把零散證據轉化為生命科學的探索決策
🏦 台灣Pay 銀行轉帳 💙 PayPal
示範 Life Sciences model 在 Codex 中比較並排序三個氣喘標靶
- 00:02 Life Sciences model 在 Codex 中把結構化資料檢索、文獻搜尋與科學分析組成可重複的 workflow，幫助科學家更快做出更好的決策
- 01:02 模型可以透過 Life Sciences research plugin 引入更多相關證據
- 02:02 模型運用多個資料庫的輸出，呈現 locus-to-gene 脈絡、跨 cohort 追蹤訊號、引入 target disease evidence，並用文獻釐清模糊之處
💡 你可以怎麼用：下次請 AI 幫你做需要比較、排序的決定時，可以要求它「每條結論都附上依據的檔案或來源，並列出還缺哪些證據」。題目複雜的話，就把不同面向分成幾次各自獨立分析，最後再合併判斷。
看全部 14 條重點
🧑🏫 這支影片示範 OpenAI 專攻生命科學的 AI 模型怎麼幫研究團隊決定該先投入哪個新藥方向。題目是替氣喘比較三個候選標靶並排出優先順序。影片值得看的地方，是它把「查資料、分工、整合、下結論」拆成可以重複使用的流程，而且每個結論都附上依據。
- 00:02 Life Sciences model 在 Codex 中把結構化資料檢索、文獻搜尋與科學分析組成可重複的 workflow，幫助科學家更快做出更好的決策↳ Codex 是 OpenAI 的 AI 工作工具，Life Sciences model 是專攻生命科學的版本。它把查資料庫、找論文、做分析串成 workflow（固定流程），下次遇到同類問題可以照著再跑一次。
- 00:02 示範任務：針對氣喘（asthma），比較並排序三個標靶：IL-33、TSLP、IL-1 RA1↳ target（標靶）是藥物要去作用的分子，通常是體內某個蛋白質。這次要回答的是：想做氣喘新藥，IL-33、TSLP、IL-1 RA1 這三個候選，哪個最值得先投入資源。
- 00:02 分析從內部證據包開始，內容包括內部 assay 結果、biomarker 策略、tractability 與安全性，以及 target product profile↳ 分析先從公司自己的資料開始，包括 assay（實驗室檢測）結果、biomarker（可測量的身體指標）打算怎麼用、tractability（好不好做成藥）和安全性，以及 target product profile（預先訂好的藥物規格）。
- 00:32 模型先給出簡明的 top-line 建議，替標靶排名，並以找到的本機資料檔作為建議的依據↳ top-line recommendation 是放在最前面的結論。模型先給出排名，並標明依據的是哪些本機檔案，你可以回頭逐一查證。
- 00:32 Codex 也指出還可以再補充證據，例如 human genetics 或 target disease evidence↳ 模型不只給答案，還會指出哪裡證據不夠。例如 human genetics（基因差異和疾病的關聯）或 target disease evidence（標靶和這個病有關的證據），都值得再補。
- 01:02 模型可以透過 Life Sciences research plugin 引入更多相關證據↳ plugin 是外掛，也就是擴充功能。接上 Life Sciences research plugin 之後，模型可以從外部來源再抓相關證據，不只看公司內部的檔案。
- 01:02 模型經過訓練，知道何時該呼叫合適的 Life Sciences skills，也知道如何綜合這些 skills 的輸出↳ skills 是預先包好的專門能力，例如查某個資料庫的方法。重點是模型會自己判斷什麼時候該用哪一個，用完再把各個結果整合成一個判斷。
- 01:02 運用 Codex 產生 sub-agents，讓每個 sub-agent 分別處理一條證據線↳ sub-agent 是主 AI 派出去的小幫手。Codex 把工作拆開，每個小幫手只負責一條證據線，就像專案分組，各組查各組的。
- 01:02 遺傳學、轉譯生物學、法規背景等準則在最後綜合之前彼此分開處理，以保持不受偏誤影響↳ 遺傳學、translational biology（把實驗室發現接到病人身上的研究）、法規背景各自獨立評估，最後才合併。這樣可以避免某條線的結論先入為主，影響其他線的判斷。
- 01:32 模型指派名為 Pascal 的 agent 負責所有 human genetics 證據，用來比較這三個氣喘標靶↳ 舉例來說，有個取名 Pascal 的 sub-agent 專門負責 human genetics。它只看基因方面的證據，用這些證據來比較三個標靶。
- 01:32 Pascal 正確列出取得適當程度 human genetics 證據所需的相關 skills↳ Pascal 一開始就列出要用哪些 skills，才能把基因證據查得夠深、夠完整。這表示它知道這類問題該動用哪些工具。
- 01:32 共產生六個 sub-agents，全部完成後，再把所有輸出綜合成最終的優先排序↳ 這次一共派出六個 sub-agents。等全部回報完，再合起來排出最後的優先順序，就像各組交完報告後開會定案。
- 02:02 模型運用多個資料庫的輸出，呈現 locus-to-gene 脈絡、跨 cohort 追蹤訊號、引入 target disease evidence，並用文獻釐清模糊之處↳ 基因研究常先找到跟疾病有關的 DNA 位置（locus），再推回是哪個基因，這就是 locus-to-gene。cohort 是被長期追蹤的一群人。模型跨資料庫做這些分析，看不清楚的地方再查文獻。
- 02:02 Life Sciences model 具備更強的思考能力與 bio-intelligence，適合處理複雜的科學任務↳ 影片的說法是這個模型推理能力更強，對生物也更懂（bio-intelligence 是影片的用語），所以適合處理需要整合多方證據的複雜科學問題。
📘 術語
target（標靶）：字幕未解釋；本例要比較並排序的對象是 IL-33、TSLP、IL-1 RA1
assay（檢測分析）：字幕未解釋；內部證據包中包含內部 assay 結果
biomarker strategy（生物標記策略）：字幕未解釋；列為內部證據包的內容之一
tractability（可成藥性）：字幕未解釋；和安全性一起列在內部證據包中
target product profile（目標產品概況）：字幕未解釋；列為內部證據包的內容之一
top-line recommendation（總結性建議）：模型給出的簡明建議，包含標靶排名，並以本機資料檔為依據
human genetics（人類遺傳學）：字幕未解釋；是 Codex 建議可以補充的一類證據，由 Pascal 負責
target disease evidence（標靶與疾病關聯證據）：字幕未解釋；是可以補充、也能從資料庫引入的一類證據
plugin（外掛）：字幕提到 Life Sciences research plugin，用來引入更多相關證據
skills（技能）：模型經過訓練，知道何時呼叫合適的 Life Sciences skills，並綜合它們的輸出
sub-agent（子代理）：由 Codex 產生，各自負責一條證據線，在最後綜合前彼此分開
translational biology（轉譯生物學）：字幕未解釋；是分開處理的證據線之一
locus-to-gene（基因座對應基因）：字幕未解釋；模型運用資料庫可以呈現 locus-to-gene 脈絡
cohort（世代／族群研究）：字幕未解釋；模型可以跨 cohorts 追蹤訊號
assay（檢測分析）：字幕未解釋；內部證據包中包含內部 assay 結果
biomarker strategy（生物標記策略）：字幕未解釋；列為內部證據包的內容之一
tractability（可成藥性）：字幕未解釋；和安全性一起列在內部證據包中
target product profile（目標產品概況）：字幕未解釋；列為內部證據包的內容之一
top-line recommendation（總結性建議）：模型給出的簡明建議，包含標靶排名，並以本機資料檔為依據
human genetics（人類遺傳學）：字幕未解釋；是 Codex 建議可以補充的一類證據，由 Pascal 負責
target disease evidence（標靶與疾病關聯證據）：字幕未解釋；是可以補充、也能從資料庫引入的一類證據
plugin（外掛）：字幕提到 Life Sciences research plugin，用來引入更多相關證據
skills（技能）：模型經過訓練，知道何時呼叫合適的 Life Sciences skills，並綜合它們的輸出
sub-agent（子代理）：由 Codex 產生，各自負責一條證據線，在最後綜合前彼此分開
translational biology（轉譯生物學）：字幕未解釋；是分開處理的證據線之一
locus-to-gene（基因座對應基因）：字幕未解釋；模型運用資料庫可以呈現 locus-to-gene 脈絡
cohort（世代／族群研究）：字幕未解釋；模型可以跨 cohorts 追蹤訊號
✏️ 小考一題
在影片示範中，比較三個氣喘標靶時一共產生了幾個 sub-agents？
A. 三個B. 六個C. 四個D. 兩個看答案
答案：B。[01:32] 字幕提到「Once all of the six agents that have been sub-spawned have completed their output」
💛 覺得有幫助？支持一下
課本免費、沒有廣告，支持與否都能照常讀 🐰