From Wet Lab to RL Env: 10,000 Drug-Discovery Campaigns in a Weekend — Ian Quigley, Leash Bio

Leash Bio 用 DNA 条形码给 40 万亿个小分子做标记，一次实验测出 40 亿条"分子-蛋白"结合数据，是此前最大公开数据库的 1000 倍。

一家生物公司办了个 Kaggle 比赛，故意藏起最难的那组测试数据，结果 2000 支队伍在最难赛道上全部等于瞎猜。这期播客里，Leash Bio 创始人 Ian Quigley 讲了他们怎么用 DNA 编码库把实验通量做到别人的一千倍，以及为什么"数据规模"比"模型花招"更管用。

导读：Ian 在 Recursion 时遇到一件让他后背发凉的事——同事路过屏幕看一眼分子结构，就知道是哪个化学家合成的。

• Mike Karesi 路过屏幕一眼认出："这看着像 Steuart Tribert 的分子。"Ian 当场觉得"太可怕了"——如果模型也能从分子反推化学家，那它学到的可能不是物理规律，而是人的习惯。
• 他们用 Kemble 数据库里 1815 位化学家、每人 30 篇论文以上的分子训练分类器，只看分子结构猜作者，Top-5 准确率 60%。
• 更关键的是：把分子表示成"1800 维的作者概率向量"，再拿这个向量预测分子活性，效果和用化学结构式一样好。Ian 的结论是：模型学的是社会学，不是物理。

导读：传统做法是一个试管放一个分子，Dell 是把几百万个分子倒进同一根管子，每个分子挂一个 DNA 条形码当身份证。

• 做法像钓鱼：蛋白挂在磁珠上，丢进分子池，能结合的分子被"钓"出来，再测 DNA 条形码就知道是谁。最大 Dell 库有 40 万亿个分子，传统方法最大只有几百万。
• 最大风险是蛋白粘 DNA 造成假阳性。他们的对策：同一个分子配 32 或 48 个不同条形码，如果某个条形码异常突出，说明是 DNA 在捣乱，不是分子在结合。
• 他们在一个地下室公寓（层高 7 英尺）里，由一个人测出 40 亿条分子-蛋白相互作用，而当时最大的公开数据库 BindingDB 只有不到 300 万条。

导读：他们办比赛不是为了刷榜，而是想搞清楚"这个领域到底有没有人真的会做"。

• 比赛设计了三档难度：共享一个分子片段（简单）、共享核心骨架但片段不同（中等）、完全不同的化学库（最难）。最难那档没人跑赢随机猜。
• 前五名里有三个是"噪声教程笔记本"——就是 Kaggle 自带的示例代码。冠军 Victor Schlapov 也没能在最难赛道上超过随机。
• 一个意外收获：SMILES（把分子写成一行文本）这种最朴素的表示法，打败了 3D 图、球面卷积网络等花哨方法。他们因此决定继续用 SMILES。

"如果你能把一个难题塞进可规模化的测量方式里，那就该往死里砸资源——这个领域的问题，和所有其他问题一样，最后拼的是数据。"

• 如果你在做垂直领域 AI，先问一句：你的数据里有没有"社会学信号"混进了"物理信号"？ Leash 的教训是，模型可能记住的是"谁做的"而不是"为什么有效"，这会让你在真实场景里翻车。
• 办比赛或做内部评测时，故意藏一档最难的数据，不要只公布容易的赛道。Leash 藏了最难那组，才看清全行业真实水平——这个做法可以直接抄。