GitHub Radar

這篇是 Latent Space 的 AI x Bio 系列 podcast 節目頁，專訪 Leash Bio 的 Ian Quigley。主持人自述多年前讀到 Leash Bio 的 Substack 就被吸引，例如他們舉辦的 Kaggle 競賽證明蛋白質與配體結合問題遠未解決，以及「知道分子是誰合成的，幾乎就能預測它好不好」這個驚人發現。

DEL 是什麼、為什麼難

Leash 專精 DNA 編碼化合物庫（DEL），這是一種以極高通量蒐集蛋白質與小分子交互作用資料的方法，核心是把問題映射到組合式化合物庫，再用次世代定序讀出結果。主持人坦言在認識 Leash 之前只聽過 DEL 使用者的恐怖故事；Leash 卻把它馴服，取得乾淨、可重現、適合大規模建模的資料，關鍵在於認識論上的嚴謹，以及「就是要把事情做好」的決心。節目談到為何 DEL 讓每個碰過的人都受創，以及 Leash 如何在每個分子上加數十個條碼，抓出結合到 DNA 而非藥物本身的蛋白質。

節目重點

Ian 的觀點：生物學只有兩種方式能規模化，就是拍照與定序 DNA。Kaggle 競賽：約 40 億筆來自地下室實驗室的量測、約 2,000 支隊伍，面對未見過的化學庫時沒有任何人勝過隨機猜測；Leash 也曾暗自擔心 co-folding 模型會讓他們過時。ChEMBL 裡的「聰明漢斯」效應：模型能從分子結構猜出是哪位化學家做的，而「誰做的」預測活性的能力幾乎和結構本身一樣好，暴露了公開資料集的偏差。Hermes：只用 Leash 自家資料訓練的模型，在公開 benchmark 上能跟上 Boltz，另外還提到 Boltz 其實已在 PDB 中見過的一個 BRD4 分子。打破口袋：在發現 Hermes 記住的是蛋白質的「暱稱」而非結合位點後，Leash 大規模工程化蛋白質突變體來對抗這種記憶。agent 沙盒：讓 LLM 用白話推理構效關係（SAR），在 650 萬個分子中以 100 次的預算尋找最佳結合物。藥物開發實績：一個發炎相關計畫從 DEL 命中到在小鼠上取得良好藥動藥效只花六個月，以及在細胞激素標靶上用口服小分子取代抗體的理由。最後談到什麼能阻止資金更多的實驗室在規模上超越他們，以及 Ian 希望能大規模平行純化的願望。

Minos

節目尾聲 Ian 預告團隊當時剛開始玩的東西：一個讓 agent 進行可驗證科學推理的 AI 遊樂場。他們發現過去幾年蒐集的資料可以提供數萬次「lab-in-the-loop」模擬，正是 agent 做科學強化學習所需。兩個月後這個專案成熟為 Minos，並在節目上線當天釋出完整預印本、部落格與開放資料集；Latent Space 預告幾天後會再推出一集快訊更新。