Jimmy Lin เป็น CSO ของ อิสระซึ่งกำลังพัฒนาการตรวจเลือดเพื่อตรวจหามะเร็งในระยะเริ่มต้น โดยเริ่มจากมะเร็งลำไส้ใหญ่ เขาเป็นผู้บุกเบิกในการพัฒนาแนวทางการคำนวณเพื่อดึงข้อมูลเชิงลึกจากข้อมูลจีโนมขนาดใหญ่ โดยเป็นหัวหอกในการวิเคราะห์เชิงคำนวณของการศึกษาการจัดลำดับจีโนมทั่วทั้งกลุ่มครั้งแรกในมะเร็งหลายประเภท
Lin ได้พูดคุยกับ Future เกี่ยวกับความท้าทายในการดำเนินการตามภารกิจของบริษัทที่จะผสมผสานวิธีการเรียนรู้ของเครื่องและข้อมูลทางชีววิทยาเข้าด้วยกัน เขาอธิบายว่าคนสามประเภทที่คุณต้องจ้างเพื่อสร้างบริษัทเทคไบโอที่สมดุล กับดักที่คุณควรหลีกเลี่ยง จะบอกได้อย่างไรว่าการแต่งงานของสองสาขานั้นได้ผลหรือไม่ และความแตกต่างของการปรับการศึกษาทางชีววิทยาและการเรียนรู้ของเครื่อง ซึ่งกันและกัน.
อนาคต: เช่นเดียวกับสาขาวิชาอื่นๆ มีความตื่นเต้นมากมายเกี่ยวกับศักยภาพในการประยุกต์ใช้แมชชีนเลิร์นนิงกับชีวประวัติ แต่ความคืบหน้าดูเหมือนจะยากขึ้น ข้อมูลชีวโมเลกุลมีอะไรแตกต่างไปจากประเภทข้อมูลที่มักใช้กับแมชชีนเลิร์นนิงหรือไม่
JIMMY LIN: ข้อมูลแมชชีนเลิร์นนิ่งแบบดั้งเดิมนั้นกว้างและตื้นมาก ประเภทของปัญหาที่แมชชีนเลิร์นนิงมักจะแก้ไขคือสิ่งที่มนุษย์สามารถแก้ไขได้ในหน่วยนาโนวินาที เช่น การจดจำภาพ ในการสอนคอมพิวเตอร์ให้รู้จักภาพแมว คุณจะต้องมีรูปภาพหลายพันล้านภาพเพื่อฝึกฝน แต่ภาพแต่ละภาพค่อนข้างจำกัดในเนื้อหาข้อมูล ข้อมูลทางชีววิทยามักจะตรงกันข้าม เราไม่มีบุคคลหลายพันล้านคน เราโชคดีที่ได้เงินพัน แต่สำหรับแต่ละคน เรามีจุดข้อมูลหลายพันล้านจุด เรามีข้อมูลที่ลึกมากจำนวนน้อยกว่า
ในเวลาเดียวกัน คำถามทางชีววิทยามักไม่ใช่ปัญหาที่มนุษย์สามารถแก้ไขได้ เรากำลังทำสิ่งที่แม้แต่ผู้เชี่ยวชาญระดับโลกก็ไม่สามารถทำได้ ธรรมชาติของปัญหาจึงต่างกันมาก จึงต้องอาศัย ความคิดใหม่ เกี่ยวกับวิธีการที่เราเข้าใกล้สิ่งนี้
จำเป็นต้องสร้างแนวทางใหม่ตั้งแต่ต้นสำหรับข้อมูลชีวโมเลกุลหรือไม่ หรือคุณสามารถปรับวิธีการที่มีอยู่ได้
มีหลายวิธีที่คุณสามารถใช้ข้อมูลเชิงลึกนี้และนำเสนอเพื่อให้คุณสามารถใช้ประโยชน์จากเครื่องมือที่มีอยู่ ไม่ว่าจะเป็นการเรียนรู้ทางสถิติหรือวิธีการเรียนรู้เชิงลึก ไม่ใช่การคัดลอกและวางโดยตรง แต่มีหลายวิธีที่คุณสามารถถ่ายโอนวิธีการเรียนรู้ด้วยเครื่องจำนวนมากและนำไปใช้กับปัญหาทางชีววิทยาแม้ว่าจะไม่ใช่แผนที่แบบตัวต่อตัวโดยตรง
เจาะลึกปัญหาของข้อมูลมากขึ้น ด้วยข้อมูลทางชีววิทยามีความแปรปรวนมากมาย มีสัญญาณรบกวนทางชีวภาพ มีสัญญาณรบกวนจากการทดลอง วิธีใดดีที่สุดในการสร้างข้อมูลชีวการแพทย์ที่พร้อมสำหรับการเรียนรู้ด้วยเครื่อง
นั่นเป็นคำถามที่ดี จากจุดเริ่มต้น Freenome ได้พิจารณาถึงวิธีการสร้างข้อมูลที่ดีที่สุดที่เหมาะสมกับการเรียนรู้ของเครื่อง ตลอดกระบวนการทั้งหมดตั้งแต่การออกแบบการศึกษา การรวบรวมตัวอย่าง การทดสอบ การวิเคราะห์ข้อมูล จำเป็นต้องมีการดูแลในทุกขั้นตอนเพื่อให้สามารถเพิ่มประสิทธิภาพสำหรับการเรียนรู้ของเครื่อง โดยเฉพาะอย่างยิ่งเมื่อคุณมีคุณสมบัติมากกว่าตัวอย่างมากมาย มันเป็นปัญหาใหญ่คลาสสิก
ก่อนอื่นเราได้ออกแบบการศึกษาของเราเพื่อลดความสับสน บริษัทจำนวนมากใช้ชุดข้อมูลในอดีตและพยายามอย่างมากที่จะลดผลกระทบจากกลุ่มประชากรตามรุ่นและขจัดสิ่งรบกวนออกไป แต่นั่นเป็นวิธีที่ดีที่สุดที่จะทำอย่างนั้นจริงหรือ? ไม่หรอก วิธีที่ดีที่สุดที่จะทำคือการศึกษาในอนาคต ซึ่งคุณสามารถควบคุมผู้ก่อกวนล่วงหน้าได้ ด้วยเหตุนี้ แม้ในความพยายามในการค้นพบ เราจึงตัดสินใจทำการทดลองแบบมุ่งหวังแบบหลายไซต์ขนาดใหญ่ที่รวบรวมข้อมูลมาตรฐานทองคำล่วงหน้า เช่นเดียวกับใน การทดลองใช้ AI-EMERGE.
โชคดีที่เรามีนักลงทุนที่เชื่อมั่นในตัวเรามากพอที่จะทำให้เราสร้างข้อมูลเหล่านี้ได้ นั่นเป็นความเสี่ยงอย่างมากที่ต้องทำเพราะการศึกษาเหล่านี้มีราคาแพงมาก
แล้วเมื่อได้ข้อมูลแล้วจะทำอะไรกับมันได้บ้าง?
คุณต้องฝึกอบรมไซต์ทั้งหมดในลักษณะที่สอดคล้องกัน และควบคุมผู้รบกวนจากไซต์ต่างๆ ทั้งหมดเพื่อให้ผู้ป่วยดูคล้ายกันมากที่สุด จากนั้นเมื่อคุณเรียกใช้ตัวอย่าง คุณต้องคิดให้ถี่ถ้วนถึงวิธีลดผลกระทบของชุดงาน เช่น การผสมตัวอย่างที่เหมาะสมบนเครื่องต่างๆ ในสัดส่วนที่เหมาะสม
มันยากมากเมื่อคุณทำ มัลติมิกส์ เนื่องจากเครื่องที่วิเคราะห์โมเลกุลชีวโมเลกุลหนึ่งอาจใช้ตัวอย่างหลายร้อยตัวอย่างในคราวเดียว ในขณะที่เครื่องที่วิเคราะห์โมเลกุลชีวโมเลกุลอีกประเภทหนึ่งอาจใช้เพียงไม่กี่ตัวอย่างเท่านั้น ยิ่งไปกว่านั้น คุณต้องการลบข้อผิดพลาดของมนุษย์ ดังนั้นเราจึงแนะนำระบบอัตโนมัติล่วงหน้าค่อนข้างมาก ในขั้นตอนการสร้างข้อมูลการฝึกอบรม
นอกจากนี้ เมื่อคุณมีจุดข้อมูลหลายพันล้านจุดต่อคน ข้อมูลดังกล่าวจะกลายเป็นเรื่องง่ายมาก ดังนั้นเราจึงตรวจสอบให้แน่ใจว่าการฝึกอบรมของเราสามารถสรุปได้สำหรับประชากรที่เราต้องการที่จะนำไปใช้กับในท้ายที่สุด ด้วยการแก้ไขทางสถิติที่ถูกต้องและชุดการฝึกและการทดสอบที่ต่อเนื่องกันจำนวนมาก
การรวมแมชชีนเลิร์นนิงเข้ากับข้อมูลชีวโมเลกุลเป็นสิ่งที่บริษัทเทคโนโลยีชีวภาพจำนวนมากพยายามทำ แต่บ่อยครั้งมีความคลุมเครือมากว่าพวกเขาจะทำอย่างไร อะไรที่คุณมองว่าเป็นคุณลักษณะที่สำคัญของการผสานรวมอย่างมีประสิทธิภาพ
At อิสระ เรากำลังหลอมรวมแมชชีนเลิร์นนิงและมัลติมิกส์เข้าด้วยกัน เพื่อที่จะทำอย่างนั้นได้ คุณต้องทำทั้งสองอย่างให้ดี สิ่งสำคัญในที่นี้คือ คุณต้องมีความเชี่ยวชาญอย่างมากในทั้งคู่ จากนั้นจึงจะสามารถพูดภาษาของทั้งคู่ได้ คุณต้องพูดได้สองภาษา
มีบริษัทจำนวนมากที่เป็นผู้เชี่ยวชาญในบริษัทหนึ่งแล้วจึงโรยในอีกชั้นหนึ่ง ตัวอย่างเช่น มีบริษัทเทคโนโลยีหลายแห่งที่ตัดสินใจว่าพวกเขาต้องการก้าวเข้าสู่วงการชีวภาพ แต่สิ่งที่พวกเขาทำคือจ้างนักวิทยาศาสตร์ห้องปฏิบัติการเปียกจำนวนหนึ่ง ในทางกลับกัน มีบริษัทชีววิทยาหลายแห่งที่จ้างนักวิทยาศาสตร์ด้านแมชชีนเลิร์นนิง จากนั้นพวกเขาจะประกาศว่าตอนนี้เป็นบริษัท AI/ML
สิ่งที่คุณต้องการจริงๆคือความแข็งแกร่งของม้านั่งทั้งสองข้าง คุณต้องการความเข้าใจทางชีววิทยาอย่างลึกซึ้งเกี่ยวกับระบบ ของการทดสอบต่างๆ เกี่ยวกับคุณลักษณะของพื้นที่ความรู้ แต่คุณต้องมีความเข้าใจอย่างลึกซึ้งเกี่ยวกับแมชชีนเลิร์นนิง วิทยาศาสตร์ข้อมูล วิธีการคำนวณ และการเรียนรู้ทางสถิติ และมีแพลตฟอร์มที่จะนำไปใช้
เป็นเรื่องที่ท้าทายมากเพราะทั้งสองพื้นที่นี้มักเป็นพื้นที่รกร้างว่างเปล่า เมื่อคุณนึกถึงคนที่คุณกำลังจ้างงานให้กับบริษัท คุณจะสร้างสะพานเชื่อมระหว่างสองโดเมนที่แตกต่างกันได้อย่างไร
ฉันคิดว่ามีคนสามประเภทที่คุณต้องการจ้างให้เป็นสะพานเชื่อมระหว่างเทคโนโลยีและชีวภาพ สองรายการแรกเป็นรายการมาตรฐานของคุณ ผู้เชี่ยวชาญด้านโดเมนในการเรียนรู้ของเครื่องหรือชีววิทยา แต่พวกเขายังต้องเปิดกว้างและเต็มใจที่จะเรียนรู้เกี่ยวกับโดเมนอื่นหรือดีกว่านั้น มีประสบการณ์การทำงานในโดเมนเพิ่มเติมเหล่านี้
สำหรับผู้เชี่ยวชาญด้านแมชชีนเลิร์นนิง เราเลือกผู้ที่ไม่ได้อยู่ที่นั่นเพื่อพัฒนาอัลกอริธึมล่าสุดเท่านั้น แต่ต้องการนำอัลกอริธึมล่าสุดมาใช้กับคำถามทางชีววิทยา
ชีววิทยาคือ ยุ่ง. ไม่เพียงแต่เราไม่มีวิธีการทั้งหมดในการวัดสารที่วิเคราะห์ต่างๆ เท่านั้น แต่เรายังค้นพบชีวโมเลกุลและคุณสมบัติใหม่ๆ อย่างต่อเนื่อง นอกจากนี้ยังมีปัจจัยที่ทำให้เกิดความสับสนและเสียงรบกวนมากมายที่ต้องนำมาพิจารณา ปัญหาเหล่านี้มักซับซ้อนกว่าปัญหาการเรียนรู้ของเครื่องมาตรฐาน ซึ่งปัญหาและพื้นที่ความรู้มีการกำหนดไว้อย่างชัดเจนมากขึ้น ผู้เชี่ยวชาญด้าน ML ที่ต้องการใช้งานฝีมือของตนในด้านชีววิทยาจำเป็นต้องมีความอ่อนน้อมถ่อมตนเพื่อเรียนรู้เกี่ยวกับความซับซ้อนที่มีอยู่ในชีววิทยาและเต็มใจที่จะทำงานภายใต้สภาวะที่เหมาะสมและความแตกต่างในความพร้อมของข้อมูลน้อยกว่า
อีกด้านคือการจ้างนักชีววิทยาที่คิดถึงปัญหาของพวกเขาในแง่ของการสร้างข้อมูลเชิงปริมาณที่ใหญ่ขึ้น การศึกษาการออกแบบเพื่อปรับอัตราส่วนสัญญาณต่อสัญญาณรบกวนให้เหมาะสมที่สุด เป็นมากกว่าความสามารถในการพูดและคิดในภาษาของรหัส นักชีววิทยาของเราหลายคนเขียนโค้ดแล้วและมีพื้นฐานทางสถิติที่ดี และเต็มใจและต้องการที่จะเติบโตในด้านเหล่านี้ ที่จริงแล้ว ที่ Freenome เรามีโปรแกรมการฝึกอบรมสำหรับนักชีววิทยาที่ต้องการเรียนรู้เพิ่มเติมเกี่ยวกับการเข้ารหัสเพื่อให้สามารถพัฒนาการใช้เหตุผลเชิงสถิติได้
สิ่งที่สำคัญกว่านั้นคือการออกแบบการศึกษา และคำถามที่เราสามารถถามได้ ดูแตกต่างออกไปเมื่อออกแบบในบริบทของข้อมูลขนาดใหญ่และ ML
ประเภทที่สามคืออะไร?
คนประเภทที่สามที่จะจ้างคือคนที่หาได้ยากที่สุด คนเหล่านี้เป็นสะพานเชื่อม – คนที่เคยทำงานอย่างคล่องแคล่วในทั้งสองส่วนนี้ มีสถานที่และห้องทดลองเพียงไม่กี่แห่งในโลกที่อยู่ตรงทางแยกนี้ การหาคนที่สามารถแปลและเชื่อมโยงทั้งสองพื้นที่นั้นสำคัญมาก แต่คุณคงไม่อยากสร้างบริษัทที่มีแต่สะพานเท่านั้น เพราะบ่อยครั้งที่คนเหล่านี้ไม่ใช่ผู้เชี่ยวชาญในด้านใดด้านหนึ่ง เนื่องจากสิ่งที่พวกเขาทำ พวกเขามักจะเข้าใจโดยทั่วไปมากขึ้น อย่างไรก็ตาม พวกเขาให้งานสำคัญในการนำทั้งสองสาขามารวมกัน
ดังนั้นการมีคนทั้งสามกลุ่มจึงมีความสำคัญ หากคุณมีผู้เชี่ยวชาญเฉพาะด้านโดเมนเพียงคนเดียว คุณจะแข็งแกร่งในด้านเดียวเท่านั้น หรือถ้าคุณไม่มีคนสร้างสะพาน แสดงว่าคุณมีกลุ่มคนที่ไม่สามารถพูดคุยกันได้ อย่างเหมาะสมที่สุด ทีมงานควรรวมบุคคลทั้งสามประเภทนี้ไว้ด้วย เพื่อให้เข้าใจอย่างลึกซึ้งทั้ง ML และชีววิทยา ตลอดจนให้การทำงานร่วมกันอย่างมีประสิทธิผลของทั้งสองสาขานี้
คุณเห็นความแตกต่างในวิธีที่ผู้เชี่ยวชาญด้านเทคโนโลยีหรือปัญหาการโจมตีทางคอมพิวเตอร์กับวิธีที่นักชีววิทยาจัดการกับปัญหาหรือไม่?
ใช่. ประการหนึ่ง เรามีคนที่มาจากพื้นฐานทางสถิติและเชิงปริมาณ และพวกเขาพูดเป็นรหัสและสมการ เราต้องช่วยพวกเขานำสมการเหล่านั้นมาอธิบายให้ชัดเจนเพื่อให้ผู้ฟังทั่วไปเข้าใจ
นักชีววิทยามีจินตนาการที่ดีเพราะทำงานกับสิ่งที่มองไม่เห็น พวกเขาใช้ภาพประกอบจำนวนมากในการนำเสนอเพื่อช่วยให้เห็นภาพว่าเกิดอะไรขึ้นในระดับโมเลกุล และมีสัญชาตญาณที่ดีเกี่ยวกับกลไกและความซับซ้อน ความคิดนี้มีคุณภาพมากกว่า นี่เป็นวิธีคิดและสื่อสารที่แตกต่างออกไป
ดังนั้นวิธีที่ผู้คนสื่อสารกันจะแตกต่างกันมาก กุญแจสำคัญคือ – เราพูดติดตลกว่า – เราต้องสื่อสารในลักษณะที่แม้แต่คุณยายของคุณสามารถเข้าใจได้
ต้องใช้ความเชี่ยวชาญอย่างแท้จริงในความรู้ของคุณเพื่อให้สามารถลดความซับซ้อนเพื่อให้แม้แต่สามเณรสามารถเข้าใจได้ ฉันคิดว่ามันเป็นการฝึกที่ยอดเยี่ยมจริงๆ สำหรับคนที่เรียนรู้ที่จะสื่อสารแนวคิดที่ยากมากๆ นอกเหนือจากทางลัด ศัพท์แสง และภาษาทางเทคนิคทั่วไป
อะไรเป็นแรงบันดาลใจให้มุมมองเฉพาะของคุณเกี่ยวกับการแต่งงานกับแมชชีนเลิร์นนิงและชีววิทยา
ดังนั้น ปัญหาไม่ใช่เรื่องใหม่ แต่เป็นการทำซ้ำล่าสุดของปัญหาเก่า เมื่อทุ่งนาของ ชีววิทยาคอมพิวเตอร์และชีวสารสนเทศศาสตร์ ถูกสร้างขึ้นครั้งแรกมีปัญหาเดียวกัน นักวิทยาศาสตร์คอมพิวเตอร์ นักสถิติ นักวิทยาศาสตร์ด้านข้อมูล หรือแม้แต่นักฟิสิกส์ เข้าร่วมสาขาชีววิทยาและนำการคิดเชิงปริมาณมาสู่ภาคสนาม ในเวลาเดียวกัน นักชีววิทยาต้องเริ่มสร้างแบบจำลองนอกเหนือจากการกำหนดลักษณะยีนว่าเป็นแบบควบคุมขึ้นและลง และเริ่มเข้าถึงข้อมูลในเชิงปริมาณมากขึ้น การแปลงข้อมูลทางชีววิทยาให้เป็นดิจิทัลได้เติบโตขึ้นอย่างรวดเร็วในระดับทวีคูณ ปัญหานี้รุนแรงและกว้างขวางกว่าในขอบเขต แต่ความท้าทายพื้นฐานยังคงเหมือนเดิม
อะไรที่คุณมองว่าเป็นตัวชี้วัดความสำเร็จหรือธงสีแดงที่บอกคุณว่าการแต่งงานนั้นได้ผลหรือไม่?
หากคุณดูบริษัทที่พยายามรวมสาขาต่างๆ เข้าด้วยกัน คุณจะเห็นได้อย่างรวดเร็วว่าพวกเขาลงทุนในด้านใดด้านหนึ่งเป็นจำนวนเท่าใด ดังนั้น หากเป็นบริษัทที่ผู้คน 90% เป็นนักวิทยาศาสตร์ในห้องปฏิบัติการ แล้วพวกเขาก็จ้างนักวิทยาศาสตร์ด้านแมชชีนเลิร์นนิงหนึ่งหรือสองคน และเรียกตัวเองว่าบริษัท ML นั่นอาจเป็นเรื่องที่เกิดขึ้นภายหลัง
มีบทเรียนกลับบ้านหนึ่งบทที่คุณได้เรียนรู้ในกระบวนการแต่งงานกับชีววิทยาและการเรียนรู้ของเครื่องหรือไม่?
ฉันคิดว่าความอ่อนน้อมถ่อมตนทางปัญญา โดยเฉพาะอย่างยิ่งมาจากด้านเทคโนโลยี เช่น การแก้ปัญหาการค้นหา เป็นต้น ข้อมูลทั้งหมดอยู่ในรูปแบบข้อความที่คุณสามารถเข้าถึงได้ง่ายอยู่แล้ว และคุณก็รู้ว่าคุณต้องการอะไร เลยกลายเป็นปัญหาที่แก้ได้ จริงไหม? ปัญหาเกี่ยวกับชีววิทยาคือเราไม่รู้ด้วยซ้ำว่ากำลังมองหาชุดข้อมูลใดอยู่ ไม่ว่าเราจะมีไฟฉายที่เหมาะสมเพื่อส่องไปยังบริเวณที่เหมาะสมหรือไม่
ดังนั้น บางครั้งเมื่อผู้เชี่ยวชาญด้านเทคโนโลยีกระโดดเข้าสู่ประวัติ พวกเขาก็ตกหลุมพรางของความเรียบง่าย ตัวอย่างเช่น สำหรับการเรียงลำดับรุ่นต่อๆ ไป พวกเขาอาจพูดว่า “ว้าว เราสามารถจัดลำดับดีเอ็นเอได้ ทำไมเราไม่ลองเรียงลำดับ DNA หลายๆ อันดูล่ะ? มันกลายเป็นปัญหาข้อมูล แล้วเราจะแก้ปัญหาทางชีววิทยา”
แต่ปัญหาคือ DNA เป็นหนึ่งในสารวิเคราะห์ต่างๆ ในร่างกาย มีอาร์เอ็นเอ โปรตีนการปรับเปลี่ยนหลังการแปล, ช่องต่างๆ เช่น ถุงน้ำนอกเซลล์ และความแตกต่างของเวลา พื้นที่ ประเภทเซลล์ และอื่นๆ เราจำเป็นต้องเข้าใจความเป็นไปได้และข้อจำกัดของรูปแบบข้อมูลแต่ละแบบที่เราใช้
แม้ว่ามันอาจจะเป็นเรื่องยากที่จะเชื่อ แต่ชีววิทยายังคงเป็นสาขาแรกในวัยเด็ก พวกเราแค่ ลำดับจีโนมมนุษย์ น้อยกว่าสองทศวรรษที่ผ่านมา โดยส่วนใหญ่แล้ว เราไม่สามารถเข้าถึงสัญญาณทางชีววิทยาแต่ละตัวได้ เราจึงยังคงทำการตรวจวัดที่เป็นกลุ่มก้อนหรือค่าเฉลี่ยจากสัญญาณจำนวนมาก เราเพิ่งเริ่มวัดทีละเซลล์ ยังมีอีกมากที่ต้องทำ และนี่คือเหตุผลว่าทำไมจึงเป็นช่วงเวลาที่น่าตื่นเต้นในการเข้าสู่วิชาชีววิทยา
แต่ด้วยวัยทารกนั้นมีศักยภาพในการแก้ปัญหาที่จะส่งผลกระทบอย่างใหญ่หลวงต่อสุขภาพของมนุษย์และความเป็นอยู่ที่ดี เป็นเวลาที่วิเศษมากเพราะเรากำลังเปิดพรมแดนใหม่ของชีววิทยา
พรมแดนประเภทใด? มีสาขาวิชาชีววิทยาหรือการแพทย์ที่คุณรู้สึกตื่นเต้นมากที่สุดที่จะได้เห็นการใช้การคำนวณหรือไม่
ใช่ – ทุกอย่าง! แต่ให้ฉันคิด สำหรับโรคมะเร็ง ฉันเชื่อว่าในยุคของเรานั้น การบำบัดแบบใหม่และการตรวจหาในระยะเริ่มต้น จะเปลี่ยนมะเร็งให้กลายเป็นโรคเรื้อรังที่ไม่น่ากลัวอีกต่อไป เช่นเดียวกับที่เราเคยทำกับเอชไอวี และเราอาจใช้วิธีที่คล้ายกันมากเพื่อดูการตรวจหาและป้องกันโรคในวงกว้างมากขึ้น สิ่งสำคัญที่ฉันตื่นเต้นคือเราสามารถเริ่มตรวจหาโรคได้ก่อนมีอาการหรือไม่
นอกเหนือจากการวินิจฉัยโรคมะเร็ง สิ่งที่เจ๋งจริงๆ ก็คือการเปลี่ยนผ่านไปสู่การสร้างด้วยชีววิทยา แทนที่จะเพียงแค่อ่านและเขียน ฉันตื่นเต้นเกี่ยวกับสาขาวิชาชีววิทยาสังเคราะห์ที่เราใช้ชีววิทยาเป็นเทคโนโลยี ไม่ว่าจะเป็น CRISPR หรือเปปไทด์สังเคราะห์หรือนิวคลีโอไทด์สังเคราะห์ การใช้ประโยชน์จากชีววิทยาเป็นเครื่องมือสร้างความเป็นไปได้ที่กว้างขวางในการเปลี่ยนโฉมอุตสาหกรรมการสร้างทรัพยากรแบบดั้งเดิม จากการเกษตรเป็นพลังงาน นี่เป็นช่วงเวลาที่น่าทึ่งอย่างแท้จริงในการเป็นนักชีววิทยา!
เผยแพร่ 5 ตุลาคม 2022
เทคโนโลยี นวัตกรรม และอนาคต อย่างที่คนสร้างมันบอก
- Andreessen Horowitz
- ข้อมูลชีวภาพและวิทยาศาสตร์
- Bitcoin
- blockchain
- การปฏิบัติตามบล็อคเชน
- การประชุม blockchain
- coinbase
- เหรียญอัจฉริยะ
- เอกฉันท์
- การประชุม crypto
- การทำเหมือง crypto
- cryptocurrency
- ซึ่งกระจายอำนาจ
- Defi
- สินทรัพย์ดิจิทัล
- ethereum
- เรียนรู้เครื่อง
- โทเค็นที่ไม่สามารถทำซ้ำได้
- เพลโต
- เพลโตไอ
- เพลโตดาต้าอินเทลลิเจนซ์
- Platoblockchain
- เพลโตดาต้า
- เพลโตเกม
- รูปหลายเหลี่ยม
- หลักฐานการเดิมพัน
- W3
- ลมทะเล