重燃发现引擎：AI 为何对生命科学至关重要
较1950年下降倍数
1960s仅$500万
的生命科学用户
临床的分子数量
三条叙事线索构成的完整框架
历史成就
抗生素与疫苗拯救了数亿人。1900年美国三分之一死亡由传染病导致；20世纪仅天花就夺去3亿条生命。全球预期寿命平均提升超30年。
现实困境
Eroom 定律：药物研发效率 70 年持续下滑，单药成本从 $500 万涨至 $26 亿。技术力量在扩张，治疗产出未能跟上。
AI 破局
蛋白质结构预测、基因编辑设计、自动化实验、临床试验优化——AI 在多个关键节点提供系统性加速能力。
深层洞察
AI 的最深层影响是结构性的：作为多学科间共同的认知基底，逆转超级专业化导致的"大蒙昧"。
危机的双重根源
Eroom 定律：成本与时间的死亡螺旋
讽刺之处：FDA 自身审评时间已从 26.6 个月压缩到 9.9 个月，瓶颈完全在研发管线而非监管端。
大蒙昧（The Great Endarkenment）
哲学家 Elijah Millgram 提出的概念，解释研究效率下滑的深层结构性原因：
- 知识爆炸 → 强制超级专业化 → 各领域形成互不可读的孤岛
- 19 世纪 Pasteur 能横跨晶体学、发酵学、传染病学；Darwin 融合地质、解剖、地理
- 今天，"博物学"已裂变为进化生物学、种群遗传学、基因组学、系统发育学等 10+ 个互相陌生的专业
- 生物医学本身已超过 20 个独立子领域，各有专属期刊和术语体系
- 结果：跨领域整合成本极高，恰恰是重大突破所需的核心能力
AI 的六大突破方向
3.1 蛋白质结构预测
- AlphaFold 2（2020）：解决了 50 年悬而未决的蛋白质折叠问题，释放 2 亿+ 结构预测，获 2024 年诺贝尔化学奖
- 影响力研究：使用 AlphaFold 的实验室提交结构速率高出同行 45～49%，相关论文被临床文章引用概率提升约 2 倍
- AlphaFold 3（2024）：扩展至蛋白质、DNA、RNA、小分子药物的相互作用预测，超越物理方法在药靶结合预测上的性能
3.2 基因编辑工具升级
| 工具 | 时间 | 特点 |
|---|---|---|
| CRISPR-Cas9 | 2012 | 首个可编程基因切割工具；2023 年首个 CRISPR 药物（镰刀型贫血）获 FDA 批准 |
| Base Editing | 2016，David Liu | 单碱基精准转换，无需切断双链；涵盖 ~30,000 种已知致病点突变 |
| Prime Editing | 2019 | 支持更长片段改写及所有碱基转换，已进入人体临床 |
| Epigenetic Editing | 近年 | 不改变 DNA 序列，调控基因表达；动物模型中单次靶向 PCSK9 使 LDL 降低 70% |
AI × 基因编辑交叉点（2025）：LLM 基于 CRISPR 多样性数据，设计出超越自然界的全新基因编辑器（Nature，2025）——AI 开始设计工具本身。
3.3 自驾实验室（Self-Driving Labs）
AI + 机器人自动化，将 design-make-test-learn 周期从数月压缩到数天。
| 公司 | 成果 |
|---|---|
| Insilico Medicine | 靶点发现 + 候选分子提名：18 个月；AI 设计项目进入 Phase I：不到 30 个月 |
| Exscientia | 首个 AI 设计分子进入人体试验，全程不到 12 个月 |
| Ginkgo × GPT-5 | 6 轮迭代，测试超 36,000 种条件，蛋白质生产成本降低 40% |
| Retro Biosciences | AI 设计 OSKM 重编程因子变体 → 实验验证 → 迭代 |
3.4 临床试验优化
- 改进试验设计 / 识别合格受试者 / 人群分层 / 实时安全信号监控 / 早期预测试验臂失败
- 综合应用估算可将临床阶段时间缩短 >20%
- 2025 年 5 月：FDA 开始在自身审评流程中部署 AI
- 2025 年 12 月：FDA 认定首个 AI 药物开发工具（AIM-NASH，用于肝病评估）
3.5 逆转大蒙昧：AI 作为跨学科翻译器
AI 系统可作为多学科间共同的认知基底。
- AlphaFold 前：等待结构生物学家数月；AlphaFold 后：任何人几分钟即可获取
- 遗传学家无需成为生物物理学家就能预测突变效应
- 模型演进：19 世纪博学者（一人多域）→ 20 世纪团队协作（高协调成本）→ AI 增强团队（AI 承担跨域翻译）
3.6 ChatGPT 在生命科学的用户画像
- 每周约 20 万全球用户用于研究生/专业级生命科学工作
- ~75% 用于文献检索与综合；~25% 用于数据分析
- Top 国家（绝对量）：美国、印度、英国、韩国、德国
- Top 国家（渗透率）：新加坡、韩国、美国、英国、加拿大
六个落地案例速览
Valius Sciences
ChatGPT 整合多组学数据，帮助晚期骨肉瘤患者制定个体化方案。公司已分析 15 个肿瘤，每例均发现可行治疗线索；4 名患者已获 FDA 单患者 IND 许可。
Sequencing.com
AI 帮助罕见病家庭读懂全基因组测序结果，将患者从"诊断迷宫"引向正确医疗对话。案例：CTNNB1 变异导致的罕见神经发育障碍得到确认。
Dr. Oral Alpan
GPT-5 Pro 在文献发表之前，从去标识化病例中将 dupilumab 排名为治疗 FPIES（罕见食物过敏）的第一候选药，现通过 IRB 血液检测验证假设。
Anton Maximov（Scripps）
横跨遗传学、测序、生化、光学成像、3D-EM 的实验室。AI 图像分析使原本需数年的大规模 3D-EM 重建成为可行；ChatGPT 作为日常文献综合与编程助手。
Citizen Health
患者医疗记录整合平台；症状数据已获 FDA 认可，作为 FOXG1 综合征临床试验的对照组。帮助家庭将个人数据转化为真实的证据生成能力。
Junevity
~15 人团队，以远低于传统成本推进 siRNA 糖尿病疗法（JUN_01）。计划 2026 Q4 进入临床。AI 是内部不同职能协同的工作语言，而非单纯的发现引擎。
四项政策主张
报告将 AI 定位为新型科研仪器，政策应重点保障其运行所需的四类基础输入：数据、算力、基础设施、人才。
数据开放与互联
生命科学数据应机器可读、可移植，覆盖实验室结果、药房数据、可穿戴设备数据。强化隐私保护与去标识化要求，打破数据孤岛但保护个人隐私。
前沿 AI 作为共享国家科研资源
向大学、国家实验室、非营利机构提供持续性高端 AI 访问权限；推动 AI 实验室、学术研究者与科学机构的公私合作，聚焦生物学和药物发现难题。
构建物理基础设施栈
能源 + 算力 + 芯片 + 实验室自动化 + 临床试验基础设施作为连贯创新栈整体投入。AI 加速的计算收益，需要物理验证和规模化生产能力来接住。
生命科学人才 AI 技能化
培养能横跨生物、代码、统计、自动化的复合型人才。扩大认证项目、学徒制和社区级 AI 培训，使 AI 工具的红利广泛分配，而非集中于少数精英机构。
局限性与需审慎看待之处
- 生命科学研发效率危机——Eroom 定律有充分同行文献支撑
- AlphaFold 等工具的影响力——诺贝尔奖与引用数据双重背书
- 自驾实验室降低闭环周期——有公司级案例数据支撑的真实趋势
- 报告由 OpenAI 发布，核心目的是政策倡导，对 ChatGPT 商业价值有明显宣传动机
- 多数案例引用 GPT-5，均为 OpenAI 自身产品；案例多为早期/定性，缺乏随机对照数据
- "AI 临床试验效率提升 >20%"等数字引用单一分析，尚非领域共识
- 截至 2025 年中，没有任何 AI 设计药物通过 Phase III，与报告整体乐观基调形成鲜明对比
对抗体设计 / 大分子 CRO 的五点启示
AlphaFold 3 覆盖蛋白质-小分子-核酸互作，结构生物学正从稀缺资源变为基础设施。CRO 的差异化需要向下游转移——功能预测、可开发性评估、成药性优化。
Ginkgo/Retro 的模型-实验室闭环模式将成为标配。具备湿实验室 + AI 闭环能力的公司将建立真正的护城河——纸上的计算平台无法替代。
LLM 设计超越自然界的新型 CRISPR 编辑器（Nature 2025），是抗体工程之外值得关注的新方向。工具设计本身正在成为 AI 的工作对象。
Valius 模式（AI 整合多组学→个体化诊断）是罕见病/精准肿瘤学赛道的具体产品形态参考。将分子数据从静态报告转化为动态治疗指南。
FDA 认可 AI 工具、自身部署 AI，意味着"AI 辅助研发"正从加分项变为未来的行业标准。监管适应性本身已成为 AI 生物技术公司的战略资产。