理论上，独特的生物相互作用数量可能超过已知宇宙中的恒星数量。
生命的生物基础建立在一个难以想象的巨大交互网络之上，分子、细胞、系统和有机体不断发生碰撞。
几个世纪以来，科学家和医生一直依赖有针对性的技术和孤立的观察。通过几代人缓慢、迭代、共享的发现，我们逐渐发展了对生物学的理解，仅将部分知识应用于一小部分疾病状态和功能障碍的变革性方法。
人类现在正进入一个新的科学发现时代，利用人工智能来学习和推理复杂的生物挑战。
人工智能
精心设计的实施正在揭示新的信息，以解决生物学和医学交叉领域的重大问题。
使用AI使我们能够组织和感知比人类大脑天生能力更大规模的生物相互作用的复杂性。这些框架得到了迅速改进的分析技术所实现的日益增长的实验数据的支持。
AI在生物学中一个广为人知的例子是2024年化学诺贝尔奖，该奖项授予了AlphaFold——一种从结构和进化数据中的统计规律预测蛋白质结构和相互作用的AI模型。
负责大量生物相互作用的蛋白质，现在可以在几小时或几天内被系统地虚拟探索。这规避了传统方法所需的数周、数月甚至数年的努力。
Demis Hassabis，Google DeepMind的联合创始人兼首席执行官，AlphaFold和AlphaGenome的开发者，于2025年5月在加利福尼亚州山景城的Google I/O活动上发表演讲。
AlphaGenome是Google DeepMind开发的另一个AI驱动模型，它使研究人员能够快速高效地预测基因变异如何导致驱动疾病和功能障碍的遗传景观。
这些颠覆性的AI方法（以及其他方法）已在癌症、阿尔茨海默病、疫情应对等领域得到广泛应用。
相关性与因果关系
重要的是，目前AI领域主要由统计性质的建模方法主导；也就是说，这些模型学习的是相关性，而非因果关系。
这一区别很重要。统计模型的应用受限于其适用的背景。
这引出了当今领域的主要总体问题：我们如何捕捉存在于我们称之为生物学的模糊网络中的每个交互的因果关系？
对这个问题的当代解决方案通过混合计算框架进行探索。这些模型将我们对生物系统及其功能的有限结构化知识与多模态数据集相结合。
但我所说的"知识"是什么意思？从物理科学的角度来看，是物理学、化学和生物学中已建立的因果机制或基本规律。
从医学角度看，是已建立的疾病进展或衰老机制。
而多模态数据集呢？从多种角度观察生物学和医学所获得的数据。这些可能包括：
- 了解健康或疾病状态空间特征的生物学图像。
- 了解代谢物、基因、蛋白质、表观遗传学或其他构成生物身份和功能方面的表达的定量数据。
- 了解可能（或不可能）在疾病发作和进展中起作用的广泛变量的医疗数据。
这些只是几个例子。正如你可能想象的，这不是一项简单的任务。
研究人员正在训练AI理解基因网络如何相互作用，从而形成来自身体不同器官的1.5亿多个细胞的细胞身份。
训练AI模型
Arc Institute是通过在细胞层面学习生物表征来解决这一问题的几个组织之一。
Arc Institute的研究人员训练AI理解基因网络如何相互作用，从而形成来自身体不同器官的1.5亿多个细胞的细胞身份。
研究人员随后进行扰动：对生物学进行有根据的干扰，以了解驱动生物变化的因果关系。这些变化对细胞功能或身份有影响。
从这些实验中获得的数据为生物学中的因果机制提供了信息。
这意味着提供直接的因果关系，以及补偿机制（生物学如何尝试适应变化）和生物变异（一个细胞的反应可能与另一个细胞不同）。
这些结果被整合到模型架构中，以优化模型学习预测细胞状态的统计-因果表征的能力。也就是说，一种因果信息的表征，但也捕捉大量特征（输入变量）如何相互作用的统计表征。
这种方法及类似方法正在加速推动生物学和医学领域的发展。
然而，生物学非常复杂。问题依然存在：我们如何将生物状态的一个方面（如特定细胞身份或功能所表达的基因）与驱动生物背景下身份和功能的许多其他方面联系起来？
非凡的复杂性
不可否认，具有因果意识的AI系统有潜力加速药物发现，优化个性化治疗建议，甚至在整个生物医学科学和医学领域提供新颖的机制解决方案。
然而，实现这些成果存在重大挑战。生物系统极其复杂。
这些系统具有高度维度性，意味着它们在大量变量的交叉点上运行。它们也是令人困惑的，因为生物变异使得难以将重要信息与噪声区分开来。
此外，生物学富含补偿机制，这些机制深深植根于我们的进化中，当一个变量输出出现问题时，生物学会尝试自我纠正或补偿。
即使有限的因果证据，在实验室的实验中或临床的医学中，也很难与相关性区分开来。
还有其他挑战：
- 数据不足，或现有数据集中缺乏关键信息。
- 数据收集中的不一致性和偏见，包括但不限于在许多情境中的代表性不足和视角偏见。
- AI伦理，这是一个可以围绕健康、医学及更广泛领域写书的话题。
问题依然存在：考虑到所有这些障碍，我们如何可靠地将这些系统实施、解释并转化为解决方案？
再生能力
驯鹿能够季节性地以及在受伤后再生它们的鹿角。
我们自己的团队——卡尔加里大学的Biernaskie实验室——正在应用这些方法。
我们正在研究驯鹿如何季节性地以及在受伤后再生鹿角。我们的工作首先是对这种再生能力进行建模和预测，然后促进其在人类中的应用。
我们的首要目标是在烧伤幸存者中再生健康皮肤，或显著改善愈合结果。
严重烧伤会导致纤维化疤痕，这是一种通过最小化出血和感染风险来保存生命的进化机制。结果是功能失调的疤痕组织，缺乏汗腺、毛囊或协调健康皮肤的大多数细胞类型。
烧伤在儿童中最常见，严重烧伤的生理、社会和心理影响在幸存者的一生中造成重大负担。
世界各地的其他实验室致力于使用AI解决健康和医学中的复杂问题，专注于广泛的方法。这些方法包括从跨组学和成像的更深层次数据整合，到验证因果机制的改进理论和实验框架，使用临床前实验推进预测的稳健循环验证，以及透明、公平和伦理框架。
这一跨学科领域的专业人士可能共同站在解决健康和医学中一些最棘手挑战的新时代门槛上。
【全文结束】