当AI与生物学对话：一项经实验室验证的突破性癌症预测
2025年10月15日，谷歌发布的一篇不引人注目的博客文章向科学界传递了一个重磅信息。谷歌的新款AI模型不仅发现了数据中的模式，它还预测了一种癌症治疗策略，而耶鲁大学的人类研究人员后来在实验室中证实了这一预测。这似乎是人工智能系统首次产生了一项原创的生物学见解，并在实际测试中得到了验证。
这款名为Cell2Sentence-Scale 27B的模型，基于Google DeepMind的Gemma架构构建，对两种不同细胞环境下的4000多种药物化合物进行了检测。它指出激酶抑制剂司美他替(silmitasertib)是一种可以增强免疫系统识别肿瘤能力的药物。但其中有一个关键之处：它只在特定条件下起作用。
耶鲁大学的科学家决定验证这一想法。他们将司美他替与低剂量的干扰素结合，应用于人类神经内分泌细胞。单独使用这两种治疗方法效果均不显著，但两者结合后，抗原呈递增加了约50%。抗原呈递是细胞“挥舞红旗”告诉免疫细胞“嘿，我很危险——消灭我”的过程。AI的预测是正确的。
这标志着人工智能从预测走向经证实生物学发现的最早案例之一。它最终可能有助于解决癌症治疗中一个长期存在的问题：即使患者接受了尖端药物治疗，大多数肿瘤仍然会躲避免疫系统的识别。
为什么免疫系统会忽视大多数肿瘤
我们已经看到了癌症免疫疗法取得的显著胜利——黑色素瘤消失，肺部肿瘤多年来持续缩小。但这些成功往往发生在已经表现出强大免疫活性的“热”肿瘤中。坏消息是？高达80%的实体瘤是“冷”肿瘤，这意味着免疫系统几乎注意不到它们。
冷肿瘤通过多种方式阻断免疫识别。它们：
- 减少显示警告信号的MHC-I蛋白。
- 抑制干扰素信号传导，而干扰素通常会增强这些信号。
- 构建一个排斥T细胞的恶劣微环境。
前列腺癌和胰腺癌在这方面尤其“臭名昭著”。在某些人群中，超过90%的病例属于冷肿瘤。
科学家们曾尝试多种方法来“暖化”肿瘤——例如组蛋白去乙酰化酶抑制剂（HDAC抑制剂）、STING激动剂和溶瘤病毒。但效果都比较有限。现在的目标是更智能的策略：只在免疫活性已经存在的区域增强免疫可见性，从而保持较低的副作用。
巨型AI如何学会像生物学家一样推理
C2S-Scale团队借鉴了语言AI的一个概念：更大的模型不仅能提高准确性，还能解锁新型推理能力。他们构建了一个拥有270亿参数的模型，并设计了一个巧妙的测试，以观察模型的规模化是否会带来全新的能力。
他们使用了两种细胞背景：
- 具有轻微免疫活性的真实患者样本。
- 没有免疫背景的孤立细胞系。
通过同时模拟药物在这两种环境中的效果，该模型能够识别出那些行为会随免疫环境不同而变化的化合物——这是一种微妙的、有条件的逻辑，小型模型无法处理。
司美他替脱颖而出。它仅在干扰素信号存在时才显示出强大的免疫增强潜力。它靶向的蛋白CK2在免疫生物学中已有研究，尤其是在PD-L1附近。但CK2抑制、干扰素和MHC-I上调之间的具体联系？这是全新的发现。该模型提出了一种新鲜的、可测试的假设——而不仅仅是对旧文献的重复。
大多数AI药物预测都失败了，但这次没有。
在药物发现领域，98%到99%的计算预测在实验室中都以失败告终。想想IBM沃森（Watson）在肿瘤学领域的失败尝试——高调宣传，结果却不尽如人意。因此，耶鲁团队对这一说法持谨慎态度。
他们在人类神经内分泌细胞中测试了司美他替——这种细胞类型并未包含在模型的训练数据中。他们重复了AI提出的条件：单独使用药物，单独使用干扰素，然后两者同时使用。正如模型预测的那样，只有组合使用才奏效。而且这并非微不足道的提升——而是抗原呈递方面有意义的协同式飞跃。
真正重要的是：该模型似乎学会了关于干扰素生物学的普遍规律，而不是仅仅记住特定的模式。这就是真正理解与暴力模式匹配之间的区别。如果这种50%的提升在更复杂的系统中得到证实，它可能为未来的疗法奠定基础。
华尔街给予了关注——但保持了现实态度
投资者注意到了这一消息，但并未过度炒作。拥有司美他替权益的智擎生技（Senhwa Biosciences）的股价上涨了15%。这是一个不错的涨幅，但也反映出这仍是一项早期发现。谷歌母公司Alphabet的股价几乎没有波动——投资者更多地将其视为对其AI平台的验证，而非短期内的意外之财。
然而，仍有理由保持谨慎。司美他替的过往临床数据显示其安全性可接受——但近四分之一的患者因副作用而停止治疗。如果引入干扰素，毒性将成为一个真正的问题。因此，谨慎的剂量控制至关重要。
更大的经济效益可能根本不在于药物本身。在5700万个单细胞数据上训练一个270亿参数的模型需要庞大的计算资源——这正是Alphabet所销售的。如果生物学领域的规模化定律与语言模型领域的规模化定律相似，那么对高性能基础设施的需求可能会爆发式增长。
AI真的“发现”了新东西吗？
网络上的反应分成了熟悉的阵营。一些人将其誉为继AlphaFold之后的又一个突破。另一些人则认为这不过是统计学——投入足够的计算资源处理足够的数据，总会有所发现。
怀疑论者还指出，CK2此前已被证实与免疫调节有关。也许AI并未揭示一个隐藏机制——它只是将研究人员引向了一条被忽视的道路。而且，这一结果是在同行评审之前宣布的，这确实令人感到意外。
但即便这种批评也忽略了更大的图景。药物开发领域充斥着各种可能的实验，却又缺乏时间和资金。如果AI能够帮助科学家选择最佳的研发方向——从而避免走入死胡同——仅此一点就具有变革性意义。它不必发明全新的生物学原理才能发挥作用，只需加速研发进程即可。
接下来发生的事情将决定一切
接下来的6到12个月将至关重要。独立实验室将尝试在不同肿瘤类型中复制这一发现。研究人员需要证明是哪种干扰素亚型驱动了这种效应，以及T细胞是否真的杀死了肿瘤细胞——而不仅仅是上调了蛋白质标记物。
接下来是最困难的部分：动物研究。小鼠模型将测试司美他替和干扰素能否在活体系统的复杂环境中（免疫相互作用、药物吸收、肿瘤环境）发挥作用。从历史上看，大多数体外发现都在这一阶段失败了。
如果这种效应能在多种冷肿瘤类型中得到证实，它可能会与免疫检查点抑制剂产生强大的组合疗法。针对免疫活性较低的患者的小型临床试验可能会在2027年左右启动。但如果体内研究结果令人失望，这一发现将仅限于一个有趣的“概念验证”，仅此而已。
真正的革命不仅仅在于这种药物，更在于这种方法。如果双重背景筛选能够反复产生经过验证的预测，那么AI就可以成为一个真正的假设引擎——而不仅仅是一个曲线拟合机器。这将推动对单细胞数据和大规模生物学模型的巨额投资，类似于基因组测序在20年前彻底改变研究的方式。
现在最大的问题是：生物学领域的AI规模化会遇到瓶颈，还是会解锁全新的能力？早期迹象令人兴奋，但一次成功并不能证明一种趋势。科学家和投资者都应密切关注重复性研究、动物数据以及有多少预测在真实实验室中得到证实。
如果这一趋势持续下去，2025年10月将不仅仅是一个有趣的里程碑——它可能标志着AI从工具转变为发现伙伴的时刻。