General Purpose AI for Public Data Analysis and Experimental Hypothesis Generation

生物学已经进入了一个新时代，其中最珍贵的发现往往不在于新的实验，而在于已经收集的海量数据档案。多年来，科学家们生成了庞大的分子信息库，记录了健康组织和疾病组织中基因与蛋白质的活动。这些记录就像是人体内部运作机制的详细地图，但它们通常是为了回答特定的、狭窄的问题而创建的。现代科学面临的挑战是，如何审视这些现有的地图，并提出最初的探索者从未想过的全新问题。这正是人工智能介入之处——它并非作为人类研究者的替代品，而是作为一种能够扫描这些大规模数据集以寻找隐藏模式并建议新研究路径的工具。其目标是观察计算机是否可以作为生物学家的一种伙伴，通过筛选公共记录，针对细胞如何运作、疾病如何发展以及什么可以阻止疾病进行提出可测试的想法。

最近的一项研究通过测试通用人工智能如何帮助科学家利用公共数据生成并调查新的生物学问题，探讨了这一潜力。研究人员不仅仅是要求计算机寻找单一答案；相反，他们设置了一系列互补的研究，以观察人工智能在多大程度上能够驾驭复杂的生物学景观。在其中一条研究路径中，团队利用交互式工具分析了单细胞数据，希望找到能够帮助人类干细胞转化为特定类型组织的信号。人工智能指向了一条涉及名为 Apelin 分子的特定信号通路，认为它是引导这种转化的潜在候选者。然而，当科学家按照他们选择的条件在实验室中对这一建议进行测试时，预期的效果并未出现。这一结果凸显了一个至关重要的区别：在数据中发现模式并不等同于证明在现实世界中存在生物学效应。

随后，研究人员将注意力转向癌症，要求人工智能搜索公共单细胞数据，寻找可以被工程化免疫细胞攻击的肿瘤细胞潜在靶点。他们在患有多发性骨髓瘤（一种血液癌症）的患者数据上运行了分析，发现三次独立的分析过程一致地识别出了相同的 50 个候选靶点。在这些靶点中，两个著名的标志物 BCMA 和 CD38 反复出现，证实了人工智能恢复既有知识的能力。当同样的流程应用于胰腺导管腺癌（一种胰腺癌）时，结果则不那么统一。三次运行产生了不同的探索性发现，并且未能提名出一个符合其严格筛选标准的单一靶点，这说明人工智能的成功程度会因疾病数据复杂性和性质的不同而有所差异。

为了测试人工智能是否能在没有人类偏见的情况下发现洞察力，团队对匿名肺部数据进行了两次独立的分析，且最初并未告知计算机它正在观察的是哪种组织或患者患有哪种疾病。即使在缺乏这些背景信息的情况下，人工智能也成功识别出了构成肺部的不同细胞类型，并推断出该组织经历了与疾病相关的重塑。当研究人员随后向人工智能提供组织和疾病信息时，它生成了一份新的生物学问题清单。其中有 8 个问题在对照一组独立的患者数据进行检查时显示出了统计学支持。这些观察结果包括不同细胞类型如何协调它们的抗氧化防御，以及成纤维细胞中一种名为 CRYM 的蛋白质特异性增加，这表明这些是值得进一步研究的真实生物学关系。

在最后一次更广泛的尝试中，团队整合了多种类型的数据，以优先确定胰腺癌的潜在治疗方案。他们结合了展示哪些基因处于活跃状态的 RNA 表达信息，以及关于蛋白质的数据、测试禁用基因后会发生什么的 functional screens（功能筛选）结果，以及这些分子在正常健康组织中呈现方式的测量数据。这种多层次的方法帮助他们将一份长长的可能性名单缩小到了 213 个潜在治疗靶点。通过综合观察所有这些测量指标，科学家们能够区分那些仅基于 RNA 看起来相似的候选者，并评估它们在功能上是否相关，以及在正常组织中进行靶向治疗是否安全。虽然这项工作成功识别出了一份精炼的候选名单，但研究人员指出，这些靶点是否能真正作为疗法发挥作用仍有待验证。

这些调查共同表明，通用人工智能可以扩展实验生物学家的研究范围，使他们能够从可能被忽视的公共数据中提取新的假设并识别生物学联系。该研究也作为一个明确的提醒：完成一项分析并在数据集中找到一个可重复的模式，与建立一个真实的实验或治疗效应是截然不同的步骤。人工智能被证明能够提出方向并强调联系，但这些想法的最终验证仍然需要人类科学家在实验室中进行细致且扎实的实证工作。