その中で、上海交通大学自然科学学院、物理天文学学院、薬学院の特任教授であるホン・リャン氏は、「AIが生命と科学に参入」というテーマで、科学研究、特にタンパク質設計の分野におけるAIの応用に関する知見や、科学のためのAIの将来の発展に対するビジョンを分かりやすく共有しました。

抜粋した重要な視点:

• AI for Science を真に実装して実践するには、まず科学的問題を定義し、次に人工知能によるソリューションを提案する必要があります。
• AIは、良好な活性と高い陽性率を維持しながら、数百ものアミノ酸配列を改変することができます。この種の配列生成タスクにおいて、AIは人間の専門家をはるかに凌駕しています。
• タンパク質工学分野は、最も多くの負のデータを抱えています。AIは負の部位と正の部位を組み合わせることで、タンパク質工学の想像力を拡張します。これは、専門の酵素エンジニアによる合理的な設計の範囲を超えています。AIは、従来の物理計算の道を基本的に置き換えました。
• 人工知能が工学分野で飛躍的な進歩を遂げるには、単に文献収集などの基本的な作業を科学者が行うためのアシスタントを作成することではなく、むしろ人間の専門家にはできないことを実行することが必要です。
• 今後3年間で、タンパク質設計、医薬品開発、疾患診断、新規ターゲットの発見、化学合成経路の設計、材料設計などの専門分野における汎用人工知能は、明確なパラダイムシフトをもたらし、人間の脳による散発的な試行錯誤に依存していた従来の科学的発見モデルを、大規模なAIモデルに基づく自動化された標準設計モデルへと変革するでしょう。

HyperAIは、ホン・リャン教授の洞察に満ちたプレゼンテーションを、原文の趣旨を変えることなく編集・要約しました。以下は、講演の要点を抜粋したものです。

AI文系の学生 vs. AI理系の学生

ホン・リャン教授は、AI文系の学生とAI科学系の学生の両方の観点から、生活と科学研究におけるAIの応用について紹介しました。

AIリベラルアーツを学ぶ学生：私たちの生活におけるパーソナルアシスタント

AIリベラルアーツを学ぶ学生、あるいはAI for Lifeに関心のある学生にとって、Hong Liang教授は、現在のAIは人々の生活におけるパーソナルアシスタントとなり、反復的、創造的、そして科学的根拠の薄い作業負荷を軽減するのに役立つと考えています。AIの特徴としては、学習に利用できるデータが大量であること、生成される結果の精度要件が低いこと、強力なクロスドメイン一般化能力、そして大規模な一般ドメインモデルの構築能力などが挙げられます。

その後、AIテキスト生成、AI画像生成、AIビデオ生成などの具体的な例と、現在普及している大規模モデルを組み合わせて、日常生活におけるAIの応用について生き生きと説明しました。

AIテキスト生成の分野では、ホン・リャン教授がバレンタインデーに妻に詩を書くという例を用いて、ChatGPTの詩作成能力を実演しました。また、ウェンシン・イーヤンを使って小学生の息子に自己批評を書かせるという例も紹介し、ウェンシン・イーヤンのテキスト作成能力を披露しました。

AI画像生成に関しては、ホン・リャン教授は、下の図に示すように、同じプロンプトワードに基づいて、Baidu Wenxin Yiyan、Adobe Firefly、Midjourneyが生成したさまざまな効果を実演しました。

AI動画生成の分野では、洪亮教授がかつて人気を博したSORAの動画作成における強力な能力を実演しました。教授はSORAで生成された東京の街を歩くファッショナブルな女性の動画を例に挙げ、ワンショット撮影技術と毛穴の精緻な処理を高く評価しました。

同氏はまた、業界関係者による「Soraはデータ駆動型の物理エンジンだ」という評価を認め、文勝動画がDouyinなどのプラットフォーム上のコンテンツ制作者に大いに役立っていると信じている。

AIサイエンスの学生：一連の科学的問題を解決する科学者

AIサイエンス、あるいはAI for Science、AI for Engineeringを学ぶ学生にとって、ホン・リャン教授は「これは、ある種の科学的問題を解決できる科学者を育成することであり、本質的には、生物医学、材料化学、原子核物理学といった様々な分野における科学者を育成することだ」と考えています。主な課題は、極めて高い精度が求められることと、訓練に利用できる機能データの量が比較的限られていることであり、そのため独自のAIモデルの構築が必要になります。

科学における AI の応用について皆がより深く理解できるよう、ホン・リャン教授は生物学/医学における AI、材料/化学における AI、制御された核融合における AI などの具体的な例を使用して詳細な分析を行いました。

まず、生物学分野におけるAIの例を見てみましょう。ホン・リャン教授は、「タンパク質の3次元構造予測は、AI for Scienceにとって最も重要な出発点です」と述べました。タンパク質構造予測は、科学者を50年近く悩ませてきたと、同教授は説明しました。「DeepMindがAlphaFoldモデルをリリースする前は、科学者はAIを使ってタンパク質構造を予測することは単なるゲームだと考えていました。」

AlphaFold 1からAlphaFold 3に至るまで、AIはタンパク質の3次元構造予測において大きな進歩を遂げてきました。特に、AlphaFold 3の精度は、タンパク質-リガンド相互作用、タンパク質-核酸相互作用、抗体-抗原予測といった、これまでの多くの専用ツールと比較して大幅に向上しています。

第二に、AIによる医薬品設計の事例があります。洪亮教授は、AIによる医薬品設計は分子レベルの問題を解決するだけでなく、その後の臨床試験の課題にも直面するため、比較的難しいと述べています。ハイスループットスクリーニングなどの従来の創薬手法では、数千もの低分子化合物を試験しますが、得られるリード化合物はごくわずかで、臨床試験に合格できるのはそのうちの10分の1以下です。

2019年にNature Biotechnology誌に掲載された研究は、医薬品設計におけるAIの計り知れない可能性を明らかにしました。研究者たちは強化学習（GENTRL）を用いて、線維化に関連するキナーゼ標的である円板状タンパク質ドメイン受容体1（DDR1）の効果的な阻害剤を21日以内に発見しました。AI技術を用いて、研究者たちはまず3万個の分子をスクリーニングし、次に様々なスクリーニング手法を用いて39個の細胞実験を実施し、細胞活性の高い6つの分子を特定し、最終的に1つを臨床試験へと進めました。

さらに、ホン・リャン教授は材料・化学分野におけるAIの事例を挙げ、 「材料、特に化学材料におけるAIの実装は非常に難しい」と考えている。しかし、材料は自然言語、人間の言語、DNA配列とは異なり、個別のトークンを持たない。材料は本質的に3次元構造問題であるため、大規模モデルの構築には、DFT計算、自動実験、そして特定の無機化合物の合成を再帰的に進めるAIを組み合わせる必要がある。例えば、2023年にDeepMindの材料チームは、ディープラーニングベースのGraph Network for Materials Exploration（GNoME）を立ち上げた。あるテストタスクでは、A-Labは予測された58種類の材料のうち41種類を17日以内に合成することに成功した。これは過去10年以上かかっていた成果である。

元の記事を見るにはクリックしてください: 人類より 800 年先を行く? DeepMind が GNoME をリリース、ディープラーニングを使用して 220 万の新しい結晶を予測。

最後に、ホン・リャン教授は制御核融合などの分野におけるAIの活用例を挙げ、この分野における非常に有望な進歩を指摘しました。同教授は、核融合の主な問題は、プラズマが「引き裂かれ」やすく、それを閉じ込める強力な磁場から逃れ、核融合反応を中断してしまうことだと指摘しました。プリンストン大学のチームは、プラズマの潜在的な引き裂きリスクを300ミリ秒前に予測し、適切なタイミングで介入できるAI制御器を開発しました。

元の記事を見るにはクリックしてください: プリンストン大学が、プラズマ ティアリングのリスクを 300 ミリ秒前に予測する AI コントローラーをリリースしました。

下の図に示すように、研究者たちは従来の物理学に基づく手法と高度なAI技術を統合し、プラズマの挙動の制御と理解を向上させてきました。下の図a、b、cは、核融合炉内のプラズマの状態を示しています。

図aの黒線は、プラズマ圧力が外部温度上昇（中性粒子ビームなどによる）によって最終的に到達する安定限界を示しています。この限界を超えると、ティアリング不安定性が引き起こされます。この不安定性が活性化すると、プラズマは急速に破壊され、実際には図bとcに示すように深刻な結果をもたらします。

研究者らは、ディープニューラルネットワークと強化学習に基づいて、プラズマ状態の変化にリアルタイムで対応し、プラズマの将来の状態を予測し、それに応じて制御動作を調整することができるインテリジェント制御システムを開発しました。これにより、トカマクの動作は理想的な経路をたどり、高い圧力を維持しながらティアリング不安定性を回避します。

最後に、ホン・リャン教授は、「科学のための AI を真に実装する者は、まず科学的問題を定義し、次に人工知能によるソリューションを提案する必要がある」と強調しました。

バイオエンジニアリングのための AI: エンジニアリングの問題を解決し、複数のシナリオにわたる製品展開を可能にします。

続いて、ホン・リャン教授は、従来のタンパク質工学の定義と課題、タンパク質工学分野におけるAIの応用、チームの研究成果とその実装、そしてチームの核心的な利点について説明し、バイオエンジニアリングにおけるAIの価値をさらに明らかにしました。

タンパク質工学: 製品のアプリケーション要件を満たすためにタンパク質配列部位を変異させます。

洪亮教授は、タンパク質工学とは、タンパク質配列中の5～20箇所を変異させることでその特有の性質を最適化し、産業や医療への応用を実現し、製品化することを指すと指摘した。

タンパク質は生体の重要な構成要素であるだけでなく、人々の日常生活に欠かせない物質でもあると説明しました。タンパク質分子である酵素は、触媒的な役割を果たし、産業現場で広く利用されています。例えば、革新的な医薬品開発における部位特異的抗体薬物複合体（ADC）、洗濯用洗剤に含まれる酵素、代謝を助ける動物飼料の酵素添加剤、そして化粧品、食品、バイオエンジニアリングに用いられる様々な酵素などが挙げられます。

次に、ホン・リャン教授はタンパク質工学における2つの最も主流のアプローチを紹介しました。

第一のタイプは合理的／半合理的設計であり、一般的にはタンパク質の構造と触媒機構を明確に理解した上で、それに応じた改変が必要となる。しかし、合理的設計の欠点は、時間がかかり、改変箇所が主に活性ポケット周辺に集中していること、設計範囲が比較的限定されており、思考の幅も比較的限られていることである。

2つ目のアプローチは、従来の考え方を打破する指向性進化です。ハイスループットスクリーニングを用いて、野生型生物に対してハイスループットなシングルポイントランダム変異を実施します。第1ラウンドでは最適なシングルポイント変異体を特定し、第2ラウンドでは最適な2サイト変異体を選択する、といった手順を繰り返します。その利点は、過去の経験に頼らないことであり、「費用をかけるだけで実現可能」です。欠点としては、ハイスループットな表現型スクリーニング法の構築が必要であること、コストが高いこと、複数ラウンドにわたるスクリーニングに長い時間がかかること、そして普遍的に適用可能なハイスループットスクリーニング法を確立することが難しいことが挙げられます。

ホン・リャン教授は、2016年にネイチャー誌に掲載された研究論文を例に挙げ、緑色蛍光タンパク質（GFP）に関する実験を紹介しました。この実験では、ハイスループットスクリーニングによって陽性部位を選択し、個々の部位変異を行うことでタンパク質の特性を向上させることができたものの、複数の変異部位を組み合わせると合成タンパク質の活性が失われると指摘しました。

同氏は、 「現在、タンパク質工学が直面している課題は、広大な位相空間で優れた変異部位を見つけ、それを優れたマルチサイト変異体に組み合わせて、その応用価値を実現することである」と述べた。

タンパク質工学のための汎用人工知能技術 - エンドツーエンドの機能指向設計シーケンス

「人工知能が工学分野で飛躍的な進歩を遂げるには、単に科学者が文献レビューなどの基本的な作業を行うためのアシスタントを作るだけでは不十分です。人間の専門家にはできないことを実行することが重要です。」これに基づき、ホン・リャン教授のチームは2021年にタンパク質工学分野における独自のモデルの探求を開始し、機能配列をエンドツーエンドで設計しました。

研究チームは、自然界に存在する既知のタンパク質すべてに基づいて数億の完全なタンパク質配列のデータベースを作成し、このデータベースに基づいてアミノ酸の配列と規則を学習するタンパク質工学用の汎用人工知能を構築しました。

洪亮教授は、上海科技大学の劉佳教授と協力してCrisper cas12aの熱安定性を向上させること、金賽製薬と協力してシングルドメイン抗体の抗アルカリ特性を向上させること、そして漢海新酵素と協力して酵素イノベーションを立ち上げることなど、5つの実際の応用事例を通じて、タンパク質工学における汎用人工知能技術の応用シナリオについて詳しく説明しました。

ケーススタディ1：Crisper cas12aの熱安定性の向上

このプロジェクトは、ホン・リャン教授のチームと上海理工大学の劉佳教授との共同研究でした。Crisper cas12aは1,300個のアミノ酸で構成されています。野生型は優れた活性を示すものの安定性が低く、冷蔵コストが高いため、体外診断キットとして室温での使用には適していませんでした。これらの問題を解決するため、研究チームは3ラウンドにわたる実験を行いました。最終的に、変異体の安定性は継続的に向上し、タンパク質の100%が野生型と同等以上の活性を示しました。

洪亮教授は、 「タンパク質工学分野には最も多くの負のデータがあります。AIは負の部位と正の部位を組み合わせることができ、タンパク質工学の想像力を広げます。これは、専門の酵素エンジニアの合理的な設計範囲を超えています。AIは基本的に、従来の物理計算の道を置き換えました」と説明しました。

さらに彼は、AI がタンパク質のネガティブな変異データとポジティブな変異データを組み合わせる基本的なロジックについて説明しました。これは 3 つのステップで構成されています。

最初のステップは、タンパク質言語語彙の構築です。彼は、タンパク質配列情報を事前学習するプロセスを、穴埋めテストに例えました。穴埋めテストでは、モデルを用いて数億個の完全なタンパク質配列データベース内の任意の配列をランダムまたは連続的に隠蔽し、モデルが欠落部分を補います。このプロセスを複数回繰り返すことで、モデルが数億個のタンパク質配列で事前学習され、タンパク質言語語彙が構築されます。

次のステップは、温度、圧力、pHなどのデータにラベルを付けることでした。研究チームは数千万のデータポイントにラベルを付けました。

3 番目のステップは少数サンプル学習です。これは、少量のウェット実験データを使用して微調整を行い、強化学習を完了することで、バイオエンジニアリングにおける少数サンプルの問題を解決します。

事例2：仁才製薬との超アルカリ耐性シングルドメイン抗体の開発に関する提携

洪亮教授は、金彩製薬が通常、アルパカシングルドメイン抗体ライブラリからシングルドメイン抗体をスクリーニングし、水素カラムにセットすることで成長ホルモンを精製していると指摘した。しかし、精製プロセスにおいて、水素カラムは必然的に不純物で汚染されるため、その後の精製実験で再利用する前に強アルカリで洗浄する必要がある。しかし、生物は強アルカリに耐性がないため、腐食のリスクがある。そのため、金彩製薬はシングルドメイン抗体の耐アルカリ性の向上を目指している。

この問題に対処するため、研究チームはProシリーズの大規模モデルを用いて設計したシングルドメイン抗体を0.5M NaOHで24時間処理することで、耐アルカリ性を向上させることに成功しました。本プロジェクトで設計した耐アルカリ性タンパク質は既に5,000Lの量産を達成しており、大規模モデルを用いて工業化された初のタンパク質製品となりました。

ケーススタディ 3: 酵素の革新によるグリコシルトランスフェラーゼの選択性、活性、収率の向上。

急性膵炎および唾液腺炎のスクリーニングにおける中核物質はマルトヘプタグリコシドです。マルトヘプタグリコシドは構造が非常に複雑で、化学生産コストが非常に高く、中国では1キログラムあたり数十万元かかります。この問題に対処するため、洪亮教授の研究チームは漢海新酵素と共同で、単一の糖転移酵素を用いてマルトヘプタグリコシドを生産する革新的な酵素法を開発しました。研究チームは、糖転移反応の促進、反応特異性の向上、加水分解活性の低減、収率の向上という4つの主要指標の改善を目指しました。

研究者らは2回の改変実験を通じて、80個の変異バグ指標を改善し、総糖転移活性を8倍に増加させ、標的製品の純度を80%から95%に向上させ、加水分解活性を10%に低下させ、P3収率を2倍に向上させました。この製品はすでに湖北省宜昌市の数千キログラム生産能力の生産ラインに導入されており、生産コストを大幅に削減しています。

事例4：単盲検試験における小サンプル学習に基づく抗体親和性試験

「科学のためのAIは小規模なサンプルの問題を解決する必要があり、単に論文を発表するだけではあまり役に立ちません。」ホン・リャン教授は、抗体製薬会社と共同で完成させたデモを披露し、この点を詳しく説明しました。

洪亮教授は、この抗体は全長245アミノ酸、21箇所の変異部位を有するScFv抗体であり、1,000万通り以上の変異配列が考えられると説明した。しかし、共同研究者は既知の変異体33個に対する親和性データと、未知の変異を持つ14個の新規配列に対する親和性予測データのみを提供した。小サンプル学習に基づき、研究チームは単盲検試験で相関係数0.65を達成した。

「バイオメディカルであれ合成生物学であれ、実用化の最終目標はコスト問題の解決、つまり高収率の実現です」とホン・リャン教授は説明した。 「私たちのチームのAIタンパク質設計モデルは自然から学習しており、推奨される変異体の収率はそれほど高くありません。その多くは野生型に匹敵し、中には野生型よりも高い発現レベルを示す変異体さえあります。」

人間の脳におけるタンパク質設計と大規模AIタンパク質設計モデルの違いについて議論した際、洪梁教授は、人間は経験を要約する傾向があるものの、これらの経験は一般的に低次元であり、例えばタンパク質抽出配列や構造における低次元特徴など、その特徴はタンパク質の機能と関連しているものの、タンパク質の機能を完全に決定するものではなく、定量的・定性的な予測を困難にしている点に重要な違いがあると指摘した。一方、大規模AIタンパク質設計モデルは、高次元特徴を用いてタンパク質の配列や構造を記述できるため、対象機能の予測をより正確、定量的、かつ迅速に行うことができる。

ケーススタディ 5: De novo タンパク質配列設計

この点をさらに説明するために、ホン・リャン教授は自身の研究グループであるCell Discoveryの研究成果を紹介しました。教授によると、これはデノボ設計によって得られたタンパク質配列としては最大規模であり、6つのドメインと700個以上のアミノ酸からなる遺伝子編集酵素が含まれているとのことです。

自然界にはArgoと呼ばれる編集酵素が約600種類しか知られていません。研究チームはこれを鋳型として、27種類の新しい配列を生成しました。天然の配列と比較すると、配列類似性はいずれも65%未満で、最低でも49%でした。つまり、研究チームは700種類以上のアミノ酸配列のうち300種類以上を改変し、そのうち23種類が活性を示しました。そのうち3分の2は野生型よりも高い活性を示し、最も高い野生型では8.6倍に達しました。

ホン・リャン教授は、「AIタンパク質設計モデルは、良好な活性と高い陽性率を維持しながら、300個のアミノ酸配列を改変することができます。この種の配列生成タスクにおいて、AIは人間の専門家をはるかに上回っています」と述べました。

さらに、ホン・リャン教授は人工知能に関する自身の認識を次のように共有しました。 「人工知能とは、yからxへのマッピングです。xは入力特性、yはタンパク質の安定性や活性といった望ましい結果です。人工知能は現在、高次元フィッティングを行っています。」

AI を活用した大規模タンパク質設計モデルにより、生産性が大幅に向上します。

洪亮教授は、自身のチームが構築したAIタンパク質設計モデルを披露し、「研究者が内部ソフトウェアに配列を入力すると、プラットフォームが実験のために自然法則に適合する30～50の配列を選択します。その後、小サンプル学習段階に入り、研究者が必要とする指標に合わせてAIモデルを微調整し、最終的に有利な変異体が作成されます」と説明しました。

注目すべきは、現在彼のチームでタンパク質設計に取り組んでいる研究者はわずか2名（1名は生物医学分野、もう1名は合成生物学分野）であるにもかかわらず、チームは40以上のプロジェクトを同時に進めている点です。これは、ホン教授の「AIが工学の根本的な限界を突破する能力を獲得すれば、驚異的な生産性を発揮するだろう」という言葉を裏付けています。

当社は数多くの大学や企業と緊密な協力関係を築いており、3つの中核的な優位性を有しています。

さらに、ホン・リャン教授はチームの成果と中核となる強みも紹介しました。

成果面では、チームは清華大学や上海理工大学免疫化学研究所などの大学や研究機関、そして金賽製薬、漢海新酵素、KNJバイオファーマなどの企業と緊密な協力関係を築いてきました。過去1年間で20種類のタンパク質の改変に成功し、目覚ましい成果を上げています。

チームの強みについて、ホン・リャン教授は「新しいデータ、独立したモデル、そして早期の製品展開という3つの面で中核的な優位性がある」と述べました。第一に、チームは公開データセットよりもはるかに大量の完全なタンパク質配列データを保有しています。第二に、チームは独立したモデル、独自に構築したタンパク質語彙、少量学習法、そして配列＋構造事前学習法を有しており、国際的にトップクラスの実験精度と研究速度を実現しています。そして最後に、チームは世界で初めて複数のタンパク質製品の実用化を達成しました。

AI for Science 展望：今後 3 年間で自動化 AI 大規模モデル向けの標準化された設計パターンを実現する

ホン・リャン教授は、「今後3年間で、タンパク質設計、医薬品開発、疾患診断、新規ターゲットの発見、化学合成経路の設計、材料設計などの分野において、これらの分野における汎用人工知能が明確なパラダイムシフトをもたらし、人間の脳による散発的な試行錯誤に依存していた科学的発見モデルを、大規模なAIモデルに基づく自動化された標準設計モデルへと変革するだろう」と考えています。

具体的な変更点としては、ゼロショット学習または少数ショット学習手法の構築と、事前学習済みの技術モデルの構築が挙げられます。データがない場合、物理シミュレータを用いて精度がやや劣る大量の偽データを生成し、事前学習を行います。その後、実際の貴重なデータを用いて微調整することで強化学習を完成させます。洪教授は、「偽データとは、現実世界からのものではないものの、ある程度の信頼性を持つデータのことです。AIによって生成することも、データ拡張のための物理計算シミュレーションによって取得することもできます。最終的に、実際のウェット実験データが最も価値が高く、モデルの最終的な微調整に使用されます」と強調しました。

最後に、洪亮教授はAI文系学生とAI理系学生の比較についてまとめました。彼は、 AI文系学生は本質的に、KimiやChatGPTのような人間の生活や仕事のためのパーソナルアシスタントであり、反復的な創造的作業や低科学的な作業を軽減するのに役立つと考えています。その特徴は、大規模なデータセット、低い精度要件、最小限の労力で顕著な結果を達成する能力、そして強力なクロスドメイン汎化能力であり、大規模でクロスドメインな汎用モデルの構築に適しています。しかし、大企業に最も適しており、大学や研究機関には適していません。

AIサイエンスを学ぶ学生は、一連の科学的または工学的課題の解決、企業や研究機関の科学者の研究開発の頭脳の代替、高度に創造的な活動、コストの大幅な削減と効率性の向上、さらにはこれまで科学的経験だけでは不可能だった製品の開発といった課題に直面しています。大学と研究機関のチームは、それぞれの専門分野の垣根を組み合わせ、関連分野におけるAIソリューションを探求することができます。

洪梁教授について

ホン・リャン教授は、中国科学技術大学物理学科で学士号を取得し、香港中文大学で大学院学位を取得しました。香港中文大学ではナノマテリアルの合成と特性評価を研究の中心としていました。その後、米国アクロン大学で博士号を取得しました。アクロン大学では、ポリマーとタンパク質の物理化学的特性、動力学、相転移を主な研究対象としていました。

2010年、ホン・リャン教授は米国オークリッジ国立研究所にポスドク研究員として着任し、計算生物学におけるタンパク質の構造、ダイナミクス、機能に関する研究に従事しました。 2015年には、上海交通大学に独立主任研究者（PI）として着任し、分子生物物理学の研究に従事しました。 2020年には、 AI、計算、そしてウェット実験を融合したタンパク質設計研究に着手しました。物理学から化学、化学から生物学、そしてウェット実験から計算と人工知能へと発展してきた彼の経歴は、まさに学際研究の典型と言えるでしょう。

洪亮教授のチームは3年かけて、「配列から機能まで」AIタンパク質汎用人工知能Proシリーズを独自に開発しました。大規模モデルの事前トレーニングから基礎語彙の探索、そして教師あり学習法を経て、タンパク質の物理化学特性ラベルデータベースを作成し、これを基に小サンプルの微調整法を開発し、最終的に機能のためのタンパク質配列を設計するための人工知能ソリューションを切り開きました。

関連する調査結果については、研究グループのホームページを参照してください。
https://ins.sjtu.edu.cn/people/lhong/papers.html

これまで、ホン・リャン教授率いる研究チームは、バイオメディシン、体外診断薬、医薬中間体、栄養・健康食品、食品・飲料、美容・スキンケア、繊維・洗剤、バイオエネルギー、バイオ農業、環境工学など、多岐にわたる分野において、学術界および産業界のパートナーと広範かつ緊密な交流と連携を行ってきました。科学研究​​が盛んに行われ、時に熱狂的な時代においても、彼らは「実用化可能な研究を行う」という当初の目標を揺るぎなく貫き、率先垂範の上、研究成果を研究室から生産ラインへと繋げるために精力的に取り組んでいます。

Hong Liang教授の詳細については、以下をご覧ください。
https://ins.sjtu.edu.cn/people/