Microsoft Research 介紹 Quine 生物學 AI 研究系統並開放 Fellows 計劃申請
Introducing Quine: An AI research system designed for the complexity of biology
Microsoft Research 介紹 Quine,一個結合生物學多模態世界模型與互動式研究流程的 AI 研究系統,並開放首屆 Quine Fellows 計劃申請。
Quine 將跨生物模態的世界模型接入文獻、科研工具與實驗迴圈,並以胰臟癌細胞狀態轉換案例展示預測如何進入濕實驗驗證。

概覽
- Quine(在新分頁開啟)是一項研究計劃,旨在建立生物學多模態世界模型,以及一個連接模型、科學工具、文獻和研究人員的互動式協作框架。
- 我們與哈佛大學及麻省理工學院 Broad 研究所的研究人員合作,利用這個系統優先篩選預測可推動腫瘤狀態轉變的化合物,並在多種濕實驗室測試中驗證了數個排名最高的候選項目。
- Quine Fellows 計劃(在新分頁開啟)將讓一批科學家使用這個系統,並有機會加快自己的研究及提供科學回饋。
- Quine 是供研究用途的實驗性研究技術,不適用於臨牀或醫療用途;其輸出可能不完整或不準確,必須由合資格研究人員審閲,並接受適當的科學及實驗驗證。隨着技術成熟,我們預期會透過Microsoft Discovery(在新分頁開啟)等產品擴大使用範圍。
二十多年來,Microsoft Research 一直致力於計算與生物學的交匯領域。我們的研究涵蓋免疫學、病毒學、基因組學、生物醫學影像、細胞生物學及蛋白質工程。這些工作帶來了基礎方法、新科學成果,以及應用於臨牀的技術,涵蓋罕見及傳染病診斷,以至癌症生物標記檢測。
在這些工作中,一個教訓愈來愈清晰:生物學並不會像我們的模型和工具那樣,將自身劃分成整齊的界線。基因影響蛋白質;蛋白質在細胞內互相作用;細胞組成組織;而實驗則不斷重塑科學家的認知,以及他們接下來想提出的問題。因此,要在最棘手的生物學問題上取得進展,單靠提升個別資料集或任務模型的能力並不足夠。我們需要能夠跨尺度和模態連繫知識、推理實驗和證據,並參與科學發展迭代過程的系統。
今天,Microsoft Research 正式介紹Quine(在新分頁開啟)。這是一項旨在跨越上述界線的研究計劃,體現我們對一個會隨科學應用而演進的探索系統的長遠願景。Quine 將生物學世界模型與協作框架結合,連接科學工具、文獻、濕實驗室,以及使用這些工具的研究人員。
實驗的侷限
即使實驗技術有所進步,濕實驗室的處理量也有所提升,生物學仍根本受制於時間和複雜性。自然現象無法催促,也不能單靠第一原理推導出來。實驗進展緩慢,迭代週期漫長,而許多最重要的問題涉及相互作用、組合設計空間及下游影響,規模之大,單靠實驗根本難以探索。
與此同時,大規模機器學習的進步,尤其是通用基礎模型和能夠反覆推演問題的推理模型出現,帶來了新的可能。這些系統開始展現超越模式識別的能力:整合跨領域資訊、對抽象概念推理,以及支援迭代式解難。同樣重要的是,許多為人類語言而開發的技術,證明能出乎意料地適用於生物學的部分領域,讓模型可以從不同類型和尺度的資料中學習生物系統的表徵。
這引發了一個發人深省的問題:要建立生物學世界模型,需要具備甚麼條件?我們所説的世界模型,是指一個能表徵生物系統狀態、預測該狀態如何因應幹預而演變,並推理這些幹預在未來多個步驟中所帶來影響的系統。這種系統不會取代實驗,而是讓我們先用計算探索、提出、排序及優先考慮可能的前進方向,再投入稀缺的實驗室資源。我們的長遠目標,是讓科學家、模型和實驗形成持續加速的循環。
我們建構了甚麼
Quine 是邁向這個願景的第一步。它同時包含生物學世界模型,以及一個將模型連接至協調模型和推理模型、科學工具、文獻和研究團隊的協作框架。
這項工作的核心是世界模型,它會跨生物模態和尺度學習共通表徵,包括序列、結構、功能、細胞狀態和影像資料。透過跨模態共同訓練,Quine 可以利用一種模態的證據,為另一種模態的預測提供資訊,捕捉原本會被分隔或遺失的關係;若由系統協調多個不同領域的專家模型,這些關係便可能無法保留。這種多模態設計反映了生物學的現實:理解任何一個層面,都需要其他層面的脈絡。我們發現,跨這些彼此關聯的表徵學習不但沒有削弱效能,反而有所提升,讓模型更有效地泛化,並支援更廣泛的生物學推理任務。
研究人員把這個模型整合到一個支援計算實驗並從迭代中學習的統一系統後,便可跨模態生成預測,並在生物幹預於實驗室接受測試前,推理其可能後果。重要的是,世界模型不必完美——事實上,它永遠無法完美模擬生物學——只要能有效為實驗設計提供參考便足夠。
這在癌症生物學中的實際應用
一個具體例子來自我們對胰管腺癌(PDAC)的研究。這是最常見的胰臟癌,也是最難治療的癌症之一。透過與麻省理工學院及哈佛大學 Broad 研究所的研究人員合作,多年來我們一直在開發和應用源自患者的離體模型,以探究一項長期假説:腫瘤行為和藥物反應不只取決於基因,也取決於轉錄細胞狀態。在 PDAC 中,腫瘤細胞可以處於不同的細胞狀態,而這些狀態與其對治療的反應有關。
現在,我們利用 Quine 將這項假説付諸實踐,探索癌症的非遺傳特徵,尤其是細胞狀態,能否成為可採取治療行動的目標。我們利用 Quine 預測並優先篩選數千種化合物,評估它們令腫瘤細胞在具治療意義的狀態之間轉變的潛力。在聚焦於由經典型轉向基底型細胞狀態的濕實驗室研究中,Quine 排名最高的化合物在各項實驗測試中產生了最大的預期轉變。整個過程——從迅速縮小化合物搜尋範圍,到挑選少數有希望的候選項目並在實驗室驗證——只用了一個週末,可能節省數月實驗工作和可觀的研究成本。值得注意的是,部分最強效果來自作用機製出乎意料的化合物,初步顯示 AI 能發掘藥物再利用和新藥發現的機會。
相反方向的狀態轉變(由基底型轉向經典型細胞狀態)較難實現,而 Quine 亦預測現有化合物的這種效果會較弱。更值得注意的是,實驗揭示了一項我們未完全預料到的發現:Quine 預測數種化合物會持續令細胞轉向一種截然不同的第三種表型,而實驗室結果證實了這個觀察。這顯示胰臟癌細胞狀態的分佈,遠比單純的經典型至基底型軸線更豐富。實驗不但驗證了模型假説,也帶來了新的假説。
我們會繼續整合新的 RNA 資料集和任務,以呈現這個更豐富的狀態分佈、加強狀態轉變預測,並提供校準過的信心估算,協助科學家優先選擇最值得在濕實驗室測試的假説。這正是 Quine 要支援的回饋循環。每一輪實驗都會加深我們對生物學的理解,而每項新見解都可成為下一代系統的訓練訊號。
透過探索學習——一份邀請
我們建立 Quine,是為了改善自己的科研方式。隨着系統演進,我們把它融入正在進行的科學計劃。每個研究問題、實驗結果和意外發現,都成為完善模型、改善工作流程,以及更深入瞭解 AI 能在哪些方面切實加快研究的機會。久而久之,系統成為我們在多個領域探索發現的核心部分,包括癌症生物學、蛋白質工程、基因組學和生物影像。
我們希望在這個早期階段介紹 Quine,延續這項基礎工作。Quine 源自我們自己的研究,但我們不希望它的後續發展與外界隔絕。決定它下一步發展的許多問題,並非我們獨力可以解答;這些問題需要更廣泛科學社羣的專業知識、創意和觀點。因此,我們現正開放Quine Fellows 計劃,讓從事生物學和醫學前沿工作的科學家直接使用這個系統。
負責任地建構技術始終是首要原則。我們相信,AI 與生物學的進展必須與安全、保安及負責任的管理並行。我們正以審慎、分階段的方式推進 Quine 的開發和開放使用,初期只限 Quine Fellows 計劃及部分研究合作項目使用。持續的內部審查和內置保障措施,將協助我們在系統演進時維持適當監督。隨着技術成熟,我們預期會透過Microsoft Discovery(在新分頁開啟)等產品擴大使用範圍。
人們很容易以基準測試和排行榜來描述 AI 在生物學方面的進展。這些固然重要,但 Quine 的真正考驗,在於它面對實際科研時會有甚麼表現。證據不完整時,它能否發揮作用?面對真正前所未見的問題時又如何?它能否縮短從提出問題到取得發現的路程?
歸根究柢,這才是我們重視的標準。我們希望 Quine 退居科研實務的幕後,讓前線科學進展得更快。主角不是模型或平台,而是科學家、實驗,以及隨之而來的發現。
在新分頁開啟
文章Introducing Quine: An AI research system designed for the complexity of biology最初刊載於Microsoft Research。
來源:Microsoft Research · microsoft.com