiai óvatosság szempontjából: ne higgyük el elsőre a nyers jelöléseket, mérjük be többször, és építsünk olyan rendszereket, amelyek képesek kiszűrni a forrás‑ vagy gyártói artefaktokat.
(A forrásbeszélgetés Ian Quigley‑val készült podcast‑epizód alapján foglalta össze a lényegi pontokat; a Minos‑hoz kapcsolódó preprint, blog és adathalmaz publikussá vált.)
