人工智能能否作为科学发现的合作伙伴，生成与人类专家相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，还独立推导出人类科学家耗时十年才解决的细菌基因转移复杂机制。
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，海量已发表研究使单一科学家难以跨领域连接不同观点。新一代人工智能工具旨在通过增强并加速人类主导的研究来应对这一挑战。
谷歌的AI科研伙伴正是此类工具，其开发者希望它能显著改变生物医学研究格局。近期发表在《先进科学》和《细胞》期刊的研究提供了早期证据，表明该系统不仅能筛选海量数据，还能通过推理过程实现高影响力发现。
谷歌AI科研伙伴：面向发现的多智能体系统
谷歌的AI科研伙伴是基于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智能体组成团队，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"科学家参与"模式，人类专家可提供初始研究目标、反馈意见，并通过自然语言指导AI探索。各专业智能体负责科学推理的不同环节：生成智能体充当头脑风暴者，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，严格评估这些想法的质量、新颖性和合理性。
其他智能体则优化输出结果。排名智能体运行类似国际象棋评级的Elo锦标赛，优先筛选最具前景的假设；进化智能体通过融合概念或非常规思考改进高排名思路；元评审智能体整合所有反馈以持续提升其他智能体性能。这种协作式自我完善循环旨在产出日益新颖且高质量的科学洞见。
AI精准锁定肝纤维化新药候选物
在《先进科学》发表的研究中，研究团队与谷歌合作探索肝纤维化（一种以肝脏过度瘢痕化为特征的进行性疾病）的新型疗法。现有治疗选择极为有限，部分原因在于疾病研究模型无法准确模拟人类肝脏纤维化发展过程，这阻碍药物开发多年。
为填补这一空白，研究团队要求AI科研伙伴生成治疗肝纤维化的可验证新假设，特别聚焦于表观基因组机制——即不改变DNA序列却影响基因活性的化学变化——如何靶向减轻或逆转纤维化。
"论文所用数据，我们仅提供单条提示并接收AI科研伙伴的回应，详见补充数据文件1，"斯坦福大学医学院教授加里·佩尔茨(Gary Peltz)解释道，"提示经过精心设计，明确领域（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）。但多数情况下需与AI迭代互动，才能更好定义问题并获取更完整答案。"
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)。同时概述了验证思路的实验技术，如单细胞RNA测序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。
为测试AI提案，团队使用基于人源肝类器官的实验室系统——这种源自干细胞的三维细胞培养物具备人类肝脏关键特征。当暴露于TGF-beta等促纤维化因子时，这些微型器官会模拟纤维化，且包含多种肝细胞类型，使研究者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的能力。
研究发现AI提出的两类药物（HDAC抑制剂和BRD4抑制剂）展现出强效抗纤维化作用。其中测试化合物伏立诺他(Vorinostat)是FDA批准的抗癌药物，在类器官模型中不仅抑制纤维化，似乎还能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，对AI科研伙伴的输出感到惊讶，"佩尔茨向PsyPost透露。他尤其惊讶于此前相关探索甚少：PubMed检索显示，关于肝纤维化的论文超18万篇，仅7篇提及伏立诺他，其中4篇与纤维化无关，1篇仅在数据表中引用而未实际测试，仅2项研究直接调查该药对肝纤维化的疗效。
尽管HDAC和BRD4抑制剂效果显著，AI推荐的第三类DNMT1抑制剂未达预期。其中一种化合物对类器官毒性过大，无法继续研究。
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——这些靶点因有更多支持证据被认为可能有效。但在相同类器官系统中测试时，针对这些路径的抑制剂未能减轻纤维化。这表明AI能发掘人类研究者可能遗漏的有效疗法，即使经过广泛文献综述。
展望未来，佩尔茨表示团队"正利用肝类器官系统开发更多数据，确认伏立诺他能否减轻已形成的纤维化，并与多家机构和制药公司商讨将其测试为抗纤维化剂的潜力"。
AI数日重现已耗时十年的发现
在另一项展示推理能力的测试中，AI科研伙伴挑战了一个困扰伦敦帝国理工学院团队十余年生物学谜题。这项发表于《细胞》的研究聚焦细菌中一类奇特的可移动遗传元件——衣壳形成型噬菌体诱导染色体岛(cf-PICIs)。
科学家困惑于为何相同cf-PICIs出现在多种细菌中。这令人意外，因为这些元件依赖噬菌体传播，而噬菌体宿主范围通常极窄，往往仅感染单一菌种或菌株。人类研究团队已通过多年复杂实验破解谜题，但成果尚未公开。
他们发现一种称为"尾部劫持"的新机制：cf-PICIs产生自身DNA填充的"头部"（衣壳），但缺乏尾部。这些无尾颗粒释放后，能劫持感染不同细菌物种的多种噬菌体的尾部，形成嵌合感染颗粒，将cf-PICI遗传物质注入新宿主。
为测试AI科研伙伴，研究人员仅提供发现前的公开信息，并提出相同问题：相同cf-PICIs如何跨细菌物种传播？
AI科研伙伴生成五个排序假设。其首选方案提出cf-PICIs通过"衣壳-尾部相互作用"实现广宿主范围，推测cf-PICI头部可与多种噬菌体尾部互动。该假设几乎完美复现了人类团队耗时多年发现的"尾部劫持"机制。
AI不受研究者既有假设和现有科学模型偏见的束缚，仅用数日便触及发现核心。研究人员比对发现，其他领先AI模型未能生成相同正确假设，表明AI科研伙伴系统具备更高级推理能力。
局限性与未来路径
尽管成果喜人，研究者强调重大局限依然存在。AI科研伙伴的性能迄今仅在少数特定生物学问题上评估，需更多测试验证其能力能否推广至其他科学领域。其推理也依赖所分析公共数据的质量与完整性，而数据本身可能存在偏见或知识缺口。
更重要的是，人类专业知识仍不可或缺。尽管AI能生成大量合理假设，却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思路值得追索，并设计精确验证实验。如何优先处理AI生成思路仍是重大挑战，因传统实验流程无法快速廉价地测试每个有前景的线索。
"通常AI输出必须由领域专家评估；且对具备专业知识者最有价值，因其最能评估并利用这些输出，"佩尔茨告诉PsyPost。
然而，这两项研究证明AI系统正从得力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，类似AI科研伙伴的工具有望强化人类直觉，加速科学与生物医学突破。
"我相信AI将极大加速多个生物医学领域的发现进程，并很快用于改善患者护理，"佩尔茨表示，"我的实验室正将其用于基因发现和药物再利用，但生物科学许多其他领域也将很快受影响。目前我认为AI科研伙伴在此领域最优，但这是个快速发展的领域。"
《AI辅助药物再利用治疗人类肝纤维化》研究由袁冠、崔璐、Jakkapong Inchai、方卓清、Law Jack、Alberto Alonzo Garcia Brito、Annalisa Pawlosky、Juraj Gottweis、Alexander Daryin、Artiom Myaskovsky、Lakshmi Ramakrishnan、Anil Palepu、Kavita Kulkarni、Weng Wei-Hung、Cheng Zhuanfen、Vivek Natarajan、Alan Karthikesalingam、Keran Rong、Xu Yunhan、Tu Tao和加里·佩尔茨(Gary Peltz)共同完成。
《嵌合感染颗粒扩展噬菌体诱导染色体岛迁移的物种边界》研究由Lingchen He、Jonasz B. Patkowski、王金龙、Laura Miguel-Romero、Christopher H.S. Aylett、Alfred Fillol-Salom、Tiago R.D. Costa和José R. Penadés完成。
《AI模拟实验科学揭示细菌进化关键基因转移机制》研究由José R. Penadés、Juraj Gottweis、Lingchen He、Jonasz B. Patkowski、Alexander Daryin、Weng Wei-Hung、Tu Tao、Anil Palepu、Artiom Myaskovsky、Annalisa Pawlosky、Vivek Natarajan、Alan Karthikesalingam和Tiago R.D. Costa共同完成。
【全文结束】
