2026-08-14
Le Song、Eran Segal、Eric Xing 在 Nature Medicine 撰文,提出用模块化多尺度基础模型构建“AI 驱动数字生物体”,作为湿实验之外的低成本生物模拟平台。
生物学是医学、药学、公共卫生和长寿研究的基础,但活体系统太复杂,湿实验成本高、风险大,很多干预没法直接在生物体上试错。Le Song(GenBio AI)、Eran Segal(魏茨曼科学研究所)、Eric Xing(MBZUAI / GenBio AI)在 Nature Medicine 发表的这篇 Perspective 提出一个愿景:用 AI 搭建“数字生物体”,作为湿实验之外的替代或补充平台。
论文提出的核心概念是 AI-driven digital organism(AIDO):一套由多个多尺度基础模型组成的集成系统,按模块化、可连接、整体化的方式搭建,对应生物学本身的尺度分层与相互连接。具体到实现细节,比如每个尺度用什么模型架构、模块之间如何对齐,摘要没有展开,需要读正文才能确认。
这是一篇 Perspective(展望型文章),不是实证研究,论文本身不报告实验数字或基准对比。作者给出的是这套系统应该长什么样的架构愿景,而不是已经跑出了什么结果。
如果 AIDO 这类系统真能跑起来,意义在于把部分预测、模拟、编程生物学的工作从湿实验搬到计算平台上,理论上更安全、更便宜、通量更高,能反过来指导湿实验往哪个方向做,减少盲目试错。这也是当前虚拟细胞(virtual cell)一类研究方向的延伸,用生成式模型模拟细胞或个体在各种干预下的行为,而不是只做单一任务的预测模型。三位作者背景横跨 AI 研究(Xing、Song 均在 GenBio AI)和基因组学、精准医学(Segal),这类愿景文章通常会影响后续资助方向和相关团队的技术路线选择。
这一条尤其重要:Nature Medicine 把全文锁在订阅墙后,只能公开访问摘要,本篇解读只基于摘要撰写,方法细节、是否有已落地的原型、评价指标等都无法核实。愿景类文章的常见风险是,整合多尺度基础模型这类表述容易停留在架构图层面,能不能真正把分子、细胞、个体三个尺度的模型对齐、训练出可用的系统,摘要里没有给出证据。读者如果需要判断这套设想的可行性,需要通过订阅或机构权限读到正文。