实验室在环，计算速度——Ian Quigley
来自 Latent Space · 期号 2026-10-15
摘要
DNA 编码库（DEL）是药物发现里出了名难用的技术——蛋白质会误结合到 DNA 标签上，数据噪声极大。Leash Bio 的做法是给每个分子贴几十个条形码，通过冗余设计筛掉假阳性，最终拿到了干净、可复现的高通量数据。 他们用自家数据训练的模型 Hermes，在公开 benchmark 上追平了 Boltz。不过团队发现 Hermes 其实在记蛋白质的“昵称”而非结合位点，于是主动设计突变实验来打破这种捷径。 最近他们从这批数据里挖出了另一个用途：为科学推理 agent 提供数万个“实验室在环”模拟场景。这个项目已成熟为 Minos，今天发布了完整论文、博客和开源数据集。 “如果你能自己收集数据，为什么还需要模型？”——这是 Ian 提到的 Kosuri 悖论，也是 Leash 整个策略的出发点。
深读
导读 原文信息有限，以下基于节目简介。这期播客深入访谈了 Leash Bio 的 Ian Quigley，探讨他们如何驯服 DNA 编码库（DEL）这一药物发现中臭名昭著的高噪声技术，并基于自产数据训练出性能追平公开基准的蛋白质-配体结合模型 Hermes。听众能带走一个核心认知：当你能自己收集干净的高通量数据时，模型的价值和局限都会变得异常清晰。 关键信息 - Leash Bio 为每个分子贴上几十个条形码，通过冗余设计筛除蛋白质误结合到 DNA 标签上产生的假阳性，从而从 DEL 中提取出干净、可复现的数据。 - 他们仅用自家数据训练的模型 Hermes，在公开 benchmark 上追平了 Boltz；但团队发现 Hermes 实际上在记忆蛋白质的“昵称”而非结合位点，于是主动设计突变实验来打破这种捷径。 - 他们从积累的数据中挖掘出数万个“实验室在环”模拟场景，用于科学推理 agent 的强化学习，该项目已成熟为 Minos，并发布了完整论文、博客和开源数据集。 - Ian 提到 Kosuri 悖论：如果你能自己收集数据，为什么还需要模型？—— 这是 Leash 整个策略的出发点。 - 他们曾举办 Kaggle 竞赛，约 40 亿次测量、约 2000 个团队参与，结果在未见过的化学库上无人能超越随机水平。 逐节讲解 为什么 DEL 让人望而生畏，以及 Leash 如何驯服它 DNA 编码库（DEL）是一种高通量筛选技术，通过给每个小分子贴上独特的 DNA 条形码，来大规模测试蛋白质与小分子的结合。但 DEL 有个严重问题：蛋白质会误结合到 DNA 标签本身，产生大量假阳性数据。Leash 的做法是给每个分子贴几十个条形码，通过冗余设计来识别并筛掉这些假阳性，最终拿到干净、可复现的数据。Ian 还提到一个经验法则：生物学只有两种方式能规模化，拍照和测序 DNA。 公开数据的陷阱：Kaggle 竞赛与 Clever Hans 效应 Leash 举办过 Kaggle 竞赛，基于约 40 亿次测量，约 2000 个团队参与，结果在未见过的化学库上无人能超越随机水平。这暗示公开数据可能隐藏着系统性偏差。更惊人的发现是：模型可以从分子结构中猜出它的化学家是谁，而“谁制造的”预测活性的准确度几乎与分子结构本身相当。这被称为“Clever Hans”效应，模型在学捷径而非真正的结合规律。 自产数据训练模型：Hermes 的成功与局限 Hermes 仅用 Leash 自己的数据训练，在公开 benchmark 上追平了 Boltz。但团队发现 Hermes 实际上在记忆蛋白质的“昵称”而非结合位点。为了打破这种捷径，他们主动设计并大规模测试蛋白质突变体。此外，他们意外发现 Lumacaftor 类分子可以作为错误折叠蛋白质的探测器。 从数据到 agent：Minos…