“每一项优秀的科研最初听起来都非常疯狂”

在现代化学研究中，计算机的应用无处不在。

科学家们在电脑上模拟化学反应过程，然后通过实验加以验证，并根据实验中的新线索作更精准高效的模拟。这不仅大大提高了实验效率，更降低了失败风险。此外，模拟还可以揭示反应机制，帮助科学家更深入地理解化学过程，为新材料和药物的开发提供指导。

而在计算化学正式问世之前，化学领域的绝大多数发现主要依赖实验操作和观察等传统方式。

2013年诺贝尔化学奖获得者迈克尔·莱维特。摄影｜陈美群

在将计算机引入化学研究的历程中，迈克尔·莱维特（Michael Levitt）教授无疑是一位里程碑式人物，他首创了蛋白质和DNA的分子动力学模拟方法。2013年，他因“开发复杂化学系统的多尺度模型”，与另外两位科学家共同获得诺贝尔化学奖。

莱维特是美国科学院院士和英国皇家科学院院士，美国斯坦福大学结构生物学系终身教授。

莱维特与中国有着深厚的渊源，他的妻子苏珊·布罗施·莱维特（Shoshan Brosh Levitt）博士是一名艺术策展人，曾在北京大学教授希伯来语，致力于中外文化艺术交流。苏珊也成为了莱维特与中国之间的桥梁。

“我和中国的联系非常紧密，过去几年我和妻子花了很多时间在中国。”除了学术交流，莱维特对中国生活的便利性也赞不绝口，他熟练使用中国的各类应用，用淘宝购物，用支付宝付款，用微信交流，用滴滴打车，在B站当UP主……

10月中旬，北京已入秋，细雨如丝。在位于国家图书馆综合楼六层的世诺医学交流中心，一处书香弥漫的静谧之处，迈克尔·莱维特教授接受了瞭望智库的专访。

文 | 张曙霞 张岳怡（实习生）

视频 | 田文文

本文为瞭望智库原创文章，如需转载请在文前注明来源瞭望智库（zhczyj）及作者信息，否则将严格追究法律责任。

迈克尔·莱维特：首先，我想说的是，我们在2013年获得诺奖，但研究其实是在1968-1975年间完成的。从研究到获奖，中间相隔40多年。

我们开始这项研究时，计算机还非常原始，体积庞大且价格昂贵，几乎没有应用到化学实验中。

我和亚利耶·瓦谢尔（Arieh Warshel）找到了一种方法，将一个化学系统，即一组分子中的原子，输入计算机，使其能够计算这些分子的形状、运动和功能。

某种程度上，我们开创了将化学系统引入计算机进行模拟计算的历程，这一方法让我们能够研究复杂的化学系统，也能处理简单的化学问题。

迈克尔·莱维特和妻子苏珊 ·布罗施·莱维特。摄影｜陈美群

瞭望智库：当地时间10月9日，瑞典皇家科学院宣布将2024年诺贝尔化学奖授予大卫·贝克（David Baker）、戴米斯·哈萨比斯（Demis Hassabis）和约翰·江珀（John M.Jumper），以表彰他们在蛋白质设计和蛋白质结构预测领域作出的贡献。您如何看待这一获奖成果的深远影响？

迈克尔·莱维特：三位科学家进一步推动了我们这个领域的研究进展。

他们的研究揭示了生命的运作机制。疾病的发生本质上是生命的运行机制出了问题，因此理解这一机制对于人类健康乃至整个地球都至关重要。

我们可以将生命的奥秘看成一条由原子组成的细长链。这条链可以缠绕成三维结构，而结构决定了其在身体中的功能，比如成为酶，生成皮肤，或者生成头发。关键是，这条链不需要人工打结，它会自发折叠形成复杂的结构。

这就是蛋白质，它几乎承担了人体内的所有功能。我在上个世纪70年代研究的问题是如何根据氨基酸序列计算蛋白质的结构。但确定蛋白质结构是一项非常艰苦的工作，最初确定一个蛋白质的结构可能需要10个人耗费10年时间。

我们刚开始研究时，人们对蛋白质结构所知甚微，当时只知道两种蛋白质的结构。

几十年来，许多人付出了艰辛努力。随着计算机技术的进步，蛋白质研究取得了巨大突破。当DeepMind团队开发的AlphaFold开始工作时，人们已经掌握了大约5万种蛋白质的结构。

现在，蛋白质结构问题已经得到解决，但方法稍显曲折。AlphaFold系列模型并不单纯依赖于一种序列，而是结合了来自许多不同物种的序列。通过比较这些序列，找到关键部分，从而预测出蛋白质结构。

简言之，他们的研究就像研究了1000个中国结，理解了其中关键部分。虽然他们还不能自己打结，但他们已经理解了其构造，这是一项重大突破。

值得强调的是，诺贝尔奖表彰的工作是众多科学家共同努力的结晶。比如，大卫·贝克在蛋白质设计方面的研究，以及戴米斯·哈萨比斯和约翰·江珀所属的DeepMind团队在蛋白质结构预测中的贡献，都是许多人共同努力的成果。

正如我们在上个世纪六七十年代所做的研究一样，这项研究依然只是一个开端。

科学进步就是这样一步步积累的——每个人都在其中发挥作用，有人迈出了看似重要的一步。至于这一步是否真的重要，我不确定。但获得诺贝尔委员会的认可，意味着你将成为科学的代表，这时你就有责任通过接受采访等各种方式，努力让科学变得通俗易懂，并鼓励年轻人投身于科学事业。

2024年10月14日，迈克尔·莱维特在北京国家图书馆综合楼六层世诺医学交流中心题写赠言。摄影｜陈美群

迈克尔·莱维特：计算机辅助药物设计已经有很长时间的历史，且在持续进步。

早在上世纪80年代，针对HIV病毒的早期抑制剂之一就是通过计算机设计的。如今几乎所有制药公司都在运用计算机辅助药物设计。

首先，我们要理解药物设计的本质：如果某种蛋白质在体内执行某项功能，我们可以通过设计一个小分子与蛋白质结合，从而改变它的功能。大多数药物就是通过小分子与蛋白质结合来发挥作用。

所以，我们需要知道药物与蛋白质之间的相互作用，以及其如何改变蛋白质形状。

这正是我一直在思考的问题。早在上个世纪六七十年代，我们就希望通过描述、计算原子间的作用力来预测蛋白质的分子结构。

目前，这个领域的研究已经取得了显著进展，但问题仍未完全解决。而这还只是药物研究的起点。接下来，还需要确定靶点，找到一种能够改变该靶点的小分子，并验证该分子是否有毒性、是否会对人体造成伤害，随后还要进行药物临床试验和制剂开发。

也就是说，药物设计不仅需要深入理解生物学，还要掌握药物化学、了解副作用机制，并熟悉如何进行临床试验，甚至还涉及社会学问题，非常复杂。开发一款新药通常需要耗时十年，非常昂贵，因为每一个环节都有失败的可能，一旦失败，就要重新开始。

我所合作的Incilico Medicine是目前在计算机辅助药物设计领域最成功的公司之一，它在上海、香港以及全球多个地方设有办公室，现已有七款药物进入临床试验。

DeepMind团队也拆分出了一家专注药物设计的公司——Isomorphic Labs。我们拭目以待其未来进展。

药物设计领域亟需变革，新药开发不应花费20亿美元、耗时10年，若成本如此高昂，药企只会选择那些人们能够付出高价的疾病领域进行研发。

如今，许多新药研发的目标是让患病的老人多活一两年。这固然重要，但为年轻人消除疾病的药物对社会可能更重要。我们需要找到平衡。

毋庸置疑，技术的突破，将对药物研发产生重大影响。大语言模型让我们每个人都变得更聪明。如果人们变得更聪明，就能够创造更多伟大的成果。

迈克尔·莱维特：将科学家类比为蚂蚁，我是想说，大多数蚂蚁可能都找不到食物，但当一只蚂蚁找到了食物后，它会留下轨迹，其他蚂蚁就能沿着这条轨迹找到食物。

如果我们问每只蚂蚁“你找到食物了吗”，大多数都会回答没有，但只要有一只蚂蚁说“找到了”，就足以让整个蚁群受益。

科学探索也是如此，优秀的科学家常常会经历许多失败。如果有科学家说“我从不犯错”，那说明他只是在解决简单的问题。如果挑战难题，犯错不可避免。

如果有人对我说：“你不能犯错，但你必须从事科学研究。”那么我可能会选择非常简单的课题。虽然有时候简单的研究也有价值、甚至是有用的科学研究。

所以，从事基础科学，首先要具备敢于犯错的心态。这并不容易，因为我们的教育体系强调的是“保持正确”。

我在上海科技大学的毕业典礼上发表演讲时曾谈到这个问题，“到目前为止，你们学到了两件事：第一，要非常努力；第二，要始终正确。”但如果你想在科学领域有长远的发展，要学会别总追求“对”，也别让自己太累。如果工作过于拼命，迟早会被压垮。

很多时候，新想法会在你放松或做些不同事情时不经意地冒出来，比如在雨中散步时，和狗狗或者孩子玩耍时。很少有人会说：“我连续工作了十天，没合眼，结果灵感来了。”

因此，我认为我们需要一种教育方式，鼓励人们去尝试不同事物。艺术是一种绝佳的放松方式，音乐和文学也是如此。看电视、玩游戏同样有益，它们能让思维从紧张的工作中解放出来。

瞭望智库：如何健全支持体系，鼓励更多科学家开拓探索，在基础研究领域取得突破？

迈克尔·莱维特：新想法往往是在不同学科的人聚在一起时产生的。

以我个人经历为例，我受过物理和数学训练，而我的同事亚利耶·瓦谢尔则有化学背景。

我认为，应该资助来自不同领域的研究者之间的合作项目。项目评审人员通常更愿意将资金给予那些在某一领域已有显著成绩的研究者，这对于渐进式研究来说无可厚非。但在颠覆性研究方面，你会发现，每一项优秀的科研最初听起来都非常疯狂。因此，在研究资助和支持方面，需要更多创新模式。

我还想强调，基础科学非常重要，但应用科学同样不可忽视。我不确定哪种更重要，但应用研究能够影响更多人。如果一项研究没有转化为实际应用，就不会对人们产生影响。

我的研究主要集中在基础科学领域，但我也进行了相当多的应用研究，比如设计抗体药物，只不过当时我并未意识到它的重要性。

1987年，我来到斯坦福大学时，加入了一家公司，他们专注于蛋白质设计，我协助他们设计抗体。这项工作最终催生了一项专利，而这项专利又衍生出了人们今天仍在使用的重要药物，比如治疗肺癌的阿瓦斯汀（Avastin）和治疗乳腺癌的赫赛汀（Herceptin）。这些药物都是在1990年代设计的，专利是在1989年申请的。

但当时，我对此并无太多思考。如果我没有获得诺贝尔奖，我甚至可能会忘记这段经历。

迈克尔·莱维特：首先，我们看到，疫情后，来自美国的访华人数确实大幅减少。中国政府对此十分清楚，也正在采取行动，但可能需要做得更多。

对于学术界，尤其是年轻人和学生来说，国际夏令营非常重要，应该鼓励大学举办国际夏令营，让中国学生和外国学生共同参与，彼此建立友谊。过去这类夏令营活动非常普遍，现在需要重新推广。

年轻时，我曾在以色列的魏茨曼科学研究院任教大约十年。每年夏天，我都会带着孩子去不同的实验室进行短期访问。这段经历非常美好，家人可以在一个新地方度假，而我则在那里工作。通常我会待两三个月，时间虽短，但足以在当地留下深刻印记。

鼓励短期访问非常有意义，但仅靠政府倡导还不够，要推动各大学积极参与，不仅要继续支持中国学者出国交流，更应重点吸引国外科学家来华短期访问。

此外，也应该鼓励举办国际学术会议，吸引更多诺贝尔奖得主来华交流。

我个人在五个国家生活过很长一段时间，并在四个国家担任过学术职位。不同的视角是必需的，好的科研往往来源于两个人的合作。同样，良好的互动也来自于不同文化的碰撞。因为世界本身并不完美，没有哪个国家拥有解决所有问题的“魔法”。因此，我们需要采取措施促进互动，这也是我们当前面临的重要挑战。

瞭望智库：您的研究工作结合了化学、物理和计算机科学，作为一名“跨学科”学者，您是如何走上自己的研究道路的，有没有什么特别的经历或故事可以分享？

迈克尔·莱维特：回顾我的职业生涯，计算机技术是贯穿其中的主线。

大约14岁时，也就是1961年，我听说有一台电脑能够玩井字棋（Tic-Tac-Toe）。我感到十分惊讶——电脑擅长加法和乘法，这些我可以理解，但它怎么还能玩游戏呢？

从那时起，我就对计算机产生了浓厚兴趣。事实上，人工智能在上个世纪60年代就已经存在，但由于算力限制，发展受阻。

在那个年代，生物学领域也已经开始使用大型计算机，解析蛋白质结构需要强大的计算能力，因此生物物理学和生物学实验室常常会配备强大的计算设备。

与大多数生物学家不同，我与计算机技术紧密相连，几乎没有在实验室做过实验。虽然有时候我会想，做些实验可能也不错，我很喜欢烹饪，但我从未真正动手做过实验。

计算机技术并不限于某个学科领域。实际上，用于天气预报和武器设计的数学方程是非常相似的，甚至血流的计算公式与它们也有很多共通之处。从某种意义上说，数学和计算机技术本身就是跨学科的。

在我看来，学科划分有些荒谬。物理学和数学之间有很多重叠，化学与生物学也是如此。而现实世界里，学科的界限远没有在大学里那么明确。以诺贝尔奖为例，常常会有物理学奖授予的成果被认为更接近化学，反之亦然。

我认为，学科划分并没有太大意义，未来的教育将发生巨大的变化，学科的界限也终将消失。未来，我们会更多地选择与不同领域的人合作，甚至跨学科合作会得到奖励——可能是艺术家和科学家，农民和科学家，计算机科学家和舞台灯光设计师等的合作。不同领域的组合，会创造出新颖而激动人心的成果。这将是未来的发展方向，而人工智能在未来10年可能会加速这一变革。

迈克尔·莱维特：我对年轻人充满热情，20岁的人和40岁的人思维方式截然不同。

我20岁时就开始独立从事科学研究，这纯属偶然——在攻读博士学位之前，我从剑桥被派到以色列，在那里我遇到了一些从事计算机和分子研究的人，期间我也参与了相关工作。

所以，当我正式开始攻读博士时，我已经完成了相当于博士研究的工作，因此能够自由开展研究。

当时我所在的剑桥实验室，是一个小型实验室，一共可能只有3000人，但它在过去60年里获得了28项诺贝尔奖，这是一个极其惊人的数字。

在我看来，原因在于实验室负责人赋予年轻人独立性和责任感。

例如，上世纪最著名的论文之一是克里克（Francis Crick）和沃森（James D. Watson）关于DNA双螺旋结构的研究。这项研究是克里克作为博士生时在导师麦克斯·佩鲁茨（Max Perutz）的实验室完成的。虽然佩鲁茨对这项工作有重要贡献，但他并未在论文上署名。

那个年代，科学家们认为，“学生做的工作，学生署名；我的名字别放上面。”这样做有两个原因，第一，工作是学生独立完成的；第二，如果论文出了问题，责任是学生的，而不是导师的。但如今，博士生导师几乎在每篇论文上都要署名——这是个坏习惯。

而且，现在学生读完博士，再做博士后研究，可能要到40岁左右才真正独立。有人认为这是因为科学变得复杂，大家都希望在高影响因子期刊上发表文章。这其实是一个误区。

必须承认，许多重大科学突破是由年轻人实现的。许多诺贝尔奖得主在年老时获奖，但研究其实是年轻时候完成的。今年诺贝尔化学奖和物理学奖中，最年轻的获奖者39岁，最年长的91岁。在人工智能的重大突破中，OpenAI的首席执行官萨姆·奥尔特曼（Sam Altman）非常年轻，而OpenAI构建ChatGPT的核心理念源于2017年谷歌研究团队发表的一篇关于“变换器”的论文，贡献者同样是年轻的科学家们。

因此，我们应该确保年轻科研人员能够尽早获得独立的研究职位。“独立”并不意味着年轻科研人员必须自己筹集科研资金、不负责带学生，而是他们应该具备独立思考的能力。

当我在剑桥的实验室学习时，团队规模非常小，最杰出的教授可能只有三名研究生。这是因为，没人能预知新的创意将从何而来，我们需要建立一种机制来支持更多年轻人独立探索，并确保他们获得必要的资源。

库叔福利

欢迎库友们在推送的每篇文章下面点“分享”和“在看”。我们将依据微信后台最新技术统计，确定最近7天内“分享”量前10名、“在看”量前10名，送上腾讯视频会员季卡1张。获奖名单将于每周一在本公众号文末公布，请获奖者在当日私信“库叔送季卡”，将得到兑换码。快来参与吧！