生命科学AI的6条路线
如果把 AlphaFold、虚拟细胞、AI 科学家都塞进「生命科学AI」这一个词里，它很快就会失去解释力。 看起来都叫 AI，实际操作的对象完全不同。有的已经进入科研日常，有的还在和简单基线较劲。 我最近把这个领域里反复出现的项目重新排了一遍，大致可以分成六条路线。 ① 蛋白质结构与设计AlphaFold 3 已经能统一预测蛋白质、核酸、小分子等复合物的结构。RFdiffusion 则往前走了一步，开始从需求出发生成新的蛋白质。这里要分开看，结构预测已经相对成熟，蛋白质设计仍离不开湿实验验证。 ② 文献与知识发现PaperQA2 这类系统不只是聊天，它会检索论文、追踪引用、抽取证据再组织答案。在特定科学文献基准上，它已经超过参与测试的生物学研究者。实际使用时能省下大量检索时间，但结论和引用仍然要回到原文核对。 ③ 组学数据分析scGPT、Geneformer 已经覆盖细胞类型注释、批次整合、扰动预测和基因网络等任务。说真的，这条路线最容易被「基础模型」三个字带偏。它们并不是拿来就能分析所有数据，换数据集、换组织、换任务，效果都要重新验证。 ④ 虚拟细胞目标很诱人，先在电脑里预测细胞受到药物或基因扰动后的反应，再决定哪些实验值得做。但 Arc Institute 对 2025 虚拟细胞挑战赛的总结很克制，参赛模型还没有在所有指标上稳定超过简单基线。它可能很重要，也确实还早。 ⑤ 自动化实验室云实验室已经可以让研究者远程调用设备，BacterAI 也展示过 AI 与实验机器人闭环学习微生物代谢。不过这些闭环仍集中在定义清楚的任务里。机器已经会执行越来越多实验，还没有普遍学会自己做科研。 ⑥ 科研 Agent这条路线想操作的不是某一种数据，而是整段科研流程。Biomni 能组合数据库、软件和分析工具，Robin 已经串起文献、假设、实验设计、数据分析和后续判断。可 Robin 的湿实验仍由人执行。更准确的称呼是科研助理，不是独立科学家。 所以我更愿意把生命科学 AI 看成六条速度不同的路线。 接下来这个账号也会沿着这张地图，继续看新研究、新工具和新团队。遇到真正能用的，也会尽量实际跑一遍。AI人工智能 生命科学 人工智能 AIforScience AI4Science 生物信息学