斯坦福教授论罕见病：瓶颈在生物学而非AI
斯坦福教授 Anshul Kundaje 与患儿家长创业者 Daniel McNinnon 围绕「AI 能否解决罕见病」展开讨论。Kundaje 的核心观点是：AI 与 LLM 只能起辅助作用，缓解诊断解读的人力瓶颈，但受益病例占比相对较小；罕见病真正的瓶颈在生物学与工程本身，无法靠推理解决完全未知的机制。McNinnon 则回应称两人说的其实是同一件事，规模化解决这些问题的路径正是 AI 与机器人技术，并有信心将发现速度提升 100 倍。
已确认
- Kundaje 认为 AI 可加速部分 N-of-1 罕见病例的诊断解读，但这只解决人力时间问题，且受益病例占比较小。
- 他指出头号瓶颈是找出因果变异、基因与机制——绝大多数从未被表征过，人类和 LLM 都无法凭推理解决完全未知的问题。
- 大量未破解的遗传病例并非经典蛋白编码变异，而是早期发育细胞类型与阶段中高度上下文特异性的效应，需要难以获取的胎儿与发育期样本数据。
- LLM 筛出非编码变异后，实验验证成为巨大挑战：发育期细胞类型中准确的实验模型系统几乎不存在。
- 即便验证解决，治疗递送仍是未解难题——AAV、CRISPR 或小分子如何到达大多数致病细胞类型尚无答案。
- 他总结罕见病需要的是：在正确的细胞语境（胎儿发育与疾病语境）中测量正确的实体、搞清基础发育生物学、可靠递送治疗药物以及更可靠的筛选。
- McNinnon 回应称此前的发现速度太慢、太贵，AI 加机器人正是规模化解决这些问题的路径，他相当有信心可以提速 100 倍。
为什么重要
这场讨论触及 AI 在生命科学中的能力边界：当算法可以批量筛选候选变异时，真正的制约因素转移到数据可及性（胎儿样本）、实验模型缺失与药物递送等「湿实验室」环节。对 AI 医疗创业者与研究者而言，这提示 LLM 驱动的发现必须与实验验证、样本获取和递送技术的突破配套，否则诊断提速难以转化为治疗成果。
2026-11-07 ~ 2026-11-07 · 10 条相关
一手来源
- 斯坦福教授：罕见病研究最大瓶颈是未知因果机制，LLM 帮不上忙 — anshulkundaje ·
- 斯坦福学者 Kundaje：AI 解决不了罕见病，瓶颈在测量与递送 — anshulkundaje ·
- 创业者回应：AI 加机器人能让罕见病研究提速 100 倍 — danielmckinn0n ·
- 【源头】斯坦福学者 Kundaje：AI 解决不了罕见病，瓶颈在测量与递送 — anshulkundaje · 2026-11-07
- 【源头】创业者回应：AI 加机器人能让罕见病研究提速 100 倍 — danielmckinn0n · 2026-11-07
- 遗传学家坚持：罕见病不会单靠 AI 与机器人解决 — anshulkundaje · 2026-11-07
- 【源头】斯坦福教授：罕见病研究最大瓶颈是未知因果机制，LLM 帮不上忙 — anshulkundaje · 2026-11-07
- 斯坦福学者：LLM 难解发育期非编码变异，数据获取是瓶颈 — anshulkundaje · 2026-11-07
- 斯坦福教授：LLM 筛非编码变异后，实验验证成最大瓶颈 — anshulkundaje · 2026-11-07
- 验证之外还有递送：AAV/CRISPR 到达致病细胞仍是未解难题 — anshulkundaje · 2026-11-07
另有 3 条近重复转述:anshulkundaje · anshulkundaje · anshulkundaje