美国“创世纪计划”战略目标 - 白宫启动“美国创世纪计划”，核心目标是让AI直接参与提出科学假设、设计实验、分析数据，以加速科研创新 [1] - 计划被类比为“AI曼哈顿计划”，旨在动员全美科研与工业体系，包括国家实验室、创新企业、顶尖大学及国家安全体系的算力与数据资源 [3] - 白宫明确目标为训练“科学基础模型”、打造科研智能体，让AI深度嵌入科研流程，旨在实现科学突破率的数量级提升 [5] AI赋能科研的具体路径与模式 - 计划路线图是将AI嵌入“提出假设→设计实验→采集数据→分析结果”的全流程，以迎来科研生产力的数量级跃迁 [5] - 重点是利用AI攻克前沿领域难题，例如在核聚变能源领域实现等离子体的毫秒级实时控制，在分子材料科学领域开发预测模型 [8] - AI与科学的融合不止于大语言模型，关键在于发展混合模型，结合神经网络的学习能力和传统物理模拟的精确预测，并设置检查点进行校验 [18] 数据与计算基础设施需求 - 研究的成功依赖于为AI模型提供高质量数据，例如蛋白质数据库成就了蛋白质结构预测的辉煌 [9] - 当前科研数据存在分散、格式不一、元数据缺失等问题，形成数据孤岛，需建立统一标准使数据具备“AI就绪”基因 [16][17] - 下一代计算基础设施需打通E级高性能计算、专用AI、量子超级计算机，并融合安全网络、云算力及海量数据存储 [17] AI技术发展趋势 - 《自然》社论提出，将大模型的统计学习与符号推理、规划模块组合，可能是迈向“接近人类水平智能”的关键路径之一 [22] - “神经符号AI”概念热度激增，旨在融合神经网络与符号AI的优势，以解决神经网络的“黑箱”问题，并可能通向通用人工智能 [25][28] - 谷歌DeepMind的AlphaGeometry是神经符号AI的成功先例，但如何最佳地结合两者成为一个通用系统仍是待解难题 [28] 预期影响与行业动员 - 该战略的价值将辐射至整个经济体，研发投入占美国GDP的3.5%，AI赋能科研将提升生产力、引爆创新并驱动经济增长 [32] - 实现目标需要公私资金的合力注入，联合投资算力基建、搭建数据共享框架、并针对能催生AI新范式的难题展开协同攻关 [31] - 所有AI产出需具备可验证性，要求研究人员、机构、期刊等共同推动开源模型、标准化工具及“开箱即用”数据的普及 [21]

文章核心观点 - 当前科学出版体系与公众存在隔阂，且难以适应机器作为主要读者和写作者的新趋势 [2][6][13] - 随着人工智能科学家系统的发展，全球科研论文年发表量已超过1000万篇，科学文献总量达2.27亿篇，亟需构建全新的、面向机器的科研传播机制 [6][52][53] - 未来的科学出版体系应具备低延迟、明确假设、提供“准原始”数据、包含结果与讨论等特质，并将出版与内容策展功能解耦 [22][56][58] 科学出版体系现状与挑战 - 科学论文年发表量超过1000万篇，科学文献总量达2.27亿篇，通过约30亿条引用相互关联，构成一部超大规模的非线性文献 [6][8] - 现有论文结构欠佳且禁锢于PDF格式，难以解析；科学家普遍放弃了文章版权，削弱了有效追溯科学文献引用的能力 [10][15] - 现行论文遵循固定叙事模板，只报告成功结果，与实际科研过程严重脱节，并不真实反映科学过程 [17][18] 面向机器的出版模式构想 - 未来论文应具备低延迟性（从成果产出到发布仅需数小时或数分钟）、明确研究目的（假设或目标）、提供“准原始”数据及明确的方法描述 [22][49] - 结果清单需附带置信度评估、与既有文献的契合度分析以及支撑性论证，并包含关于本研究如何改变作者领域认知的真实讨论 [22][33] - 自动化同行评审应检查最佳实践、文献引用正确性、格式与严谨性，而与科学辩论本身解耦；人类的同行评审则提供带有后果的私人辩论机会 [35][36][38] 行业影响与潜在变革 - 机器出版物将快速超越人类产出，达到年产千万甚至亿级的规模，文献筛选将变得更困难 [52] - 可能出现由AI运营的“虚拟期刊”，从快速涌现的机器出版物中进行内容策展，为人类读者提供共享的讨论基础 [44][45] - 专业学会和商业出版商应参与其中，商业模式应更接近谷歌或推特，通过“内容策展”而非底层数据访问收费创造价值 [48] 实施路径与案例参考 - FutureHouse等公司已开始构建类似的内部体系，正在生成一套平行的科学知识语料库 [4][53] - Wikipedia、arXiv、openrXiv、research hub和Arcadia等平台的成功案例或激进思路值得探索 [47] - 需要尽快构建公开可用的机器出版平台，否则将对整个科学共同体造成严重损害 [53]

Demis Hassabis的AI发展历程 - 4岁学棋、7岁编程、16岁考入剑桥计算机科学系、22岁创办游戏公司、30岁攻读认知神经科学博士学位，随后创办DeepMind [1] - 2016年DeepMind开发的AlphaGo以4:1击败围棋世界冠军李世石，展示AI在复杂策略领域的潜力 [4] - 2018年AlphaFold在CASP比赛中夺冠，成功预测蛋白质3D结构，解决生物学界50年难题 [5] - 2024年因AlphaFold技术荣获诺贝尔化学奖 [5][10] Isomorphic Labs的创立与发展 - 2021年创立Isomorphic Labs，专注AI药物研发，依托AlphaFold技术成果 [3][10] - 2024年1月与诺华、礼来达成战略合作，分别获得3750万美元和4500万美元预付款，聚焦小分子疗法研发 [10] - 2024年5月与谷歌DeepMind联合发布AlphaFold 3，可精准解析药物中常见分子的相互作用 [10] - 2025年2月诺华宣布扩大合作范围，新增最多三个研究项目 [11] AlphaFold 3的技术突破 - Evoformer核心模块改进，高效处理分子信息，捕捉分子间复杂相互作用 [13] - 扩散网络生成分子3D结构，迭代优化原子位置，生成精确3D结构 [14] - 覆盖全类别生物分子，包括DNA、RNA、配体等，较AlphaFold 2范围更广 [14] - 分子相互作用预测精度较传统方法提升至少50%，部分场景下精度翻倍 [14] AI药物设计引擎的核心优势 - 技术层面：凭借AlphaFold 3高精度预测能力，解析药物与靶点结合模式，提升设计成功率 [16] - 效率层面：替代人工实验，缩短药物发现周期，从5-10年降至1-2年甚至更短 [16] - 应用层面：兼容全类别生物分子，可探索肿瘤、免疫病、罕见病等多个领域 [17] AI制药行业趋势 - 2025年全球AI制药市场规模预计达200亿美元，年复合增长率超30% [19] - AI技术正从辅助工具转变为药物研发重要驱动力，覆盖从靶点发现到临床研究的全链条 [20] - 谷歌和Meta等公司公开大量蛋白质结构数据，为研究提供支持 [20] - 斯坦福医学院和英矽智能等机构已利用AI技术取得显著药物研发成果 [20]

药物研发瓶颈与靶标发现 - 治疗靶标的发现和鉴定是药物研发的核心步骤，但也是关键瓶颈，超过90%的候选药物在临床开发阶段失败，主要源于对靶标生物学作用、疾病相关性或成药性等初始假设存在缺陷[2] - 传统靶标发现过程缓慢、成本高昂且容易失败，单个靶标通常需要花费超过200万美元，依赖于疾病生物学家综合各种生物医学数据提出假设并进行实验验证[2] - 靶标发现通常通过CRISPR筛选发现靶标，通过类器官实验验证靶标，这一过程依赖于整合基因关联、信号通路和病理观察等相互独立的生物医学数据[2] 元生系统概述 - 元生(OriGene)是国际首个专注于靶标发现与临床转化价值评估的多智能体虚拟疾病生物学家系统，评测显示其能力超越人类专家和主流基座大模型[2] - 元生系统只需一句话提问即可自主发现肝癌和结直肠癌的新靶标，并在细胞及癌症患者来源的类器官中得到实验验证，具备发现原创靶标的能力[3] - 元生整合了500多种专家工具和生物医学数据库，支持对基因组学、转录组学等多模态数据进行推理，通过分析功能交互网络等证据自主生成并完善治疗假设[11] 元生系统架构与工作流程 - 元生构建了多智能体协同决策架构，包含任务协调器、策略规划器、科学推理器、批判验证器和报告生成器，实现从靶标假设生成到临床转化评估的闭环自主化科学决策[12] - 工作流程包括问题分解、资源调用、多模态输出综合、差距分析和原创生物学假说生成，最终反馈给实验人员进行验证[13] - 系统具有自我进化能力，通过迭代循环提升响应质量，并通过扩充模板库持续增强全系统推理能力，形成能力提升的良性循环[14] 性能评估与实战验证 - 研究团队构建了靶标发现专用基准测试集(TRQA)，包含1921道多维验证题，元生系统在准确性、召回率和稳健性方面始终优于人类专家和其他模型[18][21] - 在肝癌研究中，元生锁定GPR160为关键靶标，临床数据显示其高表达与患者无复发生存率显著降低相关，实验验证其小分子抑制剂具有强效抑制作用并揭示"直接杀伤+免疫调节"双效机制[23] - 在结直肠癌研究中，元生优选ARG2靶标，临床证据显示其在癌组织中特异性高表达，实验验证了抑制剂的剂量依赖性抑制作用并在患者来源类器官模型中实现强效肿瘤抑制响应[25] 研究意义与前景 - 元生系统代表利用AI智能体系统性加速治疗靶标发现的重要一步，能够生成新型、可行且具有机制基础的假设，为加速药物开发提供新范式[27] - 随着生成式AI模型和生物医学数据资源的成熟，元生系统有望提供以AI为先的基础平台，用于可扩展的端到端药物发现，推进精准医疗的变革潜力[27] - 该研究标志在科学智能体时代靶标发现领域研究范式的重大突破，研究成果发表在bioRxiv预印本平台[4]