Co-Scientist: AI 識別傳染病分子開關

傳染病研究的瓶頸往往不在實驗裝置，而在資料篩查。當一種新型病原體出現，科學家需要從成千上萬的基因變異中找出哪些才是真正導致疾病的「開關」。DeepMind 的 Co-Scientist 系統正試圖把這個過程從數月壓縮到數天。

AI 如何定位分子開關

Clare Bryant 是劍橋大學的免疫學家，她的團隊常年研究病原體如何劫持宿主細胞。傳統上，他們需要逐個基因敲除測試，效率極低。Co-Scientist 的工作方式更像一個智慧協作夥伴：它整合公開的基因組資料、蛋白質互作網路和文獻知識，提出最有可能的候選基因列表。Bryant 團隊利用它分析了一種新型冠狀病毒的刺突蛋白變異，AI 在幾小時內就指出了幾個此前未被關注的 關鍵氨基酸位點，後續實驗驗證了其中 3 個確實影響病毒入侵效率。

不是黑箱，是可解釋的推理

Co-Scientist 並非簡單輸出「排名」。它會展示推理路徑：為什麼這個突變重要？它改變了哪個蛋白質結構域？對應的宿主受體是什麼？這種可解釋性對科研至關重要——科學家不需要盲目相信一個黑箱。Bryant 表示：「它就像一個讀過所有論文的博士後，能快速給出假設，還能告訴你依據。」

實際場景：從實驗室到公共衛生

對於公共衛生機構來說，這種能力意味著疫情早期就能鎖定重點監控的變異。當一種新病毒出現，AI 可以第一時間篩選其基因組中的潛在危險特徵，輔助決策者分配資源。對於製藥公司，分子開關的早期識別能直接指導抗體設計和疫苗靶點選擇。當然，Co-Scientist 不是萬能的——它的預測基於現有資料，對於全新蛋白質家族可能表現不佳；而且最終驗證仍需溼實驗，它降低的是試錯成本，而非替代實驗。

對研究者的啟示

這類 AI 工具正在重新定義科研正規化。開發者會發現，與其追求通用 AI，不如深耕特定領域的資料整合能力。對傳染病研究者來說，儘早接觸這類協作系統或許是個明智選擇。需要注意：AI 輸出只是假說，嚴格對照實驗仍是金標準；但學會提問和解讀 AI 的推理，將成為新的核心技能。

Co-Scientist 目前仍處於早期合作階段，DeepMind 尚未公佈廣泛開放計劃。但 Bryant 團隊的應用已經展示了一個方向：未來科學家可能不是「做實驗」最多的人，而是最擅長與 AI 協作的人。