EvolutionaryScale เมื่อเอไอเริ่มอ่านและเขียนภาษาของชีวิต (2)

Biology Beyond Nature | ภาคภูมิ ทรัพย์สุนทร

จากสตาร์ตอัพร้อยล้านดอลลาร์

สู่โครงการวิทยาศาสตร์พันล้าน

ตอนที่แล้วเราเล่าถึงทีมของ Alex Rives ที่สอนเอไอให้เรียนรู้แบบแผนจากลำดับโปรตีนมหาศาล จนพัฒนา ESMFold ซึ่งทำนายโครงสร้างโปรตีนได้หลายร้อยล้านรายการ แต่ในปี 2023 Meta กลับยุบทีมวิจัย

คำถามที่ค้างอยู่คือ นักวิทยาศาสตร์จะพัฒนาเครื่องมือที่กินทรัพยากรมหาศาลเช่นนี้ต่ออย่างไร เมื่อบริษัทแม่ไม่สนับสนุนแล้ว

Rives และเพื่อนร่วมงานเลือกตั้งบริษัทใหม่ชื่อ EvolutionaryScale ร่วมกับ Tom Sercu และ Salvatore Candido ทั้งสามนำความเชี่ยวชาญด้านเอไอและวิศวกรรมระบบจากโลกเทคโนโลยีมาทำงานชีววิทยา

บริษัทเปิดตัวเดือนมิถุนายน 2024 พร้อมเงินทุนรอบแรกกว่า 142 ล้านดอลลาร์ ผู้ลงทุนรวมถึง AWS และหน่วยลงทุนของ NVIDIA ซึ่งเป็นทั้งผู้ให้บริการคอมพิวเตอร์และผู้มีส่วนได้เสียกับตลาดเอไอที่เติบโตขึ้น

แต่เงินลงทุนไม่ใช่รายได้ และบริษัทนี้ไม่ได้ขายยาหรือโปรตีนชนิดใดโดยตรง เป้าหมายคือสร้างเครื่องมือที่นักวิจัยและบริษัทอื่นนำไปออกแบบโปรตีนผ่านบริการออนไลน์และสิทธิ์การใช้งานเชิงพาณิชย์ได้

ข้อมูลสาธารณะยังไม่พอจะบอกว่ารายได้จากลูกค้าครอบคลุมต้นทุนการพัฒนาและให้บริการโมเดลหรือไม่ ยิ่งเครื่องมีขนาดใหญ่ ค่าใช้จ่ายก็ยิ่งเป็นคำถามสำคัญ

สิ่งที่บริษัทนำมาเปิดตัวคือ ESM3 ซึ่งไม่ได้เรียนรู้เพียงลำดับกรดอะมิโน แต่เชื่อมลำดับ โครงสร้างสามมิติ และข้อมูลหน้าที่ของโปรตีนเข้าด้วยกัน

นักวิจัยจึงสามารถกำหนดเงื่อนไขบางอย่าง เช่น รูปร่างของบริเวณสำคัญ แล้วให้เอไอเสนอส่วนที่เหลือ ต่างจาก ESM รุ่นแรกที่ฝึกเพื่อเดากรดอะมิโน และ ESMFold ที่เน้นทำนายโครงสร้าง โมเดลใหญ่สุดในตระกูล ESM3 มีพารามิเตอร์ 98,000 ล้านตัว

การออกแบบ esmGFP ในตอนแรกทำให้เห็นความสามารถนี้อย่างเป็นรูปธรรม

ทีมระบุข้อมูลโครงสร้างบางส่วนของ GFP แล้วให้ระบบสร้างลำดับที่อาจเรืองแสงได้ จาก 96 แบบแรกพบ B8 ที่เรืองแสงอ่อน จากนั้นใช้มันเป็นจุดตั้งต้นของอีก 96 แบบจนพบ C10 ที่สว่างใกล้เคียงโปรตีนธรรมชาติ

ความแตกต่าง 96 ตำแหน่งจาก 229 ตำแหน่งบอกว่า เอไอช่วยพาเราไปสำรวจลำดับที่ห่างจากตัวอย่างคุ้นเคยมาก โดยยังรักษาหน้าที่หนึ่งเอาไว้ได้

ความสำเร็จนี้มีความงามอยู่ตรงที่เอไอไม่ได้เริ่มจากศูนย์

ธรรมชาติใช้เวลาหลายร้อยล้านปีทดลองผ่านการกลายพันธุ์และการคัดเลือก ลำดับโปรตีนที่ยังพบอยู่ทุกวันนี้จึงเก็บร่องรอยว่าการจัดเรียงกรดอะมิโนแบบใดมีโอกาสพับตัวและทำงานได้ ESM เรียนรู้ร่องรอยเหล่านั้นจากตัวอย่างมหาศาล แล้วนำความรู้ที่ได้มาเสนอโปรตีนซึ่งต่างจากต้นแบบธรรมชาติอย่างมากภายในเวลาที่มนุษย์นำไปทดสอบได้ ไม่จำเป็นต้องรอให้สายพันธุ์หนึ่งค่อยๆ เปลี่ยนผ่านรุ่นแล้วรุ่นเล่า

ที่สำคัญ เป้าหมายของเอไอไม่จำเป็นต้องเหมือนเป้าหมายของวิวัฒนาการ โปรตีนในธรรมชาติต้องอยู่ภายใต้แรงคัดเลือกของสิ่งมีชีวิตที่มันอาศัยอยู่

แต่เราสามารถตั้งโจทย์ให้โปรตีนใหม่เรืองแสง จับเป้าหมาย หรือเร่งปฏิกิริยาเพื่อตอบความต้องการของมนุษย์ได้

คล้ายเอไอภาษาที่เรียนแบบแผนจากหนังสือและเว็บไซต์นับไม่ถ้วน แล้วนำมาร้อยเรียงเป็นข้อความใหม่ตามโจทย์ที่คนตั้ง

ทั้งสองกรณีไม่ได้ปลอดจากข้อจำกัดหรือรับประกันว่าผลลัพธ์จะถูกต้อง แต่เปิดทางให้สร้างสิ่งที่ไม่ได้ปรากฏอยู่ตรงๆ ในข้อมูลที่ใช้เรียนรู้

esmGFP ไม่ได้พิสูจน์ว่าเอไอสร้างโปรตีนอะไรก็ได้ตามสั่ง โปรตีนยังต้องพับตัวและทำงานตามกฎเคมีและฟิสิกส์จริงๆ งานพัฒนายายิ่งต้องทดสอบความปลอดภัยและประสิทธิภาพอีกมาก และ ESM3 ก็ไม่ใช่เครื่องมือแรกที่ออกแบบโปรตีนใหม่ได้

กระนั้น ความน่าสนใจของ ESM3 คือแนวทางให้เอไอเรียนรู้ความสัมพันธ์หลายด้านของโปรตีนร่วมกัน ก่อนใช้ความรู้นั้นเสนอแบบใหม่ที่ต้องทดลองพิสูจน์ต่อ

โจทย์ต่อไปของ Rives ยากกว่าโปรตีนตัวเดียวมาก ถ้าต้องการทำนายว่าเซลล์จะตอบสนองต่อยาหรือการแก้ไขยีนอย่างไร

ลำดับโปรตีนเพียงอย่างเดียวไม่พอ เราต้องมีข้อมูลที่วัดการทำงานของเซลล์จริงๆ ภายใต้เงื่อนไขที่ควบคุมได้ และต้องสร้างการทดลองใหม่เพื่อตรวจคำทำนายด้วย การเพิ่มขนาดโมเดลจึงอาจไม่ใช่คำตอบทั้งหมด

ตรงนี้เรื่องของ EvolutionaryScale กลับไปพบ Mark Zuckerberg อีกครั้ง แต่ผ่านองค์กรคนละแห่งกับ Meta ย้อนกลับไปปี 2016 เขากับ Priscilla Chan ประกาศสนับสนุนวิทยาศาสตร์ผ่าน Chan Zuckerberg Initiative โดยจัดสรร 600 ล้านดอลลาร์ก่อตั้ง Biohub ร่วมกับมหาวิทยาลัยในซานฟรานซิสโก เป้าหมายเดิมคือสร้างเครื่องมือ ข้อมูล และความร่วมมือสำหรับศึกษาชีววิทยา ไม่ได้เริ่มจากธุรกิจเอไอโปรตีน

เดือนพฤศจิกายน 2025 Biohub ประกาศรับทีม EvolutionaryScale เข้าร่วม โดย Rives เป็น Head of Science นี่ไม่ใช่ Meta ซื้อทีมกลับไป แต่เป็นการย้ายเข้าสู่องค์กรวิจัยที่ได้รับการสนับสนุนจาก Zuckerberg และ Chan ซึ่งต้องการรวมผู้สร้างโมเดล นักชีววิทยา เครื่องมือวัด และห้องทดลองเข้าด้วยกัน ให้เอไอเสนอคำตอบแล้วมีระบบสร้างข้อมูลจริงเพื่อตรวจสอบและปรับปรุงคำตอบนั้น

ขนาดของความพยายามเพิ่มขึ้นอย่างรวดเร็ว Biohub วางแผนมี GPU 10,000 ตัวภายในปี 2028 และในปี 2026 ประกาศ Virtual Biology Initiative วงเงินเริ่มต้น 500 ล้านดอลลาร์

ก่อนขยายความร่วมมือในเดือนตุลาคมเป็นมูลค่าราว 1,800 ล้านดอลลาร์ โดยมีหน่วยงานรัฐบาลสหรัฐและบริษัทเทคโนโลยีหลายแห่งร่วมมือ

ลองย้อนกลับไปที่แสงสีเขียวจากหลุม B8 การที่มันกลายเป็น C10 ซึ่งสว่างขึ้นในระดับที่ใช้การได้ ความสำเร็จนี้ไม่ได้เกิดจากเอไอเพียงฝ่ายเดียว แต่ต้องมีคนเลือกโจทย์ สร้างโปรตีน และตรวจผลทดลองจริง เส้นทางจาก Meta ผ่าน EvolutionaryScale มาสู่ Biohub ก็สะท้อนบทเรียนเดียวกันในระดับองค์กร เครื่องอ่านภาษาชีวิตอาจต้องใหญ่ขึ้น แต่ระบบที่เชื่อมเครื่องกับการทดลองจริงก็ต้องดีขึ้นด้วย

บทพิสูจน์ของเงินลงทุนระดับพันล้านดอลลาร์จึงไม่ใช่จำนวน GPU หรือจำนวนลำดับที่เอไอสร้างได้

หากอยู่ที่มันช่วยให้นักวิทยาศาสตร์ค้นพบและตรวจสอบความรู้ใหม่ได้มากเพียงใด และความสามารถเหล่านั้นจะเข้าถึงนักวิจัยนอกสถาบันยักษ์ใหญ่ได้แค่ไหน