需要指出的另一点是，atv，我们正开始以高分辨率来完成所有工作。这点非常重要，因为基因组学和很多其他组学应用的信号分辨率非常低，基本上相当于大海捞针。以无创产前检查为例，胎儿的细胞比母亲要少得多。肿瘤实际上是由一个异质性癌细胞群组构成，将其中每个细胞分离出来研究可以更清楚地看到一些东西。以前的我们其实不是在给某个基因组测序，只是在给从病人样本中提出的数百万基因组的平均值测序。

a16z：嗯，多种镜头，单个细胞。那机器学习用在哪儿呢？

Vijay：对于Jorge描述的那些“高分辨率”趋势，这里还有另外一个非常有趣的研究角度——机器学习现在已经能完美译出基因组了。那些分析二维图像的计算机？嗯，一个基因组就好比一张图片，只不过它是一个一维像素网格。而且，正如卷积神经网络并不反映图片里物体的位置（“平移不变性”），它也不反映DNA链的位置。但是机器学习却能帮你定位搜索。

Jorge：是的，如果应用这些为疾病生物学提供了新视角的新技术，我们其实可以“反卷积”很多我们以前做不到的事情。我们过去只是暂时没有从各种数据流中获得有用信息的分析能力；而且生物非常复杂，我们不可能真正看透它。

它具有深刻的现实意义：例如，在Syros工作期间，我们发现，对比观察一个正常细胞及其病变细胞，可以在以不同细胞类型表现出来的微分基因组中发现它们之间的差别。有时并没有引起疾病的突变基因——不仅是基因组出错——也是细胞运行了错误程序，遗传学在这里再次派上了用场。疾病生成时，基因不只像电灯的开关，它更像一个调光器，亮度可高可低。那又是什么导致健康细胞发展成病变细胞且不受控制地增殖，或者休眠免疫细胞突然激活自身免疫性疾病呢？了解细胞内基因组如何排列或调节成了帮我们为特定病人寻找合适药物，并制定适当剂量和最佳服用时间的新途径。

a16z：显然，精确和具有个人针对性的药物最有效。那现在我们正处于生物密码和计算机代码结合的总趋势中的哪一阶段呢？

Jorge：我们基本上已经达到了解读和编写阶段，或者说“读/写”阶段，因为有了更多视角和更高的分辨率，我们现在可以更全面地解读生物密码，也可以更多地自己编写密码了。我们越来越多地自己设计生物系统，用CRISPR或者各种日益完善的基因工程工具编辑基因，正如Vijay此前所说，当你让某样东西成为了与科学问题对立的工程问题时，你可以将过程中的一些部分工业化，以提高效率和分辨率，节省成本，强化质量，基本上达到高精度范围。

这也把我们带入了“读/写”的二次衍生阶段——洞察/设计。我们不仅在“读”时生成数据，还能以新的方式基本深入理解数据，尤其是利用多种数据流和机器学习来帮助理解。在“写”时我们也不仅仅是在编辑，同时也是在设计。未来，生物也可以算得上自己的创意媒介。

a16z：这就是你“读/写”生物的过程？

未来，生物也可以算得上自己的创意媒介。

Jorge：我相信这将是个生物科学的时代。正如信息/计算机时代产生的技术使我们能够以惊人的方式组装和移动数据，宇宙中没有哪种已知力量在移动和组装物质方面比生物来得有效。

因此，我们的解读、编写、分析和设计能力不仅将影响医疗健康，还会影响很多其他行业——正如之前的计算机行业那样。软件一开始变革的以信息为主要产品的行业，不是吗？然后最终进入物理世界，通过Amazon，Ebay，Airbnb或Lyft变革其他行业。同样，我们“读/写”生物的能力也会变革很多行业。除了显然会受到影响的医疗健康行业，制造业也越来越多地运用了生物学。最终，很多人们联想不到的领域都将受到生物影响，如纺织品、建筑等领域。

a16z：如果机器学习是它们的载体，Vijay，你的研究该怎么改进呢？几年前我们创办这个生物基金时，你说过一旦生物与计算机相结合，机器学习将在其中产生很大影响。

Vijay：对比一下两年前的机器学习，这可是相当具有戏剧性了。当时就想的是这波“浪潮”估计快到顶了，现在它确实到了——计算机不仅与人类性能接近，某些方面甚至远超人类。有时当你身处其中，你自己都不太清楚你正处于波谷还是波峰，这也是为什么我喜欢拿冲浪类比；有时它涨起来，有时又退下去，一旦安然度过这些阶段就会达到顶峰。