光子盒研究院出品
如果科技的直接目的是减少资源稀缺性，那么它的最终目的是消除死亡率。
算力价格。来源：Mother Jones
每当一家科技公司推出新产品时，他们都将其描述为具有更好的性能和更高的效率。这意味着更多的产品可以以更实惠的方式普及更多的人群，从而减少资源稀缺性。我们所拥有的最稀缺的资源是时间，它受到生物学的支配。作为建立文明的技术，人类的共同命运是重新设计我们的生物学，通过延长我们的寿命来减少时间资源的稀缺性。那我们该怎么做呢？所有现代技术的三个基本组成部分是字节、原子和基因。所有数字信息的基本单位都是字节，所有物质的基本单位都是原子，所有生物学的基本单位都是基因。我们在基于所有这三个基本现实构建块创建产品方面取得了长远的进步：从火箭到晶体管，再到DNA测序硬件，而它们的融合将帮助我们延长寿命。就像加密货币发展拒绝了传统金融体系的基本前提，即只有政府印发的货币才有价值一样，不断增长的寿命发展拒绝了传统医疗体系的基本前提。也就是说，逆转衰老的过程是不可能的，这将整个生物医学技术堆栈分支到一个新的领域。这个新的技术堆栈将包括四种指数级别技术的融合：深度学习、多组学、区块链和量子计算。接下来让我们逐一介绍。
令人震惊的是，深度学习在预测方面呈现出比其他机器学习技术指数级别的优势。“更多计算”假设目前仍是未知上限。我们为语言模型、图像分类器和视频生成器提供的计算和高质量数据越多，它们的准确性就越高。深度学习是计算的新范式，我们不再给机器设定规则，而是让它们学习规则。这是我们在自动化系统方面取得的指数级进步，从特斯拉等自动驾驶汽车，到帮助心理疾病患者的聊天机器人，再到立即为用户提供最佳相关结果的搜索引擎。生物数据可能太过复杂，任何人或团队，无论他们有多少相关领域的知识，都无法发现未知的模式。但是深度学习可以在比任何人都高的维度上发现这些新模式，它可以解释只存在于1000+维度空间中的关系。这些深度学习模型将帮助我们取代每年的医生会诊，使其成为医疗保健的过时形态。当我们出现症状时，我们不会进行人工诊断，而是让这些模型以智能健康传感器的生物标志形式持续监测多种分析指标，即多组学数据，它们能够预测生活方式并给出建议，以便在疾病发生之前就预防疾病，从而最佳地延长我们的寿命。
“组学”是一个分子术语，指的是对一对分子的研究。在过去的几十年里，我们看到了硬件和软件的惊人进步，医学研究人员能够在最小尺度上从微小分子水平研究人类健康。更强大、更实惠的显微镜、测序技术和计算能力已经产生了数PB（约10.7亿MB）的数据。
基因组学是第一个出现的相关学科，它对整个基因组的研究，也称DNA。我们都是DNA组成的生物，我们的700MB源代码是由As、Cs、Ts和G组成的30亿个字母字符串组成。我们都是人格特质、身体素质、精神毅力和饮食一致性的独特组合的个体，这些组合源于生物学编程语言。它的源代码是四个字母而不是1和0。这些基元组合在一起会产生由化学信使执行的功能，将信息传递到蛋白质和脂肪等巨大、高度复杂的结构中。由于年龄或暴露于环境等因素，我们的部分基因被激活或关闭，这些DNA序列的变换方式导致了一连串有趣的活动。这种行为被称为表观遗传变异，对其的研究被称为表观基因组学。但是，虽然DNA可以保存数据，但它并没有将其应用于特定的任务。为了提取数据，将其作为信息发送到正确的位置，例如制造蛋白质，DNA被转录成称为RNA的信使分子。对所有这些RNA转录或翻译过程的研究称为转录组学。
来自这些过程中的数千种蛋白质中的十种单独负责体内数千项关键任务。研究这些蛋白质如何产生、降解和表达的过程被称为蛋白质组学。
蛋白质降解成一组称为代谢物的分子，包括碳水化合物和脂质。这是基因转录的最终下游结果，代表了生物系统的当前状态，对这过程的研究称为代谢组学。现代医学的挑战是将所有这些数据整合到一个完整的健康图景中，称为多组学分析。在计算机科学术语中，基因组是硬盘，负责存储数据。表观基因组是磁盘读取器，转录组是解码器，代谢组是过程监视器，蛋白质组则是应用。老化的过程是信息的丢失。随着时间的推移，作为硬盘的基因组开始缺失。通过研究所有的组学层，我们可以更准确地理解信息的流动，并最终学习如何保存和恢复这些信息，从而有效逆转衰老过程。我们可以使用不同类型的神经网络架构来预测所有这些基础数据。分子生物标志物是通过分析不同组学提供的级联信息来发现的。生物标志物在为患者规划预防措施和决策方面发挥着重要作用，可分为诊断性、预后性或预测性。诊断性生物标志物可用于确定患者是否存在疾病，预后性生物标志物则提供有关标准治疗或不采用标准治疗的总体患病可能性的信息，而预测性生物标志物则用于识别谁有患病风险。所有这些生物标志物也用于确定哪种治疗方法更适合特定患者。不幸的是，大多数多组学数据目前只有少量组织私人持有。但我们看到越来越多的组数数据集因为区块链的原因被匿名开源供采用。
从十几年前世界上第一个加密货币比特币开始，区块链就成了公众关注的焦点。那是因为它是一个数字有机体，比所有人类的计算都要强大。想摧毁比特币网络，需要比世界上最快的500台超级计算机加起来还要多的计算能力。这是因为它使用所谓的工作量证明算法来让节点解决随机生成的数学问题。这个共识层是同类中的第一个，通过区块链技术的发展，我们将开始创建新的组织，这些组织没有中心故障点，并由社区管理，自由共享数据集。这个新兴的web3原生结构的名称为DAO（去中心化自治组织）。
一个很好的例子是VitaDAO，这是一个用于资助早期长寿研究的分散集体。来自VitaDAO的所有研究、交易和数据均公开提供。通过使用其原生代币，成员可以加入对提案进行投票，并以开源方式访问其所有信息。我们将开始看到越来越多的以健康为重点的DAO，它们公开发布更多的组学数据集，并通过区块链确保所有权。但是，如果我们真的想逆转衰老过程，仅依靠来自组学数据集上的深度学习模型的生活方式建议是不够的。我们需要能够在分子水平上靶向与年龄相关的逆转衰退的药物。为了做到这一点，我们需要将药物发现过程加快几个数量级。那该怎么做呢？答案就在量子计算中。
目前中美加三国实现了量子计算优越性，这证明了量子计算机的性能在某些特定任务上优于经典计算机。在量子领域的竞争仍在继续，数亿美元被投入到这些机器的研发中，量子计算机将有可能以指数级的速度超越任何传统计算机。利用量子力学，即上世纪发现的叠加和纠缠的概念，这些机器能够以前所未有的方式重新排列物质和信息。量子计算可以成倍地提高深度学习的准确性，围绕这一点，一个新的领域，量子深度学习正在逐步成型。这些量子模型不仅有望提高预防性建议和诊断的准确性，而且能够帮助发现全新的长寿药物。
药物发现是一个长达数十年的过程，需要超过十亿美元才能够将一种药物推向市场。如果量子计算机运行得足够好，我们或许能够通过精确模拟量子力学，完全在计算机上如同现实那样模拟生化反应。我们不仅可以发现新药，而且不用在实验室中测试它们，而是直接在计算机上进行模拟。随着药物设计开发和测试阶段的数量级改进，我们可以比以往更快地创造更多的新药。https://medium.com/@siraj_raval/human-longevity-deep-learning-x-biomedical-datasets-x-blockchain-x-quantum-computing-f8ae54dc92c9
每周一到周五，我们都将与光子盒的新老朋友相聚在微信视频号，不见不散！你可能会错过：