人工智能能否成为科学发现的合作伙伴，生成可与人类专家媲美的新颖可验证假设？两项最新研究揭示，谷歌开发的专用AI不仅在慢性肝病实验室模型中识别出具有显著抗纤维化活性的药物候选物，还独立推演出人类科学家耗时十年才解决的复杂细菌基因转移机制。
科学发现传统上依赖人类智慧，将深厚专业知识与创造性洞察相结合来提出新问题并设计实验。然而，已发表研究的庞大规模使任何单一科学家都难以连接不同领域的零散观点。新一代人工智能工具旨在通过增强和加速人类主导的研究来应对这一挑战。
谷歌AI科学伙伴正是此类工具，其开发者希望它能显著改变生物医学研究格局。发表在《先进科学》和《细胞》的最新研究提供了早期证据，展示该系统不仅能够筛选海量数据集，还能参与推理过程，从而促成高影响力发现。
谷歌AI科学伙伴：发现型多智能体系统
谷歌AI科学伙伴是基于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。它并非单一实体，而是由协同工作的专业AI智能体组成，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。
该系统采用"科学家在环"模式，人类专家可提供初始研究目标、反馈并用自然语言引导AI探索。各专业智能体负责科学推理的不同环节：生成智能体作为头脑风暴者，探索科学文献并进行模拟辩论以产生初步想法；反思智能体担任同行评审员，批判性评估这些想法的质量、新颖性和可行性。
其他智能体则负责优化输出。排序智能体运行基于Elo的锦标赛（类似国际象棋排名）以优先处理最有前景的假设；进化智能体通过组合概念或非常规思维改进排名靠前的想法；元评审智能体整合所有反馈，随时间提升其他智能体的性能。这种协作式自我改进循环旨在产生日益新颖且高质量的科学洞见。
AI精准定位肝纤维化新药候选物
在《先进科学》发表的研究中，研究人员与谷歌合作探索肝纤维化治疗新途径。这种以肝脏过度瘢痕化为特征的进行性疾病目前治疗选择极其有限，部分原因在于现有疾病模型无法准确模拟人类肝脏的纤维化发展过程，多年阻碍了药物研发。
为填补这一空白，研究团队要求AI科学伙伴生成治疗肝纤维化的新型可测试假设。具体任务是探索表观基因组机制——影响基因活性但不改变DNA序列的化学变化——如何成为减轻或逆转纤维化的靶点。
"论文使用的数据中，我们仅提供单条提示并接收AI科学伙伴的响应，详见补充数据文件1，"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，明确了领域（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）。但多数情况下，需要与AI进行迭代互动才能更好定义问题并获得更完整答案。"
该AI系统扫描科学文献后提出，三类表观基因组调节剂可能成为抗纤维化治疗的有前景靶点：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，如单细胞RNA测序以追踪药物对不同细胞群的影响。研究人员将这些建议纳入实验设计。
为验证AI提案，团队使用基于人类肝类器官的实验室系统——源自干细胞的三维细胞培养物，具有人类肝脏关键特征。这些微型器官包含混合肝细胞类型，暴露于TGF-beta等促纤维化触发物时可模拟纤维化。该系统使研究人员不仅能评估药物是否减轻纤维化，还能检测其毒性或促进肝组织再生能力。
研究结果证实，AI提出的两类药物（HDAC抑制剂和BRD4抑制剂）展现强效抗纤维化作用。其中测试的伏立诺他（FDA批准的抗癌药物）在类器官模型中不仅抑制纤维化，还似乎刺激健康肝细胞生长。
"当时我正在撰写该领域的基金申请书，AI科学伙伴的输出令我惊讶，"佩尔茨告诉PsyPost。
尤其令佩尔茨震惊的是相关研究探索之少。经PubMed检索，他发现关于肝纤维化的论文超18万篇，但仅7篇提及伏立诺他在该语境。其中4篇与纤维化无关，另1篇仅在数据表中引用该药物而未实际测试，仅剩2项研究直接探究伏立诺他对肝纤维化的作用。
尽管HDAC和BRD4抑制剂效果显著，但AI推荐的第三类药物DNMT1抑制剂未达预期。此类中一种化合物对类器官毒性过大，无法进行后续研究。
为评估AI表现，佩尔茨还基于现有文献另选两个药物靶点作对比——这些靶点因更多发表支持而被认为可能有效。但在相同类器官系统中测试时，针对这些获广泛支持通路的抑制剂未能减轻纤维化。这表明AI能发掘人类研究人员可能遗漏的有效疗法，尽管已进行广泛文献综述。
展望未来，佩尔茨表示团队"正利用肝类器官系统开发额外数据，确定伏立诺他能否有效减轻已形成的纤维化，并与多家组织和制药公司探讨将其测试为抗纤维化剂的潜力。"
AI数日重现十年科学发现
在另一项展示其推理能力的演示中，AI科学伙伴被要求解决帝国理工学院团队耗时十年才破解的生物学谜题。这项发表在《细胞》的研究聚焦细菌中一种奇特的移动遗传元件家族——噬菌体诱导染色体岛（cf-PICIs）。
科学家困惑于为何相同cf-PICIs存在于多种细菌物种中。这令人意外，因为这些元件依赖噬菌体传播，而噬菌体通常宿主范围极窄，常仅感染单一物种或菌株。人类研究团队已通过多年复杂实验破解谜题，但发现尚未公开。
他们发现一种称为"尾部劫持"的新机制：cf-PICIs产生自身含DNA的"头部"（衣壳）但缺乏尾部。这些无尾颗粒释放后可劫持感染不同细菌物种的多种噬菌体尾部，形成嵌合感染颗粒，将cf-PICI的遗传物质注入新宿主。
为测试AI科学伙伴，研究人员仅提供其发现前的公开信息，并提出相同问题：相同cf-PICIs如何在不同细菌物种间传播？
AI科学伙伴生成五个分级假设。其首选方案提出cf-PICIs通过"衣壳-尾部互作"实现广宿主范围，建议cf-PICI头部可与多种噬菌体尾部互作。该假设几乎完美匹配人类团队耗时十年发现的"尾部劫持"机制。
该AI不受研究人员初始假设和现有科学模型偏见的束缚，仅用数日即触及核心发现。当研究人员进行基准测试时，发现其他领先AI模型无法生成相同正确假设，表明AI科学伙伴系统具备更高级的推理能力。
局限与未来方向
尽管成果令人鼓舞，相关研究者警告仍存在重大局限。AI科学伙伴的性能迄今仅在少数特定生物问题上得到评估，需更多测试确定其能力能否推广至其他科学领域。其推理也依赖所分析公开数据的质量和完整性，后者可能存在自身偏见或知识缺口。
最重要的是，人类专业知识依然不可或缺。虽然AI能生成大量合理假设，但它缺乏多年实践经验带来的深度情境判断。经验丰富的科学家仍需评估哪些想法真正值得追求，并设计精确实验进行验证。优先处理AI生成想法的挑战巨大，因为传统实验流程既不够快速也不够经济，无法测试每个有前景的线索。
"通常，AI输出必须由该领域知识丰富的人评估；且AI输出对具备领域专业知识者最有价值，因为他们最能评估和利用它，"佩尔茨告诉PsyPost。
尽管如此，这两项研究证明AI系统正从辅助助手演变为科学进程中的真正协作伙伴。通过生成新颖且可实验验证的假设，AI科学伙伴等工具有望强化人类直觉，加速科学和生物医学突破的步伐。
"我相信AI将极大加速众多生物医学领域的发现进程，并将很快用于改善患者护理，"佩尔茨表示，"我的实验室目前正在将其用于基因发现和药物重定向，但生物科学许多其他领域也将很快受到影响。目前我认为AI科学伙伴在此领域最佳，但这是个快速发展的领域。"
【全文结束】
