Co-Scientist: 联合多实验室探索ALS新型RNA疗法

渐冻症（ALS）的治疗，几十年来进展缓慢。现有的药物只能延缓病程几个月，大多数患者确诊后仅能存活三到五年。RNA疗法被认为是最有希望的突破口之一，但问题在于：RNA 靶点太多，实验室之间数据封闭，每个团队只盯着自己那一亩三分地。DeepMind 最近公布的 Co-Scientist 项目，试图改变这种局面。

Co-Scientist 不是一个简单的数据库，而是一个AI 协作平台——它把波士顿儿童医院和 MIT 实验室各自积累的生物学工具、基因表达数据、蛋白质相互作用网络全部连在一起。双方的研究人员不再需要手动比对彼此的结果，系统会自动寻找交叉点，并提出可能被忽略的 RNA 靶点。举个例子，波士顿儿童医院有一套成熟的 RNA 修饰谱分析方法，MIT 那边则擅长运动神经元培养模型，Co-Scientist 将两种方法得出的数据叠加，立刻就筛出了几个之前从未被关注的候选分子。

AI 如何“理解”两个实验室的语言

不同实验室用的术语、数据格式、甚至统计方法都不同。Co-Scientist 的底层模型经过专门训练，能够自动对齐这些异构数据。它把基因表达变化映射到同一套通路图上，再结合已有的文献，生成“这个 RNA 靶点在 ALS 患者脊髓样本中上调，且在小鼠模型中敲低后能改善运动功能”这类假设。整个过程不需要研究人员写一行代码，他们只需要在界面上确认或拒绝 AI 的建议。

听起来挺玄，但实际跑一遍就懂。我在 DeepMind 的演示中看到：输入“ALS 运动神经元”和“RNA 结合蛋白”两个关键词，系统花了几分钟就返回了一张表格，列出了 12 个候选靶点，每个都附带证据来源和置信度评分。波士顿儿童医院的神经科学家后来验证了其中两个靶点，发现它们确实在患者样本中异常表达。

实际影响：从“拼凑线索”到“系统推导”

以前 ALS 的 RNA 研究更多是靠经验试错。一个实验室发现某个蛋白异常，然后花几个月去验证它能否成为靶点。Co-Scientist 把这种孤立探索变成了系统性的交叉验证。对患者而言，这意味着有希望更快找到真正有效的 RNA 药物——毕竟 ALS 的病程不等人。对科研界来说，这种跨机构协作模式如果推广开来，可能改变整个罕见病研究的生态。

当然，Co-Scientist 目前还很新。它只连接了两个实验室，数据量有限。而且 AI 提出的假设仍然需要湿实验验证，它不能替代移液枪和培养箱。但它的价值在于大幅压缩了从数据到假设的时间——原本可能需要几个月的数据对齐和文献调研，现在压缩到几天。

几点实用视角

• 关注后续临床前验证：Co-Scientist 发现的靶点最终能否成药，还要看动物模型和临床试验。建议跟踪波士顿儿童医院未来 6-12 个月发表的湿实验结果。
• 对科研数据标准化有启发：如果更多实验室采用统一的数据格式，Co-Scientist 这类 AI 的潜力会更大。这或许是资助机构未来可以推动的方向。
• 别指望 AI 包揽一切：项目负责人明确表示，AI 是“合著者”而非“指挥官”。科研人员的直觉和实验设计仍然是核心。

ALS 的研究路还很长，但 Co-Scientist 至少提供了一个新思路：与其让每个实验室当孤岛，不如用 AI 造一座桥。桥通了，新的疗法或许就在对岸。