Deep Genomics 的 COO：PCSK9 上的结果是回溯测试，优势在于为训练而设计的数据

一个为训练而设计的实验室，而不只是“lab in the loop”

他说谁都能搭一个设计、测试、分析、调整的循环，关键是数据本身：因果的、来源清楚的、严格整理过的，并且立刻回到模型里。公司里戴手套拿移液器的人和写代码的人一样多，每个实验设计里都有机器学习的人参与。他说和合作方相比，他们的数据集大十倍以上，设计得也更好。

故意做有毒的分子，因为药企的历史数据是偏的

他的理由：药企多年来只想做出有效又安全的分子，所以它们的历史数据严重偏向“好”分子，拿来训练效果不好。Deep Genomics 故意设计有毒的测试分子，让模型学会有毒长什么样；他说数据里的噪声甚至要多于好信号。

“we wanna design test molecules that are intentionally toxic so that the model learns what toxic looks like.”Tom Masterson

PCSK9：模型学到了规则，但答案本来就知道

siRNA 打中目标 RNA 是容易的部分，难的是这段二十来个碱基的片段会粘到细胞里别的 RNA 上。他们的模型 DeepRNAi 预测在靶和脱靶效应；给它一个从没见过的基因 PCSK9 和约 3500 个候选，它挑出 9 个，其中一个已上市。他说这说明模型学到了规则而不是背答案，但这是回溯研究，科学界不会把回溯结果看得和一个真正发现、并在现实中成功的药一样重；而且脱靶问题多筛十倍分子也能硬解，真正让他兴奋的是做到“连硬解都做不到”的事。

“We'll couch this in saying it's a retrospective study.”Tom Masterson

40 个专用模型换成一个基础模型，临床先放一放

他说公司一度有约 40 个专用模型，回报不算惊人；一位科学家做的基础模型超过了其中大多数，于是重来。能这样做，是因为上一轮融资（五六年前）留下了钱，又在生物科技市场转冷时收缩了推进临床的计划，他说进临床成本会涨十倍。递送技术也先放下几年，先把模型做对；开源的 GenomeKit 等工程底座留了下来。

能做单个病人的药，但股东付不起

他说公司做过 N-of-1 的药物设计，能找出突变并设计针对它的分子；但为一个病人倾尽资源，就像把钱全倒进成本中心。治好一个孩子会是全世界的英雄，却未必是股东的英雄，作为受托人每次都得面对这个问题。

“You may be a hero worldwide. The question is, are you gonna be a hero to your shareholders?”Tom Masterson