这场聚焦生命科学的论坛，为何数学、物理、计算机科学家都来了！

一场聚焦生命科学的论坛，为何数学家、物理学家、计算机科学家都来了？在今天（10月31日）举行的第四届世界顶尖科学家论坛·生命科学3.0和交叉研究论坛上，“复杂”是这些“顶尖大脑”们对生命现象的共识。无论是蛋白质还是大脑，其数量之庞大、结构之复杂，都令人类既有的研究手段显得相形见绌。

而今，各学科的大交叉、大融合，正在推动生命科学从过去描述性、定性研究阶段，向全局性、定量研究阶段发展。这一过程带来的巨大变化，甚至使年轻科学家“无需向前辈请教”，因为太多颠覆式创新可能无法预测。

© 由 文汇 提供 

离开数理化

人类对生命的理解如同小学生看莎翁作品

“我撰写教科书《细胞生物化学》至今已有43年，但每次修订，我都感觉有很多东西还没弄明白。”2016年拉斯克医学特别成就奖得主布鲁斯·阿尔伯茨说，生命之复杂是他这辈子科研生涯中印象最深刻的事，“想要用简单的网络线路图表现清楚生命体中的信号通路，离开数学和计算工具，是难以想象的”。

事实上，早在上世纪四十年代，物理学家就已经提出了类似想法，但学科之间的融合却十分缓慢。“哪怕是最简单的细胞，也有四百多个基因，每三小时分裂一次，并通过复杂的蛋白网络协作，计算生物学在此类细胞分析研究中能起到很好的作用。”阿尔伯茨认为，更深入理解生命现象，非常需要数学、物理等学科的介入，如果离开这些工具，人类对生命本质的理解就如同“用小学一年级的词汇与思维去理解莎士比亚作品”一样茫然。

他呼吁，青年科学家不要“赶时髦”，应踏踏实实做好基础研究。阿尔伯茨展示了一张照片，“我的研究团队成员来自各个不同国家，但我们一起工作。”他认为，生命科学需要更多的开放，与更多学科融合，才能最终破解生命之谜。

2020年图灵奖得主阿尔弗雷德·艾侯认为，计算生物学将生物、化学、计算机、医学、物理、哲学等融合在一起，“它还有潜力融合更多学科”。最初的编码器由IBM公司花费了18年才完成，而现在，一个计算机专业博士生就能开发出一个。在算力曾几何级增长的当下，计算生物学必将推动生命科学进入一番新天地。

没有先入为主的成见

跨界带来更多灵感启发

“我是一名物理学家，后来却进入了生物领域，因为没有先入为主的成见，跨界为我带来了更多灵感。”华盛顿大学物理系教授詹斯·冈拉克因引力和暗物质研究而获得2020年科学突破奖，在昨天的论坛上，他却谈起了自己生物学研究的得意之作——DNA纳米孔测序。

这是一个险些“夭折”的项目。作为一个物理学家，当他的实验室需要一种带负电的孔洞让DNA分子通过时，第一想法自然是用氧化硅之类的固体材料来设计。然而，冈拉克却发现一种细菌蛋白天然就满足实验所需几何结构的要求，而且非常有韧性。于是，他就想用这种细菌来作为孔洞材料。可是，他碰到一个令人啼笑皆非的结果：DNA进不去这个看似非常合适的孔洞。

“当时我不了解生物工程，不知道对细菌改造还挺容易，差点就放弃了这个项目。”冈拉克说，幸好他在与一位同事交流中得知这一信息，最终使DNA顺利通过了这种蛋白纳米孔洞，从而完成了这项在DNA纳米孔测序上具有奠基意义的研究。

2013年诺贝尔生理学或医学奖得主詹姆斯·罗斯曼也十分善于“跨界”，他早年学物理，又学过医学，然后转向生命科学。从年轻时代开始，他就喜欢尝试将不同学科知识融会贯通来解决实际问题。13年前，他出任耶鲁大学细胞生物学系系主任，就大量招收不同学科背景的年轻学者，以拓宽研究领域，营造学科交叉的氛围。

“在同一个系，有十几名年轻教授都在从事同一方向研究，比如光镊、单分子工具等，结果非常成功。”在罗斯曼看来，把研究路径设得太明确不是一件好事，只有不断互动，年轻科学家才能不停成长。

物理学曾推动数学发展

下一个推动者将是生命科学

毋庸置疑，生命科学发展受益于学科交叉融合。浙江大学求是讲席教授周如鸿说，工业革命后，生命科学发生了两次革命：第一次是从DNA双螺旋结构到分子生物学，第二次是从分子生物学到基因组学，两次革命都是数学、物理、计算机科学与生命科学交叉融合的巨大成果。接下来的第三次生命科学革命即21世纪的新生物学，将实现从观察性、定性到定量、可预测性的转变，是生物学与定量科学和工程的交叉融合。

然而，在1994年菲尔兹奖得主埃菲·杰曼诺夫看来，生命科学在21世纪的发展，很可能会成为数学学科发展的动力源泉之一。“在十六、十七世纪，物理学的发展曾为推动数学做出过很大贡献，在21世纪，很可能是生命科学。”

事实上，生命科学研究遇到的大量问题，正在推动包括人工智能在内的各种工具的发展。复旦大学教授马剑鹏提到，目前蛋白质动态维度研究正迎来最好的时机，蛋白质结构可以通过实验或计算机预测来确定，但动力学性质只能通过计算机模拟来实现。而上海纽约大学教授张增辉认为，从计算角度来研究蛋白质相互作用，目前主要研究思路之一，就是基于大数据用机器学习的方法，但包括“阿尔法折叠”这种利用机器学习来提高蛋白质-配体复合物结构预测准确性的方法，也仍有不少提升空间。

　　作者：许琦敏

　　摄影：邢千里

责任编辑：任荃