研究方向
生物与医学基础模型：DNA、RNA、蛋白、单细胞语言模型的发布、评测与应用。
33 条精选近 30 天 24 条共收录 66 条
Arc Institute 发布虚拟细胞模型 PIE（Perturbation is Everything），把 Cellosaurus、NCBI、Gene Ontology、DepMap、PubChem 等人工整理知识转成 token 输入，直接预测扰动后群体水平的差异表达基因、方向与幅度。
推荐理由：PIE 把人工整理的生物知识库转成输入，在未见扰动和细胞系上仍能预测差异表达，可看知识源如何影响泛化。
Google DeepMind 发布 SynthID Bio，将水印技术用于合成生物学，在蛋白序列和 AlphaFold 3 预测的 3D 结构中嵌入可检测签名，同时保持生物功能。
推荐理由：DeepMind 把水印从数字内容延伸到蛋白序列与结构，并给出湿实验验证，对关注生物安全与 AI 设计溯源的研究者提供了可参考的技术路径。
微软研究院推出 Quine，一个由多模态生物学世界模型和连接模型、科学工具、文献与研究者的交互式 harness 组成的 AI 研究系统。
推荐理由：微软研究院公开了面向生物学的多模态世界模型与实验编排系统，并给出胰腺癌细胞状态转换的湿实验验证案例。
Derek Lowe 评论 Anthropic 称已拦截其 Claude 系统被用于包括可能的生物武器设计在内的不当用途，但 Science 报道中并非所有人都认同这些案例的性质。
推荐理由：从五起被拦截案例出发，讨论如何区分病毒突变研究的正当用途与滥用意图，并比较生物与化学风险的现实差异。
文章指出，高通量生物学与基因组学近二十年的快速扩张已编目出多种细胞类型和条件下基因功能的多个方面，人工智能与深度学习的进展也让功能基因组学测量预测更准确。作者认为，把实验编目和准确预测等同于对生物过程理论理解的增长，最终会误导人。
推荐理由：文章区分实验编目、预测能力与理论理解，为评估功能基因组学与深度学习进展提供概念框架。
Mohammed AlQuraishi 与 Apheris 合作，用五家药企内部的蛋白-配体复合物数据库训练 OpenFold3p2。作者称由于 PDB 中类药化合物相对稀少，这批数据使相关结构数据量增加 3-4 倍，并带来精度的大幅提升。引用内容提到，五家药企在数据不出内网的前提下共同训练了这一个共折叠模型，其表现明显优于最好的公开模型，Nature News 对此做了报道。
推荐理由：OpenFold3p2 在五家药企内部蛋白-配体结构数据上联合训练，为私有数据能否提升共折叠模型精度提供了一个可参照的案例。
DeepMind 团队发布 AlphaGenome Atlas，用 AlphaGenome 预测了人类基因组中全部 90 亿个可能的 SNV 的调控影响，并开发了可浏览该预测图谱的门户网站。作者称与多位科学家合作完成了分析与应用，同时提供了博客和预印本链接。
推荐理由：用 AlphaGenome 对全基因组 90 亿个 SNV 做调控影响预测并开放浏览门户，为变异解读提供了一张可检索的预测图谱。
GenBio AI 预览 AIDO Cell，一个覆盖 DNA、RNA、蛋白质与全细胞行为的模型，目标是让变异的后果可以被向前追踪而不只是被打分。
推荐理由：从进化序列预测结构到追踪变异在细胞中的后果，这条帖给出了新模型要解决的那层缺口。
Stephen Quake 介绍 Universal Cell Embedding 模型，该模型在来自多种物种和组织的 3600 万细胞数据集上训练，可研究远超训练集范围的生物体。相关成果来自 Rosen 等人的 Nature 论文，DOI 为 10.1038/s41586-026-10689-z。
推荐理由：Universal Cell Embedding 在 3600 万细胞上训练，可外推到训练集之外的物种，为跨物种细胞研究提供参考。
Biohub 联合创始人 Priscilla Chan 发文回顾今年上半年进展，包括 5 月发布基于下一代 ESM 的蛋白质生物学世界模型，可预测蛋白折叠、相互作用与功能并设计新蛋白，已有科学家用它设计抗体候选并在早期实验室测试中针对癌症和免疫相关靶点显示初步结果。
推荐理由：Biohub 联合创始人以第一人称复盘半年进展，把蛋白世界模型、激光相位板与虚拟细胞计划串成一条开放科学路线。
Biohub 团队对原代人成年皮肤角质形成细胞完成全基因组 CRISPR 筛选，并用基于文献训练的大语言模型 VirtualCRISPR 筛出文献中未被关注的靶点，相关结果发表于 Nature Communications。
推荐理由：用离心递送绕过角质形成细胞转染难题，完成全基因组 CRISPR 筛选，再以语言模型筛出文献未覆盖的靶点。
Radical Numerics 宣布完成 5000 万美元种子轮融资，走出隐身状态，并预览基因组语言模型 Omnii。创始团队曾训练 Evo 和 Evo 2（40B 参数、完全开源），称 Omnii 已明显超过 Evo 2，在致病因果变异检测上达到 SOTA，可零样本排序阿尔茨海默病突变，并正与一家诊断公司合作用于胰腺癌和多癌种早筛、与美国国家实验室试点检测 AI 生成的病原体。本轮由 Emergence Capital 领投，Obvious Ventures、Triatomic 和 Patrick Collison 参与。
推荐理由：Evo 与 Evo 2 原班团队新公司获 5000 万美元种子轮，并预览基因组语言模型 Omnii，可对照其与 Evo 2 的定位差异。
Sara Mostafavi 与 Alex Sasse、Maria Chikina 合作在 Nature Methods 发表评论文章，回顾序列到功能（sequence-to-function）深度基因组模型的过去与未来，文章链接为 https://www.nature.com/articles/s41592-024-02331-5。作者同时提到该刊当天上线了多篇相关 Comment 文章。
推荐理由：作者团队在 Nature Methods 回顾序列到功能深度基因组模型的进展与未来方向，适合了解该领域方法脉络。