漸凍症（ALS）的治療，幾十年來進展緩慢。現有的藥物只能延緩病程幾個月，大多數患者確診後僅能存活三到五年。RNA療法被認為是最有希望的突破口之一，但問題在於：RNA 靶點太多，實驗室之間資料封閉，每個團隊只盯著自己那一畝三分地。DeepMind 最近公佈的 Co-Scientist 專案，試圖改變這種局面。
Co-Scientist 不是一個簡單的資料庫，而是一個AI 協作平臺——它把波士頓兒童醫院和 MIT 實驗室各自積累的生物學工具、基因表達資料、蛋白質相互作用網路全部連在一起。雙方的研究人員不再需要手動比對彼此的結果，系統會自動尋找交叉點，並提出可能被忽略的 RNA 靶點。舉個例子，波士頓兒童醫院有一套成熟的 RNA 修飾譜分析方法，MIT 那邊則擅長運動神經元培養模型，Co-Scientist 將兩種方法得出的資料疊加，立刻就篩出了幾個之前從未被關注的候選分子。
AI 如何「理解」兩個實驗室的語言
不同實驗室用的術語、資料格式、甚至統計方法都不同。Co-Scientist 的底層模型經過專門訓練，能夠自動對齊這些異構資料。它把基因表達變化對映到同一套通路圖上，再結合已有的文獻，生成「這個 RNA 靶點在 ALS 患者脊髓樣本中上調，且在小鼠模型中敲低後能改善運動功能」這類假設。整個過程不需要研究人員寫一行程式碼，他們只需要在介面上確認或拒絕 AI 的建議。
聽起來挺玄，但實際跑一遍就懂。我在 DeepMind 的演示中看到：輸入「ALS 運動神經元」和「RNA 結合蛋白」兩個關鍵詞，系統花了幾分鐘就返回了一張表格，列出了 12 個候選靶點，每個都附帶證據來源和置信度評分。波士頓兒童醫院的神經科學家後來驗證了其中兩個靶點，發現它們確實在患者樣本中異常表達。
實際影響：從「拼湊線索」到「系統推導」
以前 ALS 的 RNA 研究更多是靠經驗試錯。一個實驗室發現某個蛋白異常，然後花幾個月去驗證它能否成為靶點。Co-Scientist 把這種孤立探索變成了系統性的交叉驗證。對患者而言，這意味著有希望更快找到真正有效的 RNA 藥物——畢竟 ALS 的病程不等人。對科研界來說，這種跨機構協作模式如果推廣開來，可能改變整個罕見病研究的生態。
當然，Co-Scientist 目前還很新。它只連線了兩個實驗室，資料量有限。而且 AI 提出的假設仍然需要溼實驗驗證，它不能替代移液槍和培養箱。但它的價值在於大幅壓縮了從資料到假設的時間——原本可能需要幾個月的資料對齊和文獻調研，現在壓縮到幾天。
幾點實用視角
- 關注後續臨床前驗證：Co-Scientist 發現的靶點最終能否成藥，還要看動物模型和臨床試驗。建議跟蹤波士頓兒童醫院未來 6-12 個月發表的溼實驗結果。
- 對科研資料標準化有啟發：如果更多實驗室採用統一的資料格式，Co-Scientist 這類 AI 的潛力會更大。這或許是資助機構未來可以推動的方向。
- 別指望 AI 包攬一切：專案負責人明確表示，AI 是「合著者」而非「指揮官」。科研人員的直覺和實驗設計仍然是核心。
ALS 的研究路還很長，但 Co-Scientist 至少提供了一個新思路：與其讓每個實驗室當孤島，不如用 AI 造一座橋。橋通了，新的療法或許就在對岸。
評論
暫無評論
成為第一個評論的人