Jin Yongcheng von Jindu Biotech: Das von Null auf Eins trainierte Multi-Omik-Großsprachmodell GeneLLM, das „Originalton“ lesen kann, ist lediglich der Ausgangspunkt.

Versteht KI und auch Biologie.

Wenn man den menschlichen Körper mit einem komplexen „Königreich des Lebens“ vergleicht, sind Moleküle wie Gene, RNA und Proteine die Mitarbeiter, die Tag und Nacht ununterbrochen im Königreich arbeiten. Ihre Arbeitsinhalte und Kooperationsweisen sind alle in einer besonderen „Sprache“ aufgezeichnet – das ist die sogenannte Omics-Daten, von der wir oft sprechen.

Diese „Sprache des Lebens“ bestimmt das Leben, Altern, Krankheit und Tod der Menschen und ist hundertmillionenfach komplexer als jede menschliche Sprache. Hunderte von Jahren lang haben unzählige Wissenschaftler versucht, sie direkt zu entschlüsseln, aber der Fortschritt war langsam.

Kürzlich wurde die selbst entwickelte Multi-Omics-Großmodell-Serie GeneLLM von Jindu Biotechnologie nacheinander in internationalen Top-Zeitschriften wie *Nature Communications* und *Advanced Science* veröffentlicht. Das „Verstehen der ursprünglichen Stimme des Lebens“ scheint keine unerreichbare Fantasie mehr zu sein.

Laut Jindu Biotechnologie wird GeneLLM auf Basis von Rohdaten vortrainiert, kann direkt die ursprünglichen RNA-Sequenzen lesen und ist nicht auf Referenzgenome und „Übersetzungen“ durch künstliche Labels angewiesen. Dieser Weg ist extrem „schwer“: Er erfordert die Verarbeitung massiver, unbearbeiteter biologischer Störsignale und kann als das schwerste Kilometer der wissenschaftlichen Intelligenz bezeichnet werden.

Aber für den Gründer Jin Yongcheng ist das noch nicht genug.

„Das letzte Kilometer der wissenschaftlichen Intelligenz besteht darin, ob sie eine Hypothese in die physische Welt bringen und dann die Ergebnisse zurückholen kann.“, sagte Jin Yongcheng. Jindu Biotechnologie, das er zusammen mit drei Alumni der Universität Oxford gründete, hat nicht nur dieses schwerste Kilometer von GeneLLM gemeistert, sondern geht noch einen Schritt weiter: Über die BioFord Agent-Plattform stattet die KI mit physischen „Händen“ aus und überbrückt das letzte Kilometer zwischen dem Modell und dem Labor.

Bis heute hat Jindu Biotechnologie, das seit weniger als vier Jahren gegründet wurde, fast 1 Million registrierte Nutzer im Ausland angesammelt und in den letzten 14 Monaten 6 Finanzierungsrunden abgeschlossen, wobei bekannte Institutionen wie HSG Seed Fund, Chuangdongfang Investment und Gotop Investment investiert haben.

Im Folgenden ist das Gespräch zwischen 36Kr Pro und Jin Yongcheng aufgeführt.

Jin Yongcheng (Bildnachweis: Jindu Biotechnologie)

„Vortraining des Multi-Omics-Großmodells auf Basis von Rohdaten“

36Kr Pro: „Das GeneLLM-Großmodell wird auf Basis von Rohdaten vortrainiert“ – Wie versteht man die Innovation dieser Methode?

Jin Yongcheng: Bei herkömmlichen Methoden werden die Sequenzdaten zuerst in bekannte Gene übersetzt, von Menschen markiert und dann dem Modell zugeführt. Jeder zusätzliche Verarbeitungsschritt führt zu einem Verlust des ursprünglichen Signals, die KI wird in der menschlichen Wahrnehmungsgrenze gefangen und die Ergebnisse weisen auch subjektive menschliche Vorurteile auf.

Aber GeneLLM hat diesen einfachen Weg nicht eingeschlagen. Es umgeht den Schritt der menschlichen Markierung und verarbeitet direkt die ursprünglichen RNA-Sequenzen selbst, was bedeutet, dass die KI die „ursprüngliche Stimme“ liest statt der „übersetzten Version“.

36Kr Pro: Für welche Forschungsrichtungen kann GeneLLM verwendet werden?

Jin Yongcheng: Im Wesentlichen ist es ein universelles Grundgerüst im Bereich der Biologie, das verschiedene Aufgaben übernehmen kann. Langfristig kann es in Szenarien wie Krankheitsdiagnose und -behandlung, neuer Wirkstoffentwicklung, synthetischer Biologie, industrieller biologischer Herstellung, Landwirtschaft und Züchtung angewendet werden.

Ob Sie die Beziehung zwischen einer bestimmten Genmutation und einer Krankheit untersuchen oder ein neues funktionelles Enzym entwerfen möchten, es kann eine grundlegende Verständnisfähigkeit bereitstellen. Welche Anwendungen darauf ausgeführt werden, hängt davon ab, welche Probleme wir und unsere Partner lösen möchten.

Bildquelle: Jindu Biotechnologie

Wir haben vorläufig einige Ergebnisse erzielt. Zum Beispiel bei der Früherkennung mehrerer Krebsarten (wie Darmkrebs, Magenkrebs, Leberkrebs und Lungenkrebs) erreicht die Genauigkeit (AUC) maximal 0,9962; bei der Vorhersage des Frühgeburtsrisikos erreicht der AUC-Wert 0,85, was dem 1,4-fachen der durchschnittlichen Branchengenauigkeit entspricht. Noch wichtiger ist, dass die Sequenzierungskosten für diese Beurteilungen nur ein Sechstel der Kosten herkömmlicher Methoden betragen können. Einige Forschungsergebnisse wurden auch von internationalen renommierten Zeitschriften wie *Nature Communications*, *Advanced Science* und *npj Digital Medicine* anerkannt.

36Kr Pro: Führt die direkte Verarbeitung ursprünglicher Sequenzen durch GeneLLM zu höheren Rechenkosten?

Jin Yongcheng: Tatsächlich ist der Rechenaufwand für die direkte Verarbeitung ursprünglicher Sequenzen größer. Unser Ansatz besteht darin, das Vortraining durch selbstüberwachtes Lernen durchzuführen, sodass das Modell selbst Muster in den Sequenzen entdeckt, statt ihm zu sagen „das ist Gen A, das ist Gen B“. Die Vorabinvestitionen sind zwar nicht gering, aber im Gegenzug kann das Modell Dinge erkennen, die von Menschen noch nicht definiert wurden.

Was die Kosten angeht, haben wir die Modellarchitektur optimiert: Es handelt sich nicht um ein Großmodell mit hunderten Milliarden Parametern, dessen Kosten relativ kontrollierbar sind.

Nicht der Adapter des Labors, sondern „Windows“

36Kr Pro: Viele Menschen denken bei dem Begriff „KI für die Wissenschaft“ zuerst an AlphaFold oder ChatGPT, die Wissenschaftlern beim Durchsuchen von Literatur helfen. Wie würden Sie jemandem, der sich überhaupt nicht mit diesem Bereich auskennt, erklären, was Jindu Biotechnologie tut?

Jin Yongcheng: Stellen Sie sich vor, Sie haben einen hervorragenden Koch, der Ihnen ein sehr detailliertes Rezept mit Zutaten, Gargrad und Schritten entworfen hat. Aber das Problem ist, dass es im Küchen keinen Ofen gibt und niemand kocht, sodass das Gericht nie zubereitet werden kann.

Die meisten heutigen wissenschaftlichen KI-Tools übernehmen die Aufgabe des „Entwerfens von Rezepten“, helfen Ihnen beim Lesen von Literatur, Formulieren von Hypothesen und Erstellen von Plänen. Das ist wertvoll, aber der Wert endet hier. Natürlich entwerfen wir auch Rezepte, aber wir gehen noch einen Schritt weiter: Wir zünden den Ofen an, sodass das Gericht tatsächlich zubereitet wird, und wir dokumentieren den gesamten Kochprozess vollständig, sodass es beim nächsten Mal besser gelingt.

36Kr Pro: Sie haben eine KI-Plattform namens BioFord entwickelt – was ist das?

Jin Yongcheng: GeneLLM ist wie ein „Gehirn“, das der KI eine bessere Fähigkeit zum Verstehen der Biologie verleiht, beispielsweise das Verstehen wissenschaftlicher Probleme, das Aufstellen von Hypothesen und das Erstellen von Vorhersagen. Im herkömmlichen Prozess beginnen Wissenschaftler im nächsten Schritt mit dem Entwerfen von Experimentierplänen und der praktischen Durchführung von Experimenten. Aber es stellt sich eine entscheidende Frage: Müssen Menschen die Experimente immer noch selbst durchführen?

Solange es im Forschungsprozess noch manuelle menschliche Beteiligung gibt, ist die Geschwindigkeit zwangsläufig gering.

Daher haben wir Modell-, Multi-Agent- und Harness-bezogene Technologien weiter integriert und die physische KI-Forschungsplattform für Biowissenschaften BioFord entwickelt.

Bildquelle: Jindu Biotechnologie 

Es lässt nicht einfach Roboterarme die manuellen Experimente von Menschen nachahmen, sondern wandelt das Labor in ein kompilierbares, planbares, beobachtbares und nachverfolgbares digitales System um, das kognitiv die Ebene der Wissenschaftler aufnimmt und physisch mit der Laborumgebung verbindet.

Konkret besteht BioFord aus 5 Agenten. Auf der kognitiven Ebene bilden 4 Agenten – der Literaturrecherche-Agent, der Experimentdesign-Agent, der wissenschaftliche Agent und der Datenanalyse-Agent – ein kooperatives Netzwerk, das die gedankliche Arbeitsteilung eines Spitzenforschungsteams simuliert. Es integriert fragmentierte Arbeitsabläufe in automatisierte Abläufe, kann Literatur lesen, Experimentierpläne entwerfen, verschiedene Modelle mit einem Klick aufrufen und nach Experimenten Daten analysieren sowie Diagramme und Schlussfolgerungen erstellen, was die Effizienz der Forschung erheblich steigert.

Auf der physischen Ebene des Labors plant der Experimentplanungs-Agent die heterogenen Geräte im Labor gemäß den Experimentierplänen und Arbeitsaufträgen, führt Experimente 7 × 24 Stunden ununterbrochen durch und kooperiert mit vorhandenen Laborgeräten mithilfe von Roboterarmen, geschickten Händen und fahrbaren Wagen, um den gesamten Experimentiervorgang abzuschließen. Währenddessen werden Echtzeitaufzeichnungen und Rückmeldungen erstellt, um die Verfolgung des gesamten Lebenszyklus und die Parameteranpassung zu realisieren.

Bildquelle: Jindu Biotechnologie

36Kr Pro: Was ist der schwierigste Punkt in diesem Prozess?

Jin Yongcheng: Im Labor gibt es Zentrifugen von Thermo Fisher, Pipettierroboter von Opentrons und Fermenter aus chinesischer Produktion, die alle unterschiedliche private Codes verwenden und nicht zusammenarbeiten können. Unsere spezialisierte allgemeine Geräteabstraktionsschicht funktioniert wie ein „USB-Treiber“ des Computers, der Schnittstellen vereinheitlicht und standardisiert. Der Roboterarm nimmt das Reagenzglas von der Pipettierstation des Herstellers A auf, gibt es nahtlos an die Zentrifuge des Herstellers B weiter und legt es dann in das Analysegerät des Herstellers C, um die Vereinheitlichung aller Geräte im gesamten Prozess zu realisieren.

Alle Prozessdaten wie Gerätezustände, Betriebsprotokolle und Umgebungsparameter werden erfasst und als Eingabe für das nächste Experiment verwendet.

Dieses Betriebssystem muss nicht nur das Problem der „Verbindung“ zu Geräten lösen, sondern auch die Probleme der Arbeit nach der Verbindung, der Datenerfassung und der Echtzeitanpassung. Es ist nicht nur ein Adapter, sondern eher wie Windows im Labor. Derzeit kann BioFord bereits viele Hardwaregeräte wie Hochdurchsatz-Sequenziergeräte, Flüssigkeitsverarbeitungsarbeitsplätze, biochemische Analysegeräte (PCR/Mikrotiterplattenleser) und Massenspektrometer (LC-MS/TOF) abdecken, was die Anforderungen von Biologielaboren im Wesentlichen erfüllt.

36Kr Pro: Muss dieses Betriebssystem dem Menschen ähneln?

Jin Yongcheng: Menschen haben viele Vorteile wie spontane Urteile, Intuition und Kreativität, die die KI derzeit noch nicht erreichen kann. Aber Menschen haben auch Einschränkungen: Sie werden müde, übersehen Details und können nicht zehn Geräte gleichzeitig überwachen.

Anstatt also einen humanoiden Roboter zu bauen, der den Menschen nachahmt, ist es besser, eine KI zu entwickeln, die den Menschen ergänzt und die Teile der Arbeit, die Menschen nicht gut machen können (wie Stabilität, Genauigkeit und vollständige Aufzeichnung), bis zur Perfektion zu bringen.

Derzeit wurden die mit BioFord verbundenen Technologien bereits an renommierten Universitäten, Krankenhäusern und Forschungseinrichtungen implementiert. Den Ergebnissen zufolge hat sich der manuelle Arbeitsaufwand einiger Labore um 40 % verringert, die Betriebskosten um 30 % gesenkt und der Experimentdurchsatz um das Fünffache erhöht. Arbeiten, die ein Doktorand früher in einem Jahr erledigen musste, dauern mit Unterstützung von BioFord möglicherweise nur noch wenige Wochen.

36Kr Pro: Was ist das am schwersten zu digitalisierende Ding im Labor?

Jin Yongcheng: Am schwierigsten sind spontane Urteile und die Behandlung von Ausnahmefällen. Im Labor treten häufig verschiedene unerwartete Situationen auf: Die Farbe der Probe stimmt nicht, die Messwerte des Geräts springen plötzlich an, die Dauer eines Schritts ist länger als erwartet. Erfahrene Forscher entscheiden intuitiv, ob sie eingreifen müssen, aber solche Urteile lassen sich nur schwer in Regeln fassen.

Unser Ansatz besteht nicht darin, diese Urteile vollständig zu ersetzen, sondern alle Ausnahmesignale vollständig aufzuzeichnen, sodass das System erkennen kann, „was dieses Mal anders ist als beim letzten Mal“, und dann mithilfe des Modells bei der Urteilsfindung zu helfen. Je mehr Daten angesammelt werden, desto stärker wird die Urteilsfähigkeit des Systems.

36Kr Pro: Wie beurteilen Sie die vorhandenen „KI + Automatisierung“-Lösungen auf dem Markt?

Jin Yongcheng: Derzeit gehören einige Lösungen mit der Ausrichtung „KI + Automatisierung“ zu halbgeschlossenen Ökosystemen. Selbst entwickelte Agenten und Hardwaregeräte dienen nur dem eigenen industriellen System und den Forschungsleitfäden und sind an begrenzte Forschungspfade angepasst. In diesem Fall können Daten nur in festgelegten Experiment