诺奖得主莱维特：生物智能、人类智能、人工智能如何影响科技创新
2023复旦管院科创周·观点精粹
在2023复旦管院科创周开幕论坛暨“科技之光”大讲堂上，2013年诺贝尔化学奖得主迈克尔·莱维特（Michael Levitt）在线发表主旨演讲，围绕生物智能、人类智能和机器智能对科学技术创新的影响，从计算生物学角度分享了他的研究观点和前沿洞察。
01
■ 最具多样性者生存
地球上有三种不同但密切相关的智能：生物界有生物智能，人类有人类智能，计算机具有人工智能。事实上，地球上最伟大的智能形式是生物智能。生物智能创造了地球上所有的生命，创造了人类，然后人类才制造出了计算机。
生物智能可以制造几乎任何东西，我们也可以从它的进化中去学习。生物智能可以制造非常“聪明”的分子，例如DNA、蛋白质、核糖体、神经元。它可以制造细胞，而单个细胞就像一座城市一样复杂了。它还可以制造手、眼睛、大脑，制造鸟、树叶乃至任何东西。大自然很了不起，可以在真实的三维世界中制造实物。
在生命中，我们经历了从简单到复杂的进化。复杂的生物会有着两个或更多父系，换句话说，有男性细胞也有女性细胞，有男人也有女人，他们创造了孩子，这些孩子实际上只是父母基因的随机混合物。
随着时间的推进，真核生物已经变得越来越复杂，也因此具有更多的多样性。这导致真核生物拥有更多不同的行为能力，就像一位聪明的投资者在进行多样化投资。
由于未来是无法预测的，所以最具多样性特征的物种会有更多机会生存下来。真核生物的演化不是“最适者生存”，而是最具多样性者生存。
02
■ 伟大的科学家是伟大的榜样
人类智能中，真正重要的是互相学习。互联网让人类可以进行全球学习，人工智能更是大幅提升了学习信息的收集效率。因此，尽管人类的基因没有改变，学习环境的提升也让人类变得越来越聪明，而伟大的科学家会是伟大的榜样。例如，蛋白质晶体学家马克斯·佩鲁茨（Max Perutz），他与英国分子生物学家约翰·考德雷·肯德鲁（John Cowdery Kendrew）共同获得了1962年诺贝尔化学奖。蛋白质具有非常精确的三维形状，而血红蛋白和肌红蛋白是两种存在于血液中和肌肉中的蛋白质。佩鲁茨和肯德鲁第一个利用X射线衍射法测定出了血红蛋白和肌红蛋白的结构，在1961年的《科学美国人》杂志上，还刊登了一幅艺术家绘制的蛋白质结构彩色图片。
1953年，佩鲁茨的博士生弗朗西斯·克里克（Francis Crick）在剑桥大学卡文迪许实验室与詹姆斯·沃森（James Watson）共同发现了脱氧核糖核酸（DNA）的双螺旋结构。DNA是编码在不同化学基团的序列中的信息，为了使DNA的信息看起来更像真实的三维世界，须将该信息转换为三维结构。蛋白质分子是由一串20种不同化学基团（氨基酸）连接起来的分子，如同项链上的珠子。蛋白质折叠式生命自组装的奥秘，折叠的蛋白质分子远小于未折叠的。
凭借对DNA双螺旋结构的发现，克里克、沃森与莫里斯·威尔金斯（Maurice Wilkins）共同获得了1962年的诺贝尔生理学或医学奖。实际上，佩鲁茨完全可以在克里克的论文上署名，但佩鲁茨并没有抢年轻科学家的功劳，这也成为科学史上的一段佳话。
我的主要研究领域是计算生物学，包括了DNA和蛋白质的分子动力学模拟。1975年，我和亚利耶·瓦谢尔（Arieh Warshel）一起实现了蛋白质折叠的首次计算机模拟。我们用1000个最小化步骤完成蛋白质折叠，并用正常模式条约逃离局部极小值。
关于“如何获得诺贝尔奖”，我认为离不开5个要素：一是让年轻的科学家独立负责；二是以5人左右的小型团队为最佳规模；三是要有充足的研究经费；四是要有来自同侪的强大压力，你的下一篇论文优秀，才算优秀；五是诺奖面前人人平等，学生们要和诺贝尔奖得主一样充满自信。
03
■ AI：助推癌症治疗与新药研发
我们现在拥有强大的计算机能力，而最初的起因其实是出乎意料的。20世纪90年代，许多年轻人喜欢玩电脑游戏。为了让这些游戏感觉良好，计算机需要提速，图形处理单元（GPU）被发明出来。现在，这些GPU也运用于人工智能。人工智能的基础理念实际上是一个非常简单的想法，就是大规模运算。
1943年，心理学家沃伦·麦卡洛克（Warren McCulloch）和数理逻辑学家沃尔特·皮茨（Walter Pitts）提出并给出了人工神经网络的概念及人工神经元的数学模型，开创了人工神经网络研究的时代。感知器是人工神经网络中的一种典型结构，是一种基于简单线性算术的神经网络。生成对抗网络（GAN）是一种通过两个神经网络相互博弈的方式进行学习的生成模型。生成对抗网络能够在不使用标注数据的情况下来进行生成任务的学习。生成对抗网络由一个生成器和一个判别器组成。生成器可以看作学生，判别器可以看作教师，在相互对抗、不断学习中“教师”和“学生”的水平就可以始终相匹配。
ALPHAFOLD（DeepMind公司的一项人工智能程序）解决了一个困扰生物学界50年的难题：实现了对科学上已知的、几乎所有编目蛋白质结构的预测。1975年的仿真模拟蛋白质折叠，并未得到精确的蛋白质结构。一个关键的新思路就是用多序列比对来发现序列的相关共进化信息，其可以反映序列在结构空间的相似性。多序列对比的想法最初由哈佛医学院的克里斯·桑德（Chris Sander）和黛博拉·马克斯（Debra Marks）提出。神经网络的连接具有三维结构。关注着在三维空间中彼此靠近的节点，神经网络学习到了这种连接，这样我们就使得关键单元之间实现了“相互通信”。
应用计算生物学和AI被运用于开创性抗体治疗癌症。抗体如何以如此高的特异性识别这么多其他分子？答案就在每个抗体的三根“手指”上。抗体的结构通常被形象地描述为一个“Y”形，其中包括两个抗原结合部位和一个效应部位。每个抗体分子都有三个抗原结合部位，也可以称为抗原结合位点或抗体的“手指”。如果我们将两种抗体放在一起，就有六根“手指”来固定小分子。不同的东西有不同的抗体，也就有不同形状的“手指”。这意味着抗体可以被训练成识别任何可识别编码的病毒颗粒。它们还可以识别小分子，识别其它蛋白质。
更好的科学会带来更好的发明专利，而更好的发明专利会带来更好的药品。计算机可以设计用于治疗癌症的药物。例如，InterX一直在开发近似于量子力学立场的准确且快速计算的方法，以便研发更优秀的药物。量子力学在癌症代谢成像中的应用非常重要。其中一个重要技术是核磁共振，例如NVision Imaging公司认识到磁共振成像（MRI）是一个量子效应。他们增加代谢分子中核的自旋以在MRI中进行观察，这可以显示肿瘤对药物的反应。NVision偏振器将代谢物的MRI信号增强了100000倍，使它们在MRI扫描中可见。ChatGPT超极化MRI使得肿瘤代谢在时间和空间上的量化成为可能。
AI正在加速癌症治疗药物的研发。例如Insilico Medicine的关键理念是，成功的药物设计是一个流水线过程，所有步骤都需要有效地完成。这是通过将所有可用信息与AI相结合来实现的。传统药物研发过程中，从新药发现到推出需要超过10年和超过20亿美元成本。而现在，研究者在药物开发的所有阶段都应用深度学习，这种方法相当成功，有两种药物已经进入临床试验。希望这种方法能够用于越来越多的药物设计。
作为2023复旦管院科创周开幕论坛的重要组成部分，陆雄文院长主持了本场“科技之光大讲堂”，并与莱维特展开了精彩交流。
“科技之光”大讲堂
“科技之光”大讲堂是学院全面落实科创战略的重要落地工作之一，旨在通过科技知识普及和最新技术发展趋势的引导，提高管理学院教职员工和学生的科技认知水平，建立全院科创文化氛围及共识。
2023复旦管院科创周
请关注微信公众号、视频号“复旦管院”，微博、bilibili、抖音、百家号、小宇宙“复旦大学管理学院”，了解科创周动态、收看直播及精彩报道。
也欢迎在以下学院合作媒体收看直播或报道：
上海科技 新浪新闻 新浪财经 搜狐传媒
中国青年报 澎湃新闻 看看新闻 封面新闻
虎嗅 东方财富网 鲸平台