人工智能能否作为科学发现的合作伙伴，生成可与人类专家相媲美的新颖、可测试假设？两项最新研究表明，谷歌开发的专用AI不仅在慢性肝病实验室模型中识别出显示显著抗纤维化活性的药物候选物，还独立推导出人类科学家耗时十年才解决的复杂细菌基因转移机制。
科学发现过程传统上依赖人类的创造力，将深厚专业知识与创新见解相结合来提出新问题并设计实验。然而，已发表研究的数量之庞大使得任何单一科学家都难以连接不同领域的分散想法。新一波人工智能工具旨在通过增强和加速以人类为主导的研究来应对这一挑战。
谷歌AI科学合作者正是此类工具之一，其开发者希望它能显著改变生物医学研究格局。近期发表在《先进科学》和《细胞》杂志上的研究提供了这一潜力的早期证据，展示了该系统不仅能够筛选海量数据集，还能参与推理过程，从而带来高影响力发现。
谷歌AI科学合作者：面向发现的多智能体系统
谷歌AI科学合作者是一个基于Gemini 2.0大语言模型构建的多智能体系统，旨在模拟科学方法的迭代过程。它并非作为单一实体运作，而是作为一个协同工作的专业AI智能体团队。这种结构旨在帮助科学家生成新研究思路、创建详细提案并规划实验。
该系统通过"科学家参与循环"模式运行，人类专家可提供初始研究目标、给予反馈，并使用自然语言指导AI的探索。专业智能体各自处理科学推理过程的不同部分。生成智能体充当头脑风暴者，探索科学文献并参与模拟辩论以产生初步想法。反思智能体则作为同行评审者，批判性地评估这些想法的质量、新颖性和合理性。
其他智能体则有助于优化输出。排名智能体运行基于Elo的锦标赛（类似于国际象棋排名），以优先考虑最有希望的假设。进化智能体通过结合概念或以非传统方式思考来改进排名靠前的想法。元评审智能体综合所有反馈，随着时间推移提高其他智能体的性能。这种协作式自我改进循环旨在产生日益新颖和高质量的科学见解。
AI确定肝纤维化新药物候选物
在《先进科学》发表的研究中，研究人员与谷歌合作探索治疗肝纤维化的新方法，肝纤维化是一种以肝脏过度瘢痕形成为标志的进行性疾病。目前的治疗选择极为有限，部分原因在于现有的疾病研究模型无法准确复制肝纤维化在人类肝脏中的发展过程。这些限制多年来阻碍了药物开发。
为解决这一差距，研究团队要求AI科学合作者为治疗肝纤维化生成新的、可测试的假设。具体而言，他们让AI探索表观基因组机制——影响基因活性而不改变DNA序列的化学变化——如何被靶向以减少或逆转纤维化。
"对于论文中使用的数据，我们提供了一个单一提示并收到来自AI科学合作者的回应，这些内容显示在补充数据文件1中，"斯坦福大学医学院教授加里·佩尔茨解释道。"提示经过精心准备，提供了领域（肝纤维化中的表观基因组效应）和实验方法（使用我们的肝类器官）以聚焦研究。然而，在大多数情况下，迭代地与AI互动以更好地定义问题并使其提供更完整的答案非常重要。"
AI系统扫描了科学文献，提出三类表观基因组调节剂可能是抗纤维化治疗的有希望靶点：组蛋白去乙酰化酶(HDACs)、DNA甲基转移酶1(DNMT1)和溴结构域蛋白4(BRD4)。它还概述了测试这些想法的实验技术，例如单细胞RNA测序来追踪药物如何影响不同细胞群。研究人员将这些建议纳入其实验设计。
为测试AI的提议，团队使用了基于人类肝类器官的实验室系统——由干细胞衍生的三维细胞培养物，具有人类肝脏的关键特征。这些微型器官包含多种肝细胞类型，当暴露于TGF-β等促纤维化触发因子（一种已知促进瘢痕形成的分子）时，可以模拟纤维化。类器官系统使研究人员能够评估药物是否能减少纤维化，以及是否对肝脏组织有毒性或促进再生。
研究结果表明，AI提出的两类药物（HDAC抑制剂和BRD4抑制剂）显示出强烈的抗纤维化效果。其中一种测试化合物伏立诺他是FDA批准的抗癌药物。在类器官模型中，它不仅抑制了纤维化，似乎还刺激了健康肝细胞的生长。
"由于我正在为此领域的拨款申请撰写文本，AI科学合作者的输出让我感到惊讶，"佩尔茨告诉PsyPost。
特别是，佩尔茨对先前研究探索这一潜力的匮乏感到震惊。在查阅PubMed后，他发现关于肝纤维化的论文总数超过18万篇，但只有7篇在此背景下提及伏立诺他。其中4篇与纤维化无关，另一篇仅在数据表中引用该药物而未实际测试。只剩下两篇研究直接调查伏立诺他对肝纤维化的作用。
尽管HDAC和BRD4抑制剂显示出有希望的效果，但AI推荐的第三类药物DNMT1抑制剂则没有。此类别中的一种化合物对类器官毒性太大，无法考虑进一步研究。
为评估AI的性能，佩尔茨还根据现有文献选择了两个额外的药物靶点进行比较。这些靶点之所以被选中，正是因为在文献中有更多支持表明它们可能对纤维化有效。
但在相同的类器官系统中测试时，针对这些广受支持通路的抑制剂并未减少纤维化。这一结果表明，尽管进行了广泛的文献回顾，AI仍能发现人类研究人员可能错过的潜在有效治疗方法。
展望未来，佩尔茨表示他的团队"正在利用我们的肝类器官系统开发额外数据，以确定伏立诺他是否能有效减少已建立的纤维化，我们正在与一些组织和制药公司讨论将伏立诺他作为抗纤维化剂进行测试的潜力。"
AI在数日内重现十年发现过程
在对其推理能力的另一项演示中，AI科学合作者被要求解决一个伦敦帝国理工学院团队耗时十余年才解开的生物学谜题。这项发表在《细胞》杂志上的研究聚焦于细菌中一类奇特的移动遗传元件，称为形成衣壳的噬菌体诱导染色体岛(cf-PICIs)。
科学家们对相同的cf-PICIs如何出现在许多不同细菌物种中感到困惑。这出乎意料，因为这些元件依赖称为噬菌体的病毒传播，而噬菌体通常具有非常狭窄的宿主范围，往往只感染单一物种或菌株。人类研究团队已经通过多年的复杂实验解决了这个谜题，但他们的发现尚未公开。
他们发现了一种称为"尾部劫持"的新机制，其中cf-PICIs产生自己的DNA填充"头部"（衣壳），但缺乏尾部。这些无尾粒子随后被释放，并可以从感染不同细菌物种的各种其他噬菌体劫持尾部，创建能够将cf-PICI遗传物质注入新宿主的嵌合感染粒子。
为测试AI科学合作者，研究人员仅向其提供在其发现之前公开可用的信息，并提出相同问题：相同的cf-PICIs如何在不同细菌物种间传播？
AI科学合作者生成了五个排序假设。其排名最高的建议是cf-PICIs通过"衣壳-尾部相互作用"实现其广泛的宿主范围，提出cf-PICI头部可以与多种噬菌体尾部相互作用。这一假设几乎完美地镜像了人类团队花费数年发现的"尾部劫持"机制。
AI不受研究人员初始假设和现有科学模型偏见的束缚，在数日内就得出了发现的核心。当研究人员对此结果进行基准测试时，他们发现其他领先AI模型无法产生相同的正确假设，这表明AI科学合作者系统具有更高级的推理能力。
局限性与未来方向
尽管这些结果令人鼓舞，但参与此项工作的研究人员警告仍存在重大局限性。AI科学合作者的性能迄今为止仅在少数特定生物学问题上进行了评估。需要更多测试来确定这种能力能否在其他科学领域推广。AI的推理也依赖于其分析的公开可用数据的质量和完整性，这些数据可能包含自身的偏见或知识空白。
或许最重要的是，人类专业知识仍然必不可少。虽然AI可以生成大量合理的假设，但它缺乏来自多年实践经验的深层情境判断。经验丰富的科学家仍需评估哪些想法真正值得追求，并设计验证所需的精确实验。优先处理AI生成想法的挑战相当大，因为传统实验流程不够快速或经济，无法测试每一个有希望的线索。
"一般来说，AI输出必须由该领域的知识人士进行评估；而AI输出对具有特定领域专业知识的人最有价值，因为他们最能评估并利用它，"佩尔茨告诉PsyPost。
尽管如此，这两项研究提供了证据，表明AI系统正从有用的助手演变为科学过程中真正的协作伙伴。通过生成新颖且可实验验证的假设，像AI科学合作者这样的工具有可能增强人类直觉并加速科学和生物医学突破的步伐。
"我相信AI将极大地加速许多生物医学领域的发现步伐，并将很快用于改善患者护理，"佩尔茨说。"我的实验室目前正在将其用于基因发现和药物再利用，但生物科学的许多其他领域也将很快受到影响。目前，我相信AI科学合作者在这一领域是最好的，但这是一个快速发展的领域。"
《AI辅助药物再利用治疗人类肝纤维化》研究由关远、崔璐、Jakkapong Inchai、方卓清、Jacky Law、Alberto Alonzo Garcia Brito、Annalisa Pawlosky、Juraj Gottweis、Alexander Daryin、Artiom Myaskovsky、Lakshmi Ramakrishnan、Anil Palepu、Kavita Kulkarni、翁伟宏、程专芬、Vivek Natarajan、Alan Karthikesalingam、荣可然、许云汉、涂涛和加里·佩尔茨共同完成。
《嵌合感染粒子扩展噬菌体诱导染色体岛迁移的物种边界》研究由何灵辰、Jonasz B. Patkowski、王金龙、Laura Miguel-Romero、Christopher H.S. Aylett、Alfred Fillol-Salom、Tiago R.D. Costa和José R. Penadés共同完成。
《AI模拟实验科学揭示对细菌进化至关重要的基因转移机制》研究由José R. Penadés、Juraj Gottweis、何灵辰、Jonasz B. Patkowski、Alexander Daryin、翁伟宏、涂涛、Anil Palepu、Artiom Myaskovsky、Annalisa Pawlosky、Vivek Natarajan、Alan Karthikesalingam和Tiago R.D. Costa共同完成。
【全文结束】
