科学家发出警告：AI可在6小时内提出40000种潜在( 二 ) 科学论文通常是事无巨细的典

简单来说，整个实验的大体工作流程就是，借助研发历史中已有的分子数据集作为预测标签，因为这些分子已经经过测试是否含有毒性了。
需要注意的是，团队重点关注的是VX 。
那VX究竟是什么呢？
严格意义上说，它是一种被归类为神经毒剂的人造化学战剂。而神经毒剂是已知化学战剂中毒性最强、作用最迅速的。具体而言， VX就是所谓的乙酰胆碱酯酶的抑制剂。每当你做任何与肌肉有关的事情时，神经元都会使用乙酰胆碱酯酶作为信号，鼓励你“去活动你的肌肉” 。这正是VX的致命之处，它实际上阻止了你的横隔膜，也就是影响你肺肌肉的运动，从而导致你的肺部变得麻痹，无法呼吸，甚至瘫痪。
显然，这是人们想要避免的。因此，从历史上看，已经对不同类型的分子进行了实验，以查看它们是否抑制乙酰胆碱酯酶。于是， Urbina建立了这些分子结构及其毒性的大型数据集。
然后，团队便可以利用这些数据集来创建一个ML模型，该模型基本上可以分辨分子结构的哪些部分对毒性很重要，哪些部分对其不重要。然后，便可以给该ML模型提供新的分子，可能是先前从未测试过的新药物。随后，它的判断结果会告诉我们哪些药物被预测为有毒，或者预测为无毒。
正是上述方法，有效地提高了研究人员对药物的筛选速度，即他们可以非常迅速的筛选出大量的分子，并剔除那些被预测有毒的分子。
然而，在团队的这项研究中，正好颠倒了这一点。显然，团队试图采用该模型达到的目的是预测毒性。
此外，另一个关键的部分是这些新的生成模型。团队可以通过给生成模型输入一些完全不同的结构，它可以学习如何将分子放在一起。然后，从某种意义上说，便可以要求它产生新的分子。此时，生成模型可以在整个化学空间中产生新的分子，但也只是一些随机分子，没有实质性的意义。但是研究人员可以做的一件事是，告诉生成模型所期望的走向。
当然，通过设计一个评分函数就可以实现这点，如果它生成的分子是研究人员所期望的，就给它打一个高分。以生成毒剂为例，就是要给有毒分子打高分。
实验结果可以看到模型开始生成的这些分子，其中许多看起来像VX ，也像其他的一些化学剂。
Urbina表示，其实整个团队真的不确定会得到什么。因为生成模型相对来说还是比较新的技术，目前也没有对生成模型进行广泛使用。
但一个尤其注意的问题是，很多生成化合物的毒性预测结果比VX的毒性更大。更加令人震惊的是， VX基本上是已知的最有效的化合物之一，也就意味着只需要非常、非常、非常少的量就能致死。
虽然这些预测结果在现实生活中尚未验证，研究人员也表示他们也不想自己去验证，但预测模型通常性能相当不错。因此，即使存在很多假阳性反应，其中应该也会有毒性更强的分子。
其次，研究团队其实观察了这些新生成分子的许多结构。不难发现，其中很多看起来确实像VX和其他战剂，甚至在一些模型中生成的是真正的化学毒剂。并且，这些是在模型从未见过这些化学毒剂的情况下而生成的。毋庸置疑，模型肯定能够生成一些有毒的分子，因为其中一些分子以前就已经被制造出来了。
那么，令人担心的是，它到底有多容易实现呢？
研究人员表示，在开发过程中所使用的很多东西都是免费的。你可以从任何地方下载毒性数据集。如果有一个人知道如何用Python编程，并且具备一些ML能力，那么可能利用一个短暂的周末，就可以构建出类似于这种由有毒数据集驱动的生成模型。