AI专家Jesse Johnson畅谈生物技术领域的挑战与机遇

在当今科技飞速发展的时代，人工智能与生物技术的融合正成为一个热门话题。今天，我们深入探讨与著名数据科学家Jesse Johnson的访谈，了解他在这一领域的独特见解和丰富经验。

独特的职业转型之路

Jesse Johnson有着令人瞩目的职业轨迹。他最初在耶鲁大学担任讲师和研究员，专注于抽象三维空间的拓扑学和几何学。之后，他加入谷歌成为一名软件工程师，负责酒店搜索的数据分工作。然而，几年后，他渴望追求更有影响力的事业，于是毅然投身医疗保健领域，最终进入生物技术行业。

从谷歌舒适且高薪的工作环境，到加入一家有着百年历史的大型制药公司，这一转变看似冒险，但从长远来看是正确的决定。在谷歌的工作让他熟悉了先进的技术和数据质量问题，但他希望能在一个能产生更大影响的领域施展才华。

生物医学领域的数据科学挑战

作为生物医学领域的数据科学家，Jesse Johnson面临的主要挑战是建立数据科学团队、生物学家和化学家之间的高效协作。每个人对实验约束、数据收集和模型构建的可能性都有不同的理解，因此需要反复沟通才能找到最有前景的机会。

生物学家和数据科学家的思维方式存在明显差异。生物学家熟悉实验室的各种数据源，在进行成本效益分析时，往往关注即时和特定的用例，可能会低估收益而过度强调成本。而数据科学家可能对可用数据源了解有限，更关注已收集或正在收集的数据，在成本效益分析中往往会过度强调潜在收益。

生物学研究的独特性

与其他自然科学相比，生物学研究有着自身的特点。自诞生以来，生物学就处于数据分析不易获取的环境中。与物理和化学不同，生物学实验数据通常是在特定背景下收集的，由于领域的异质性，很难确定哪些数据具有广泛适用性，哪些仅与特定背景相关。

Merelogic公司的使命

Jesse Johnson创立了Merelogic公司，旨在帮助生物技术组织将机器学习的概念验证项目转化为实际影响力。在生物技术领域，许多有潜力的项目往往卡在概念验证阶段，难以真正融入科学工作流程和管道。Merelogic致力于探索各种方法来解决这一问题。公司名称源于“mereology”，即研究个体部分如何组成整体的学科，这也体现了公司希望整合生物技术组织不同部分，使其发挥整体作用的理念。

典型项目与成果

Merelogic的典型项目围绕着根据前N次实验的数据来确定第N + 1次最佳实验。这可能包括确定需要进一步测试的分子或调整实验条件。在实际工作中，Jesse Johnson分享了两个令人印象深刻的成果案例。

第一个案例是通过数字显微镜图像筛选药物候选物。机器学习团队建立的分类模型能够检测到更细微的差异，但由于数据传输延迟和缺乏与实验室团队的沟通，最初的应用遇到了问题。解决这些问题后，成功通过机器学习确定了首批候选物。

第二个案例是预测多步过程中最有效的蛋白质序列。面对数据噪声和不完整的问题，团队精心建模，最终创建了一个分类模型，为下一步实验提供了蛋白质选择。

技术栈与工具偏好

在技术方面，Jesse Johnson主要使用Python进行编程，因为它具有通用性和灵活性。对于机器学习框架，他没有特别偏好，但最近对Django API比较满意。在数据存储方面，早期生物技术研究中的大量原始数据适合以平面文件形式存储在S3中，而相对较小的结构化数据则可以存储在Postgres中。此外，对于特定数据类型，如测序数据或数字显微镜图像，他倾向于使用开源工具。

对AI趋势的看法

Jesse Johnson对图像分析工具在生物技术中的应用印象深刻。原本用于区分猫和狗的图像分析工具，经过调整后可以用于分割复杂的细胞图像。他也指出当前AI领域存在的一些问题，例如过于强调优化模型架构而忽视提高数据质量。他希望五年后人们能认识到这是一个尴尬的错误。

给读者的启示

Jesse Johnson认为，人工智能和机器学习在医学科学领域具有巨大的变革潜力。但在这个领域面临的问题与传统技术领域不同，更多的是要理解医疗保健和生物医学科学，与实验室团队合作，以及获取更好、更相关的数据。

总之，Jesse Johnson的经历和见解为我们展示了人工智能与生物技术融合的广阔前景和面临的挑战。随着技术的不断发展，我们期待看到更多创新成果在这个领域涌现。