Nature背靠背 | 新的科研组织方式——两类AI直接主导疾病药物筛选与生物学机理研究

科学发现最迷人的地方，往往并不在于得到一个确定答案，而在于提出一个此前无人想到、但又可以被实验验证的问题 。 从文献中捕捉线索，提出假说；将假说转化为实验设计；获得数据后再重新修正判断 —— 这一循环构成了现代科学研究的基本逻辑。然而，在生命科学进入大数据、高通量、多组学和跨学科深度融合的今天，这种模式 也变得前所未有的复杂。一个疾病机制可能同时涉及遗传变异、细胞状态、代谢重编程、免疫微环境等各个层次的调控；一个潜在治疗策略，可能需要从数百篇分散于不同领域的论文中总结得出 。到目前为止， 科学家仍然是提出重大问题和判断科学发现的意义的核心，但单个研究者的 知识面是有限的 ，正在成为科学发现的重要瓶颈 。

近年来 ， AI 在促进科学发现中的能力快速扩展。 AlphaFold 改变了蛋白结构预测，生成式模型被用于小分子设计极大推送了新药研发的进程，大语言模型开始辅助文献总结、代码编写和数据分析。但这些应用大多仍停留在科研流程的某个局部环节 。 真正具有挑战性的问题是：AI能否参与科学发现本身？也就是说，AI能否不只是回答问题，而是帮助提出科学假说，并在实验结果返回后继续修正下一轮研究方向。

近日，Nature杂志背靠背发表了两篇题为：A multi-agent system for automating scientific discovery以及Accelerating scientific discovery with Co-Scientist的文章，开发了Co-Scientist与Robin两个能够协助科学研究中多个环节（如提出假设、设计实验和分析数据）的人工智能（AI）系统。这两个系统分别由谷歌DeepMind和FutureHouse开发，旨在协助研究人员加速科学发现，而非取代科研人员。这两款AI利用多个自主且专业化的AI智能体（agent），在整个研究过程中执行不同任务。这种方法使系统能够生成假说、提出验证假说的实验方案、解读实验结果，并基于实验结果优化假说，可以帮助科研人员更加快速地整合大量的信息。

基于Gemini 2.0构建的Co-Scientist，是一个用于科学发现的通用多智能体系统。尽管初期验证主要集中在生物医学领域，但其设计旨在适用于所有科学学科。

例如 ：第一个场景是急性髓系白血病（AML）的药物再利用。系统从已有批准药物中提出候选治疗方案，随后科学家进行筛选和体外验证。结果显示， Co-Scientist 提出的部分药物确实能够抑制 AML 细胞活性，包括 Binimetinib 、 Pacritinib 、 Cerivastatin 等。此外，系 统还提出了较新的候选药物 KIRA6 ，并在部分 AML 细胞系中观察到抑制效果 。第二个场景是肝纤维化。Co-Scientist 被要求寻找可能影响肌成纤维细胞形成的表观遗传靶点。系统提出了多个候选表观遗传调控因子及对应药物，其中部分药物在人肝类器官模型中显示出抗纤维化活性。值得注意的是，其中一种有效药物 Vorinostat 已是获批用于癌症治疗的药物 。第三个场景则更接近基础机制研究。研究者让 Co-Scientist 分析一种与抗菌药物耐药性传播相关的细菌移动遗传元件 ——cf-PICIs 。系统在较短时间内提出， cf-PICIs 可能通过与不同噬菌体尾部结构相互作用来扩大宿主范围，而这一假说与研究团队多年实验得到、当时尚未发表的结果相吻合 。

Robin系统同时采用OpenAI的o4-mini和Anthropic的Claude 3.7，旨在辅助实验生物学领域的发现工作。Samuel Rodriques及其同事将该系统应用于药物发现研究。例如，Robin协助识别了针对干性年龄相关性黄斑变性的潜在治疗方案，该病是发达国家导致失明的主要原因之一。

Robin 首先通过文献分析提出，增强视网膜色素上皮细胞（ RPE ）的吞噬功能，可能是一种治疗 dAMD 的策略。随后，系统建议通过流式细胞术检测药物是否能增强 RPE 细胞吞噬能力，并提出了一批可测试药物候选 。 在第一轮实验中， Robin 提出了包括 Y-27632 在内的候选药物。实验完成后，系统分析流式数据，随后进一步建议对 Y-27632 处理后的 RPE 细胞进行 RNA-seq ，以解析 ROCK 抑制促进吞噬的分子机制。 RNA-seq 分析提示， Y-27632 影响肌动蛋白组织、小 GTP 酶信号和自噬相关通路，并发现脂质外排泵 ABCA1 显著上调 。 基于第一轮实验结果， Robin 又提出第二轮候选药物，其中包括 ripasudil 。 Ripasudil 是一种已经在日本用于青光眼治疗的 ROCK 抑制剂，但此前并未被提出用于治疗干性 AMD 。后续实验显示， ripasudil 能够增强 ARPE-19 细胞和原代人 RPE 来源细胞的吞噬功能，并且比 Y-27632 表现出更高效力。系统还发现 KL001 也可增强 RPE 吞噬功能，为 dAMD 治疗提供了另一个潜在方向 。

这些系统真正重要的地方，不只是发现了几个候选药物或靶点，而是提出了一种新的科研组织方式。过去，科学家的瓶颈往往是时间和知识面：读不完的文献，想不全的组合，排不完的实验优先级，分析不完的数据。多智能体 AI 系统的价值，正是把这些认知密集型任务系统化、并行化和可迭代化 。 未来，一个实验室可能会拥有自己的 “AI 共同研究者 ” 。它可以快速阅读一个领域的文献，生成几十个可测试假说，指出每个假说的证据基础和潜在漏洞，帮助设计最经济的验证实验，并在数据返回后迅速提出下一轮方向 。

但科学发现的底层逻辑不会改变，科学家仍然是科学发现的主导者。真正决定一项研究是否成立的，仍然是问题是否重要，假说是否可证实，实验是否严谨，数据是否可重复，结论是否能够经得起同行和时间的检验。

https://doi.org/10.1038/s41586-026-10652-y

https://doi.org/10.1038/s41586-026-10644-y

制版人： 十一

学术合作组织

（*排名不分先后）

战略合作伙伴

（*排名不分先后）

转载须知

【非原创文章】本文著作权归文章作者所有，欢迎个人转发分享，未经作者的允许禁止转载，作者拥有所有法定权利，违者必究。

BioArt

Med

Plants

人才招聘

点击主页推荐活动

关注更多最新活动！