AI设计的基因开关，让小鼠脑细胞亮了起来

研究人员在小鼠脑组织切片上看到了荧光信号。帮助特定细胞“亮起来”的，是AI设计的一段基因调控序列。

这给“AI能否读懂生命”提供了一个可以检验的切口：模型写出的序列，究竟能在真实细胞里完成什么工作？

11月4日更新的一篇预印本报告，研究团队利用能从大量遗传序列中学习规律的模型Evo 2设计调控序列，并在培养的人类细胞和小鼠中测试。其中，9个接受小鼠实验的候选设计，有7个在脑组织中产生了可检测信号。[1]这些实验验证的是基因调控和细胞标记功能；论文尚未经同行评审，患者治疗效果需要另作临床研究。

11月8日，创业孵化机构Y Combinator（YC）发布的一场约82分钟分享，将这项工作放进了更大的研究图景：从遗传序列、细胞模型，一直谈到癌症患者身边的研究服务。[2]几项工作连在一起，一个值得关注的变化开始清晰起来——AI可以参与设计下一次实验，真实实验的结果再帮助研究者改进模型和设计。

给生物模型的“提示词”，长什么样

DNA储存遗传信息，可以用A、C、G、T四种“字母”记录。Evo 2学习大量DNA序列中这些字母如何排列，再据此预测后续序列。研究者加里克·布里克西（Garyk Brixi）在分享中介绍了这套思路；其相关成果已于今年3月发表于《自然》。[2-3]

语言模型能根据几个示例，接着完成同类任务。基因组模型也出现了类似能力：研究者把若干具有特定功能的DNA序列作为上下文，让模型继续生成候选序列。这种方法叫“上下文学习”，可以理解为把样例临时放在模型面前，帮助它判断接下来该生成什么。

这里充当“提示词”的主要是DNA序列样例。模型需要从这些样例中提取共同规律，例如某些序列为何容易在一种细胞中发挥作用。

这项能力有吸引力，因为生物设计经常缺少足够的训练样本。每提出一个新目标，都重新收集大批数据、训练专用模型，会显著增加时间和成本。如果少量示例就能让一个基础模型生成有用候选，新任务的启动门槛就可能降低。

从“生成候选”走到“小鼠实验”，中间还经过了额外训练和多轮筛选。此次动物实验采用的流程，让Evo 2继续接受有针对性的训练，以提高候选序列的调控表现，再利用其他模型预测、过滤候选。[1]少样本生成的能力，与整套实验流程的表现，需要分别理解。

让指定细胞亮起来，是一道怎样的考题

实验的核心对象是“增强子”：一类调控DNA，可以影响基因在什么细胞、什么条件下被启用。把它比作“开关”，有助于理解它的作用。

研究者希望设计出对某类细胞特别有效的开关。如果这类细胞产生了荧光信号，研究人员就能观察、识别它们。更精确的细胞选择能力，也可能为未来的基因治疗工具提供帮助。

小鼠实验同时给出了进展和难题。

9个候选中，7个产生了可检测表达，6个呈现局部空间标记。两个设计在被标记的细胞中，目标神经元所占比例分别为73%和95%。这里的分母，是各设计标记到的细胞；这组数字描述细胞指向的准确程度。[1]

另两个设计主要标记到了与原目标不同的细胞群。研究者提出，人类与小鼠之间的调控差异可能是原因之一，这个解释仍需进一步检验。[1]

这组结果的价值在于，模型提出的候选已经接受了真实生物系统的检验。有些设计完成了预定任务，有些暴露出预测与实际表现之间的偏差。不同候选面向的细胞目标有所区别，动物样本也有限，后续研究还需要扩大样本、检验稳定性和适用范围。

对这类模型而言，失败案例同样有信息价值：它能暴露现有数据、预测模型或设计策略尚未覆盖的条件，帮助确定下一轮实验该测什么。

为什么已有5亿细胞数据，还要精挑下一次实验

读DNA，主要是在读遗传信息。理解一个细胞此刻在做什么，还需要观察它启用了哪些基因，以及受到药物、疾病或其他干预后怎样变化。

研究者优素福·鲁哈尼（Yusuf Roohani）在分享中讨论了“虚拟细胞”：利用模型预测细胞状态及其在干预下的变化。这一目标需要把来自不同组织、物种和实验的数据放在一起比较。[2]

今年7月发表于《自然》的一种“通用细胞嵌入”模型，为约3600万个细胞建立了共同的表示方式。可以把它理解为一套共同坐标，让来自不同数据集的细胞有机会被放到同一张“地图”上分析。[4]

一项名为scBaseCount的公开细胞数据整理项目，则利用AI代理发现、整理和标准化单细胞数据。这里的AI代理，是能分步调用工具、执行数据整理任务的程序。其官方资料列出的规模已超过5.02亿个细胞，覆盖27种生物、75类组织。[5]这与上述模型使用的3600万细胞属于不同项目和统计范围。

庞大的总量仍可能留下明显空缺。鲁哈尼在分享中展示了数据构成，指出现有数据对免疫细胞、尤其T细胞有较强偏重。[2]研究较少的细胞类型、疾病阶段和干预条件，仍可能缺少足够样本。

如果新增数据继续集中在已经充分研究的区域，模型在未知条件下的判断力就未必相应提高。由此出现了一种研究策略：让模型帮助选择最有信息价值的实验，优先填补那些会影响预测的空白。

这也是“虚拟细胞”通向实用工具的一道关键考题。研究者需要检验：模型对未见过的干预能否作出可靠预测，这些预测又能否指导更有效率的真实实验。

患者身边的研究小组，需要接上哪些环节

在更靠近临床的一端，从事癌症研究服务的初创公司Omanta，其联合创始人兼首席执行官阿尔弗雷多·冈萨雷斯（Alfredo Gonzalez）介绍了一种服务思路：围绕单个癌症患者，组织数据分析、研究证据检索和候选方案评估。[2,6]

其出发点是，患者之间即使肿瘤发生在同一部位，背后的分子机制也可能存在差异。研究团队希望综合遗传、基因活动和临床资料，帮助医生理解这个患者的具体情况。

AI可以参与处理数据、筛查研究和寻找相关试验。冈萨雷斯也明确表示，医疗决策由临床医生负责。[2]他在分享中讲述的个案，适合作为探索方向的介绍；评估服务的治疗价值，还需要有明确方法、样本和随访的临床研究。

一个问答细节揭示了现实工作的难度：要培养模拟患者部分组织特征的“类器官”，首先需要取得合适的活组织。常规病理检查中经过固定处理的样本，可能无法用于这种培养。[2]

因此，服务能否运转，会受到样本获取、实验周期和医院工作流程的共同影响。对医生有用的交付，还需要说明每条建议的证据来源、适用条件和不确定性，让临床团队能够检查和采用。

生物AI的竞争，会落到每一轮实验上

把这些研究放在一起看，可以看到三个彼此衔接的环节：基因组模型提出候选序列，细胞数据和预测工具帮助筛选，实验提供实际功能反馈。临床应用还要继续接上样本、诊疗和随访体系。

智讯智库认为，评估这条路线的进展，可以重点看三个指标：获得一个通过实验验证的候选需要多少钱，一轮“设计—测试—反馈”需要多久，以及设计在新细胞类型、新物种或新条件下能保持多少效果。

这些指标直接影响研究效率，也决定工具能服务多大范围的用户。模型如果能帮助研究者少做一批信息价值低的实验，或更早发现一个设计的偏差，就已经创造了可以衡量的价值。

小鼠脑中的荧光信号，为这种价值提供了一个初步实例。接下来，值得追踪的是：扩大样本后，设计能否稳定工作；偏离目标的案例，能否帮助下一轮设计提高精度。一次次可重复的实验结果，将为“AI读懂生命”这句话积累具体含义。

参考资料

[1] HAO Y A, LIU M, NORI D, et al. Few-shot regulatory sequence design with a genomic language model[EB/OL]. bioRxiv, 2026-11-04, v2[2026-11-09].

[2] Y COMBINATOR. Can AI Decode The Language Of Life? | YC Paper Club[EB/OL]. 2026-11-08[2026-11-09].

[3] BRIXI G, DURRANT M G, KU J, et al. Genome modelling and design across all domains of life with Evo 2[J]. Nature, 2026, 652: 1349-1361.

[4] ROSEN Y, ROOHANI Y, AGRAWAL A, et al. Universal cell embedding provides a foundation model for cell biology[J]. Nature, 2026, 656: 183-191.

[5] ARC INSTITUTE. scBaseCount: AI agent-curated single-cell data repository[EB/OL]. [2026-11-09].

[6] Y COMBINATOR. Alfredo Gonzalez - Y Combinator Founder of Omanta[EB/OL]. [2026-11-09].