Meta-forskaren som lämnade LLM-världen för läkemedelsutveckling
Evan Feinberg, tidigare ansvarig för Llamas träning på Meta, har gått till Genesis Molecular AI för att tillämpa diffusionsmodeller (AI som genererar nya molekylstrukturer) på läkemedelsforskning. Deras modell PEARL vann OpenBind-utmaningen utan att ha tränats specifikt på den uppgiften – ett tecken på att så kallad co-folding, där proteiner och läkemedelsmolekyler modelleras tillsammans, börjar nå kliniskt användbar noggrannhet. Det intressanta här är att några av de skarpaste AI-hjärnorna nu prioriterar biologi framför nästa chatbot.
Djupdykning
Sergey Edunov var en av arkitekterna bakom Llama hos Meta – alltså en av de personer som faktiskt byggde de stora språkmodellerna som hela AI-världen snackar om – och han lämnade det för att jobba med molekylär design. Det säger något om var de riktigt ambitiösa problemen upplevs ligga just nu. Genesis fokuserar på "co-folding", vilket kort sagt betyder att modellen inte bara förutsäger hur ett protein ser ut i 3D, utan hur det ser ut *när det binder till ett läkemedelsmolekyl* – det är skillnaden mellan att veta hur ett lås ser ut och att faktiskt förstå hur nyckeln passar in. Deras modell PEARL vann OpenBind-utmaningen utan att ha tränats på den specifika uppgiften (zero-shot), vilket är anmärkningsvärt eftersom det antyder att modellen generaliserar på ett djupare kemiskt sätt snarare än att bara memorera mönster från träningsdata. Det de flesta missar i hypen kring AI och läkemedelsutveckling är att flaskhalsen sällan är att hitta molekyler som ser lovande ut på papper – det är att förutsäga hur de faktiskt beter sig i kroppen, och det är exakt det co-folding-precision börjar adressera. Om tröskeln för bindningsprecision verkligen har korsats nu, förkortas inte bara forskningstiden – hela logiken för hur man prioriterar vilka sjukdomar som är lönsamma att angripa förändras.