用 AI 智取抗藥性細菌 ☕ Buy me a coffee

🧑‍🏫 這支影片是研究抗藥性細菌的科學家，談他們怎麼用 Google DeepMind 的 AI 工具加快研究。抗藥性聽起來很遠，但它關係到你我生病時抗生素還有沒有用，值得花幾分鐘了解 AI 在這裡到底幫了什麼忙。

• 00:04 國際上已公認抗微生物藥物抗藥性（antimicrobial resistance）是一場「無聲的大流行」，需要新的思考方式。
  ↳ 抗微生物藥物抗藥性（antimicrobial resistance），就是細菌等微生物變得不怕藥。它不像疫情那樣上新聞，卻一直在擴大，所以被叫無聲的大流行。
• 00:04 想要有效的療法，就必須不斷找出抗生素的新變化版本；這個問題永遠存在，是生物系統本身固有的特性。
  ↳ 抗生素（antibiotics）是殺細菌的藥。細菌會一直演化、適應，舊藥遲早失效，所以這不是解一次就結束的題目，得持續推出新版本。
• 00:04 病人如果對抗生素沒有反應，可能出現危及生命的感染。
  ↳ 抗生素沒效時，原本吃藥就會好的感染可能一路惡化，嚴重到危及性命。這就是抗藥性最直接的後果。
• 00:04 研究者做出新的抗微生物藥劑，但幾乎一做出來，抗藥性就跟著出現。
  ↳ 抗微生物藥劑（antimicrobial agents）泛指對付細菌等微生物的藥。難處在於新藥才剛做出來，細菌很快就又找到辦法抵抗。
• 00:36 研究者形容自己一直在追著問題跑；而這正是他們發現 AI 工具非常強大的地方。
  ↳ 研究者總是慢細菌一步，只能在後面追。AI 的價值就在幫他們把速度拉上來，不再永遠落後。
• 00:36 多年前剛入行時，解出一個實驗結構可能要花好幾年；現在用 AlphaFold 這類工具只要幾分鐘。
  ↳ 實驗結構（experimental structure）影片沒解釋，一般是指用實驗測出的蛋白質立體形狀。AlphaFold 是預測這種形狀的 AI，把幾年縮成幾分鐘。
• 00:36 受訪者說 DeepMind 的工具帶來徹底的轉變，讓他們能完成以前無法獨立做到的事。
  ↳ 以前有些工作小團隊自己做不來，得靠別人或大量時間設備。有了這些工具，他們自己就能完成，研究門檻降低了。
• 00:36 團隊使用 Gemini、Co-Scientist 等 AI 程式，它會提出有點跳脫框架的想法，改變研究者的觀點。
  ↳ Gemini 是 Google 的 AI 模型，Co-Scientist 是協助科學家構思研究的 AI 程式。它們提的點子不太照常規，反而讓研究者換個角度看問題。
• 01:08 AI 常常產生研究者沒有特別要求的點子，把先前提問中已存在的線索串連起來，受訪者覺得很了不起。
  ↳ AI 不只是問什麼答什麼。它會把你前面問過的幾件事自己連起來，冒出你沒開口要的新想法，這點讓受訪者很驚豔。
• 01:08 團隊在理解新的生物學與新的生物學原理上，進展非常快速。
  ↳ 因為看結構、想點子都變快了，團隊對細菌運作方式的新認識累積得比以前快很多。
• 01:08 受訪者原先沒預料到的是：網路（networks）能抓出人眼不一定直覺看得出來的模式。
  ↳ 這裡的網路（networks）指 AI 模型本身。它能從大量資料中看出規律，而這些規律人用肉眼盯著看也未必察覺得到。
• 01:41 AI 找出的配對與關聯，讓研究者能找到治療危險感染的新方法。
  ↳ AI 指出哪些東西彼此有關聯，等於給研究者新線索，讓他們能朝這些方向去找對付危險感染的新療法。

依字幕所述，有了 AlphaFold 這類工具後，解出結構所需的時間有什麼變化？