01
分工
每个智能体认领一个基因扰动
大任务按基因切开，几千份同时开工。
2026 年 10 月 · 给临床研究者的速读
AI × 生命科学：五巨头的六条前沿
五家公司 · 六项前沿 · 一条新药研发链
图片来源：NVIDIA 官方
32 分钟OpenAI 智能体分析数百万脑细胞
700+ vs 11分布式 vs 单智能体引用文献数
42.1%Google 智能体第 3 轮适配体命中率
约 5 亿BioEmu-2 参数量
8–12 周Anthropic 客座研究员合作周期
总览地图 · 点击节点跳到对应章节
一条新药研发链，六个环节，五家公司各占一格。
🧠 ① 读懂数据 · OpenAI · 2026-10-21
数千个智能体，32 分钟读完数百万个脑细胞。
把一个超大实验拆成几千份，每个 AI“研究助理”只负责一个基因，查文献、写解释，最后汇总成一本“推理图谱”。
OpenAI 与 PerturbAI、Scripps Research 合作，用 GPT-Rosalind 驱动的数千个，在 32 分钟内分析了“全脑 CRISPR 图谱”（whole-brain CRISPR atlas）。这份图谱记录了（基因敲除）如何影响小鼠全脑各类细胞，涉及数百万个细胞。研究团队估计，同等的人工逐个扰动分析加文献综述需要数月到一年。
智能体复现了人工分析的发现，也找到了新线索；它们对新颖性的评估与盲评的人类专家一致。
数千并行智能体，每个负责一个基因扰动
数月–1 年团队估计的同等人工耗时
75%盲评中专家更偏好分布式报告的比例
交互：工作量越大，单个智能体越“顾不过来”
对照实验固定了模型与资源。拖动滑块看两种做法引用文献数的走势；只有最大工作量处的 11 与 700+ 是真实数据，其余为平滑示意。
交互：两个案例，点卡片翻面看智能体的发现
案例一
Tsc1 vs Tsc2：同一通路，小脑里却不一样
两个基因共同调控 ，在多数神经元中敲除效果相似。
案例二
DCTN1 与胆固醇：一条新假说
DCTN1 突变导致 Perry 综合征（帕金森样神经退行病）；它参与神经元内的“货物运输”。
“我们建造细胞图谱，是为了让其他科学家做出我们没想到的发现。”
Sarah Teichmann，剑桥大学，人类细胞图谱联合创始主席
神经元功能与胆固醇代谢之间可能存在联系。
Tomasz Nowakowski（UCSF）对 DCTN1 线索的评论，大意
原理拆解：分布式生物推理（distributed biological reasoning）
02
分析
看这个基因被敲除后，各类细胞怎么响应
从全脑 CRISPR 图谱中读出该扰动在不同细胞类型中的效应。
03
检索与解释
查文献，提出可能机制
每个智能体只读与自己基因相关的文献，所以总覆盖面远大于单个智能体。
04
汇总
合成推理图谱（reasoning atlas）
每条记录：基因 → 细胞效应 → 文献 → 可能机制。
局限与安全
结果是待实验验证的线索，不是结论。专家盲评把关质量，OpenAI 的原话是“科学家仍处于发现的中心”。
🧬 ② 预测结构 · Microsoft Research · 2026 年 10 月
BioEmu-2：不再只给一张结构，而是给一组可能的姿态。
以前的结构预测像给蛋白质拍一张证件照；BioEmu-2 给出一组“连拍”，即同一分子可能出现的多种姿态（）。
约 5 亿参数
80GB A100最小测试硬件
>1,500 token大复合物评估规模
MIT许可（权重与代码）
交互：一张照片 vs 连拍
单一结构：只告诉你分子“最可能”长什么样。
示意图，非真实分子。
模型卡要点
| 类型 | 基于的全原子打分模型（diffusion-based all-atom score model） |
|---|---|
| 输入 | 生物分子序列；可选 、接触约束、方法条件 |
| 输出 | 通过反向扩散采样得到的全原子 3D 结构系综 |
| 支持 | 多链复合物、配体、核酸；可用原子间距离信息引导 |
| 训练时间 | 2026 年 8–9 月 |
| 评估 | Boltz-1 测试集上的 RMSD、TM-score、lDDT、物理合理性、界面 DockQ；多构象采样基准；分子动力学（MD）模拟基准；>1,500 token 大复合物 |
交互：训练数据从哪来
MSR_ 开头为微软自产分子动力学（MD）轨迹。
交互：能做 / 不能做
- 从序列采样一个分子可能的多种全原子构象
- 处理多链复合物、配体与核酸
- 用原子间距离信息引导采样
- 作为研究工具生成“计算假说”，供实验检验
- 临床诊断或治疗决策
- 设计毒素或病原体
- 定量结合亲和力或绝对自由能
- 小分子从头设计；生成序列
- 采样频率不能当作校准过的玻尔兹曼概率
- 浅 MSA（孤儿蛋白、工程构建体、部分病毒蛋白）时质量下降
- >10k token 的超大复合物，结果可能不符合物理
原理拆解
01
输入
序列，加上可选的 MSA 与约束
MSA 提供进化信息；接触约束或距离信息告诉模型哪些原子应当靠近。
02
从噪声出发
反向扩散，逐步“去噪”成结构
打分模型在每一步指出原子该往哪个方向移动。
03
多次采样
每次起点不同，得到不同构象
多次采样的结果合起来就是系综；训练中的 MD 轨迹教会模型“分子会动”。
局限与安全
模型卡写明：输出是“计算假说，不是实验测量”。明确列出禁止用途（见上方“不能做”），定位为研究模型，不建议商用。
🧪 ③ 设计分子 · NVIDIA · 2026-10-21 · GTC Berlin
RFD4-Proteina：从“发现自然蛋白”走向“按需求设计新蛋白”。
不再满足于找到大自然已经造好的蛋白，而是给出需求和约束，让模型生成并反复迭代出全新蛋白。
NVIDIA 与华盛顿大学蛋白质设计研究所（UW Medicine IPD）推出 RFD4-Proteina，一个 开源模型，结合可编程蛋白设计与搜索能力，可按分子输入、约束和打分目标生成并迭代设计。
在研究草稿的测试中，它在四类基准上的计算设计成功率与生成吞吐量均高于对比基线。
四类基准
- 蛋白结合
- 小分子结合
- 酶支架（enzyme scaffolding）
- DNA 结合
官方只说“成功率与吞吐量均超基线”，未公布具体分数，这里也不填数字。
交互：生态网络，点节点看角色
点一个节点，看它在生态里做什么。
可用渠道
Amazon Bio Discovery · Anthropic Claude Science · Benchling · Databricks · Google Cloud · Hugging Face · Nebius · OpenAI · Tamarind Bio
子卡：西门子医疗（Varian）× NVIDIA 下一代自适应放疗
Nemotron 智能体协同计划；CUDA 加速剂量计算做患者特异模拟；Holoscan 连接实时传感数据。背景：预计到 2050 年全球每年约 3,500 万人确诊癌症。
- 全球科研 R&D 年投入
- 3.8 万亿美元
- 制药年度预算
- 接近 3,000 亿美元
NVIDIA 给出的市场背景数字。
原理拆解
01
定需求
给出分子输入与约束
要结合什么靶点、保留哪些口袋、骨架有什么限制。
02
生成
可编程地生成候选蛋白结构
设计过程受约束条件引导，而不是自由发挥。
03
打分搜索
按打分目标迭代
搜索能力让模型围绕目标反复改进，而不是一次出稿。
04
分发
通过 BioNeMo 与各云平台交付
连向 Benchling、Danaher 等实验与工作流平台，进入真实实验环节。
局限与安全
基准结果来自研究草稿，是计算成功率；设计出的蛋白仍需实验验证。
🔬 ④ 湿实验验证 · Google Research · 2026-10-16
自主湿实验室：让 AI 亲手做实验、看结果、改设计。
AI 不只是“想”，而是在机器人实验台上做实验、读结果、改设计，再做下一轮。
搜索空间大得离谱：一个 100 个氨基酸的蛋白就有至少 20100 种可能序列。两大难题卡着整条链：前沿模型对 3D 几何和物理状态的推理不可靠；真实跟不上 AI 的设计速度，读数成为瓶颈。Google 用三项研究分别啃这两块骨头。
(a) VERID：实验工作站的“语义数字孪生”
VERID（VERified Infrastructure for Discovery Laboratories）基于开源 PyLabRobot，实时追踪机械臂几何、每孔体积、试剂与枪头库存，相当于实验台的。
四项能力
- 实时 3D 状态追踪
- 秒级虚拟预演
- 硬件安全检查：拦截非法指令，例如 8 通道移液器伸进太窄的槽
- 同步视频与动作日志
它抓到了什么
- 发现贴近孔底分液导致染料分层
- 读板器故障中途恢复，无需重新移液
- 发现残留枪头壁携带偏差
- 闭环自博弈重建盲配染料混合物，准确度提升 5 倍以上
(b) 适配体闭环：3 轮，每轮 7–10 天
设计 → 合成 → 磁珠筛选 → 测序，智能体每轮根据失败原因改规则。是能特异结合靶标的短 DNA/RNA。
点击折线上的数据点，看那一轮发生了什么。
α-凝血酶只公布了第 3 轮特异性 98.5%，前两轮特异性未公布，故不作图。
(c) 表位切除：做从头蛋白结合子
- 靶点 FAP 实体瘤高表达
- 从头结合子
- 结构预测加速 只切出局部结合口袋做折叠，不损精度
- 8.6 倍
- 人机协作带来的 in-silico 命中率 同等算力，科学家定战略、智能体做战术
- 接近翻倍
- 最终结合子亲和力
- 个位数纳摩尔
筛选用酵母表面展示 + 高通量筛选。
交互：闭环四步
- 智能体生成候选序列，并写明设计规则。
- 合成对应的 DNA/RNA 分子。
- 磁珠筛选，留下结合靶标的分子。
- 测序读出结果，智能体修订规则，进入下一轮。
动画示意闭环节奏，每轮实际耗时 7–10 天。
局限与安全
体系限定为非感染性、无功能增益风险；每条序列都做生物安全筛查；先在数字孪生里模拟再执行；序列与协议由人类审批，并由人类监督运行。原型阶段。
💊 ⑤ 管理研发 · OpenAI 收购 Orchestra Bio · 2026-10-20
发现只是开始，把药做出来还需要一个“项目总调度”。
新药研发链条长、环节多，一处出问题会层层传导；Orchestra 让智能体盯进度、算影响，人来拍板。
Orchestra Bio 是帮助生物制药团队协调药物开发的平台：人与智能体协作推进药物项目，智能体负责监控和追踪研究与项目进度。它将并入 OpenAI 的 Rosalind：GPT-Rosalind 负责生物化学推理，Rosalind Workbench 连接科学工具与数据。合作伙伴包括 Novo Nordisk 与 Moderna。
交互：一次生产批次失败，会怎样传导？
- 靶点发现
- 先导化合物
- 临床前
- 生产
- 临床试验
- 申报
美国新药从靶点发现到获批，平均约 10–15 年
- 1. 识别：Orchestra 智能体找出受影响的活动与时间线
- 2. 收集：汇总相关信息
- 3. 比较：列出并比较应对方案
- 决策：由科学家与项目负责人做最终决定
阶段宽度不代表实际时长。
局限与安全
商业平台，已收购整合。智能体只负责监控、汇总与比较方案，最终决策由人做出。
🤝 ⑥ 开放协作 · Anthropic · 2026-10-22
生命科学客座研究员：免费模型加工程师，合作 8–12 周，成果开源。
Anthropic 免费出模型和工程师，和你的课题组一起干 8–12 周，成果开源。
面向谁
学术机构、非营利组织、政府实验室的 及其课题组。
五个方向
- 因果人类生物学
- 结构与计算分子生物学
- 药物化学
- 药物发现
- 临床科学
你得到什么
- 与 Anthropic 研究员直接合作 8–12 周，部分项目可延期
- 免费运行模型与 harness
- 共同发表，开源数据与代码
- 始终保有数据权利及后续独立研究权利
申请要写什么
- 只需公开信息，不要求交出数据
- 为何受益于直接合作
- 能在周期内产出初步证据
交互：申请时间线
10-22
公开征集发布，申请开放约 14 天。约 11 月上旬
申请截止。推算
截止后约 14 天
邮件通知结果。入选后
与 Anthropic 研究员合作 8–12 周，部分项目可延期。合作结束
共同发表，开源数据与代码。
截止日按发布日加约 14 天推算，以官方页面为准。
局限与安全
征集中。申请只用公开信息，不要求提交数据。相关计划：Life Sciences Verification Program；AI for Science（提供 Claude 额度）。
横向对比
六项前沿放在一张表里：谁开放、谁成熟、谁怎么管安全。
点表头排序，或按链条位置筛选。
链条位置
| OpenAI 分布式智能体 | 10-21 | 读懂数据 | 数千智能体 32 分钟分析全脑 CRISPR 图谱 | 推理图谱与论文公开 | 研究成果，待实验验证 | 专家盲评、科学家主导 |
|---|---|---|---|---|---|---|
| Microsoft BioEmu-2 | 10 月 | 预测结构 | 全原子构象系综 | MIT 开源权重与代码 | 研究模型，不建议商用 | 明确禁止用途清单 |
| NVIDIA RFD4-Proteina | 10-21 | 设计分子 | 可编程蛋白设计 + 搜索 | 开源模型，多平台可用 | 四基准超基线（研究草稿） | 需实验验证 |
| Google 自主湿实验室 | 10-16 | 湿实验验证 | VERID + 闭环设计 | 论文公开 | 原型，人类监督 | 生物安全筛查 + 先模拟后执行 |
| OpenAI × Orchestra | 10-20 | 管理研发 | 智能体协调药物项目 | 商业平台 | 已收购整合 | 人做最终决策 |
| Anthropic 客座研究员 | 10-22 | 开放协作 | 免费合作 8–12 周 | 成果开源 | 征集中 | 申请仅用公开信息 |
日期均为 2026 年；BioEmu-2 官方只写“10 月”，排序时排在最前。
解读 · 编辑观点
三条趋势：闭环化、智能体规模化、开放生态。
① 闭环化 解读
AI 正从“提建议”走向“设计-实验-学习”闭环。证据：Google 适配体三轮自我纠错；Danaher 自主实验室里的 AI 共同科学家协调设计与测试。
② 智能体规模化 解读
分工后的智能体群比单一智能体看得更广：同样的模型与资源，11 篇对 700+ 篇引用。
③ 开放生态 解读
模型开源加跨平台分发：BioEmu-2 用 MIT 许可，RFD4-Proteina 进入 Claude Science 与 OpenAI 等渠道，竞争对手的平台彼此互通。
对临床医生意味着什么 解读
先受益的是读文献与数据挖掘
分布式智能体式的“分工阅读”最先落地，适合系统综述、机制梳理。
临床科学是正式方向
Anthropic 计划把临床科学列为五个方向之一，临床课题组可以直接申请。
临床流程正在被探索
放疗计划等流程开始用智能体协同规划，如西门子医疗（Varian）× NVIDIA 的自适应放疗。
模型输出不是临床决策依据
BioEmu-2 模型卡明确排除临床诊断与治疗用途；其余工具同样只产出待验证的假说。
术语表
正文里带虚线的词，悬停或点按即可看释义。
- 智能体（Agent）
- 能自主规划、调用工具（检索、分析、写作）并完成多步任务的 AI 程序。
- CRISPR 扰动（CRISPR perturbation）
- 用 CRISPR 基因编辑敲除或改变某个基因，再观察细胞如何响应，用于推断基因功能。
- mTOR
- 细胞生长、代谢、衰老的主调节器；TSC1/TSC2 共同抑制它。
- 构象系综（Conformational ensemble）
- 同一分子可能呈现的一组三维结构，而非单一静态结构。
- MSA 多序列比对（Multiple Sequence Alignment）
- 把同源序列对齐，从进化保守与协同变异中推断结构信息；同源序列少时称“浅 MSA”。
- 扩散模型（Diffusion model）
- 先学会给数据“加噪”，再反向逐步“去噪”，从随机噪声生成新样本（这里是分子结构）。
- 适配体（Aptamer）
- 能特异结合靶标的短 DNA/RNA，可看作“核酸版抗体”。
- G-四链体（G-quadruplex）
- 富含鸟嘌呤的核酸折叠成的四链结构；结合力强，但容易非特异地“黏”上其他分子。
- 数字孪生（Digital twin）
- 与真实设备实时同步的虚拟副本，可先在其中预演和检查，再在真机执行。
- 湿实验（Wet lab）/ in silico
- 湿实验指在真实实验台上用试剂和样本做的实验；in silico 指在计算机中完成的模拟或预测。
- 表位（Epitope）
- 靶蛋白上被抗体或结合子识别并结合的局部区域。
- FACS 荧光激活细胞分选
- Fluorescence-Activated Cell Sorting：按荧光信号逐个分选细胞，可高通量挑出结合好的克隆。
- 纳摩尔亲和力（nM affinity）
- 用解离常数表示结合强弱，数值越小结合越紧。
- BioNeMo
- NVIDIA 的生物分子 AI 平台，提供开源模型与工具，供药物发现使用。
- PI 课题负责人（Principal Investigator）
- 负责课题方向、经费与团队的研究负责人。