Onametostat

题目 Accelerating scientific discovery with Co-Scientist 期刊信息 期刊：Nature（IF=48.5，2024 Journal Impact Factor）(Nature) 在线时间：2026年5月19日(Nature) DOI：10.1038/s41586-026-10644-y(Nature) 文章状态：Nature Accelerated Article      Preview，已接收，后续仍会经历编辑与校样流程。 研究背景 科学发现最难的地方，往往不是“读完更多论文”，而是在海量文献中提出可验证的新假说。 Google DeepMind、Google Research、Google Cloud AI Research 等团队提出 Co-Scientist：一个基于 Gemini 的多智能体系统，目标是像“科研合作者”一样生成、批判、排序并进化科学假说。(Nature) 核心创新 多智能体科研引擎：系统包含 Generation、Reflection、Ranking、Evolution、Proximity、Meta-review 等智能体，分别承担假说生成、同行评审、排序、进化和综述分析等任务。 test-time      compute 放大科研推理：不是一次性输出答案，而是在推理过程中反复“加算力、加辩论、加修正”，让假说质量逐步提升。 Elo 锦标赛式排序：不同假说像“打擂台”一样两两比较，通过科学辩论和胜负模式更新排名。 真实湿实验验证：系统提出的急性髓系白血病（AML）药物再利用候选、协同联合用药、肝纤维化靶点，以及抗菌耐药相关机制假说，均进入了实验或独立研究验证环节。 专家在环协作：Co-Scientist 并不替代科学家，而是允许研究者用自然语言设定目标、约束条件、反馈方向和实验偏好。 关键结果 图1：Co-Scientist 的设计、多智能体架构与实验验证总结 a，概览：作者展示了 Co-Scientist 结构化科学思维引擎的不同组成部分——多智能体系统，以及它与科学家的交互范式。 给定一个自然语言研究目标后，Co-Scientist 会生成新的研究假说。系统采用基于 Gemini 的专门智能体，包括 Generation、Reflection、Ranking、Evolution、Proximity（用于评估相关性）和 Meta-review（提供高层分析）智能体，在锦标赛框架中持续生成、辩论并进化研究假说。 来自锦标赛的反馈支持迭代改进，形成一个面向复杂科学问题、不断趋向新颖且高质量假说的自我改进循环。Co-Scientist 使用包括网页搜索和专门 AI 模型在内的工具，以提升生成假说的证据基础和质量。科学家可以通过指定用户界面，以自然语言与 Co-Scientist 对话，设定研究目标、纳入约束、提供反馈、引导方向，并建议新的探索路径。 b，底层多智能体架构：Supervisor 智能体解析用户的自然语言研究目标，并在异步任务队列中动态地将资源分配给专门的工作智能体。 “Co-Scientist specialized agents” 部分中的红色方框表示各个独立智能体，每个智能体都有其独特逻辑和角色。蓝色方框表示 scientist-in-the-loop 的输入和反馈。深灰色箭头表示 Co-Scientist 内的信息流，红色箭头表示专门智能体之间的信息反馈循环。 c，Co-Scientist在三个复杂程度不同的生物医学问题中的端到端验证：Co-Scientist 为急性髓系白血病提出新的药物再利用候选物（上），为肝纤维化识别新的表观遗传靶点（中），并独立重现了一个当时尚未发表、同期完成的、与抗菌耐药相关的新型细菌基因转移机制发现（下）。 所有由 Co-Scientist 生成的假说随后均通过独立的体外实验进行了验证。 图2：扩展 test-time compute 增强 Co-Scientist 的科学思维与假说质量 a，test-time compute 扩展对 Co-Scientist 假说质量的影响，质量由 Elo 自动评估衡量：研究者将 203 个多样科学研究目标中生成的假说划分为 10 个连续时间桶。 最高个体 Elo 评分（左）和前 10 个平均 Elo 评分（右）均呈持续上升趋势，提示该系统能够面向复杂问题，自我改进并趋向高质量科学假说。 b，与标准语言模型和人类专家的自动评估基准比较：在 15 个高度复杂、由专家策划的生物医学目标子集上，Co-Scientist 利用 test-time compute 扩展，最终超过人类领域专家以及最先进的大语言模型和推理模型，如 OpenAI o1、o3-mini-high、DeepSeek-R1，生成质量更高且更具新颖性的假说。 c，盲法人类专家评估：独立领域专家对 11 个经过策划的开放生物医学问题中的 AI 系统假说进行了严格评估。 左图：专家对假说新颖性和影响力的平均评分，采用 5 点 Likert 评分独立评估，并以分组柱状图展示。右图：总体专家偏好排序。Co-Scientist 在新颖性和影响力方面持续获得最高专家评分，并被专家选为更偏好的 AI 系统。 对于 a 和 b，数据以均值表示，阴影区域表示 95% 置信区间。对于 c 中两个子图，误差线表示 probable errors，数据以均值 ± probable errors 表示。精确样本量 n 分别为：a 中 203 个研究目标，b 中 15 个目标，c 中 11 个目标。 图3：Co-Scientist 生成的 AML 单药再利用候选物的体外生物学验证 Co-Scientist识别出具有前景的生物活性化合物，范围从已有临床前依据的候选物，到针对 AML 的全新治疗靶点。 a-c，MOLM-13 AML 细胞经 Binimetinib、Pacritinib 和 Cerivastatin 处理后的剂量反应曲线。Co-Scientist 提名了已有证据支持的候选药物，并显示出强效抗白血病活性。 d-h，Co-Scientist预测的全新候选物 KIRA6（一种 IRE1α 抑制剂）在不同 AML 细胞系（d-g）和正常淋巴母细胞样对照细胞系 TK6（h）中的剂量反应曲线。与非恶性 TK6 对照相比，KIRA6 对 KG-1a AML 细胞系表现出高度选择性细胞毒性。18 倍差异提示一个有前景的体外治疗窗口，并说明 Co-Scientist 具备搜索、推理和识别生物活性化合物的潜力。 X 轴表示药物浓度（µM），采用对数刻度；Y 轴表示生长抑制百分比。数据以 n=3 次生物学独立实验的均值 ± SD 表示。精确 IC50 值通过非线性回归曲线拟合确定。 图4：Co-Scientist 预测的 AML 协同多药组合验证 Co-Scientist成功在高维组合空间中提出有效的多药治疗方案，并在 MOLM-13 和 KG-1a AML 细胞系中进行了验证。 a、b，JNJ-64619178与 Selinexor 双药组合的定量协同分析。图中采用 Chou-Talalay 方法展示组合指数（Combination Index, CI）与受影响分数（fraction affected, Fa）之间的关系。水平红色虚线表示严格相加效应（CI=1.0）。低于该阈值的数据点表示协同区域（CI<1），高于该阈值的数据点表示拮抗区域（CI>1），证实 Co-Scientist 提出的这一双药组合具有强协同相互作用。 c、d，JQ1、Olaparib和 MSA2 三药组合的超额分数效应热图。研究者使用 Highest Single Agent（HSA）和Bliss independence 模型，在药物浓度矩阵（nM）上量化协同作用。颜色刻度表示相对于预测相加效应的偏离：红色区域表示正向超额效应，即协同；蓝色区域表示负向超额效应，即拮抗。 这些结果提示，Co-Scientist 能够在不依赖穷尽式经验筛选的情况下，识别高度活跃且复杂的组合治疗。完整相互作用谱见 Extended Data Figs. 5、6和 Extended Data Tables 1、2。所有协同分析实验均进行了 n=3 次生物学独立重复。 结论转述：读者该怎么看？ 这篇文章最值得关注的，不是“AI 又会写论文了”，而是它把 AI 放进了科研链条中最难自动化的一环：提出可验证假说。 在 AML 药物再利用中，Co-Scientist 不只是给出文献综述，而是提出了 Binimetinib、Pacritinib、Cerivastatin，以及更具新颖性的 KIRA6 等候选策略；其中 KIRA6 对 KG-1a 细胞表现出更强敏感性，提示可能存在选择性治疗窗口。 在联合用药中，系统还能在组合爆炸的空间里提出候选方案，这一点对药物筛选非常关键。 从读者角度看，Co-Scientist 像一个“永不疲倦的科研讨论组”：它可以查资料、提想法、互相质疑、再把更好的想法推到前面。但论文也强调，它仍需科学家设定问题、判断价值，并通过实验把假说变成证据。 全文总结 Co-Scientist是一个基于 Gemini 的多智能体科学发现系统。它通过生成、反思、排序、邻近性分析、进化和元评审等模块，把科学假说从“一次性回答”变成“持续迭代的科研过程”。 作者用自动评估、专家评估和真实湿实验三条线验证了它： 一是随着 test-time compute 增加，假说 Elo 评分持续提高；二是在专家策划的生物医学难题中，Co-Scientist 的新颖性和影响力评分优于多个基线模型；三是在 AML 药物再利用、肝纤维化靶点发现和抗菌耐药机制解释中，系统输出进入了实验验证或独立发现对照。 机制解析 关键通路 / 相互作用：这里的“机制”不是单一生物通路，而是一个科研推理闭环。Generation 智能体负责提出假说；Reflection 智能体像审稿人一样质疑正确性、新颖性和可测性；Ranking 智能体用 Elo 锦标赛比较不同假说；Evolution 智能体吸收反馈、合并优点、修正缺陷；Meta-review 智能体再总结系统级问题，反哺下一轮推理。 这就像把一个课题组拆成多个角色：有人开脑洞，有人挑刺，有人排优先级，有人润色方案，有人总结组会纪要。不同的是，Co-Scientist 可以把这个循环跑得更快、更密集。 对药物研发而言，最核心的变化是：AI 不再只做“已有知识检索”，而是尝试给出“可实验验证的新连接”，例如旧药新用、组合疗法、跨疾病靶点迁移等。 对中医药研究的启发 中医药研究长期面对三个难题：成分复杂、靶点复杂、证候与现代疾病指标难以直接对齐。 Co-Scientist这类系统可用于提出“方剂—成分—靶点—通路—表型”的可验证假说。比如，面对一个经典复方，它可以从古籍适应证、现代药理、网络药理、单细胞数据、代谢组学和疾病模型中寻找交叉证据，再提出优先验证的关键成分组合或作用通路。 更重要的是，它适合解决“组合爆炸”问题。中药复方并非单成分药物，成分之间可能存在协同、拮抗或剂量依赖关系。Co-Scientist 在 AML 多药组合中的思路，未来可迁移到中药配伍优化、活性组分筛选和经典名方二次开发中。 但边界也必须说清楚：AI 生成的是假说，不是结论；它可以缩小实验搜索空间，却不能替代药效、毒理、质量控制和临床研究。 应用前景 Co-Scientist有望成为药物再利用、组合疗法设计、复杂疾病机制解析和中医药多组分机制研究的“假说发动机”。 它最适合放在科研前端：帮助团队更快找到值得做的实验，而不是替代最终实验验证。 研究团队 & 资金 通讯作者：Juraj Gottweis（Google Cloud AI Research,      Zurich, Switzerland）；Wei-Hung Weng（Google      DeepMind, Mountain View, California, USA）；Pushmeet Kohli（Google DeepMind, Mountain View, California, USA）；Annalisa Pawlosky（Google Research, Mountain      View, California, USA）；Alan Karthikesalingam（Google      DeepMind, Mountain View, California, USA）；Vivek Natarajan（Google DeepMind, Mountain View, California, USA）。(Nature) 合作单位：Google Cloud AI Research、Google DeepMind、Google Research、Stanford University School of      Medicine、Houston Methodist、Sequome、Fleming Initiative and      Imperial College London。(Nature) 参考文献 Gottweis J, Weng WH, Daryin      A, et al. Accelerating scientific discovery with Co-Scientist. Nature.      Published online May 19, 2026. doi:10.1038/s41586-026-10644-y.(Nature) Guan Y, et al. AI-Assisted      Drug Re-Purposing for Human Liver Fibrosis. Adv Sci (Weinh). 2025:e08751. Penadés JR, et al. AI mirrors      experimental science to uncover a novel mechanism of gene transfer crucial      to bacterial evolution. Cell. 2025;188(23):6654-6665. He L, et al. Chimeric      infective particles expand species boundaries in phage-inducible chromosomal island mobilization. Cell. 2025;188(23):6636-6653. 免责声明 本文仅供学术交流，非医疗建议。转载请联系作者并注明出处。

> 2026年5月，国际顶级学术期刊《自然》在同一天刊登了两项来自不同团队的研究，它们共同指向一个令人震撼的事实：人工智能在实验室里跑出了比人类快**200倍**，甚至**1080倍**的科研速度。  这不是科幻电影。谷歌DeepMind的**Co-Scientist**系统，在寻找治疗急性髓系白血病（一种凶险的血癌）的药物时，从**2300种**已上市的药物中精准筛选出5种候选药，后续的细胞实验显示，这5种药**全部有效**。 而FutureHouse的**Robin**系统，在分析导致老年失明的黄斑变性文献时，**30分钟**就完成了人类专家需要**540小时**才能读完并理解的工作量。 ## 科研“神仙团队”，AI如何分工协作？ 这两个系统的核心突破，在于它们不再是单一的工具，而是组建了一个分工明确的“AI科研团队”。这被称为**多智能体系统**，你可以把它理解为一个虚拟的科研小组，每个成员（智能体）都有专长。 - **Co-Scientist**像一个善于结构化思考的“学者型”搭档。它内部有负责“大开脑洞”提出想法的生成智能体，有扮演“严苛审稿人”挑刺的反思智能体，还有像举办“锦标赛”一样对海量假设进行两两PK、筛选出最优解的排名智能体。 科学家只需用自然语言提出目标，这个团队就能自动检索文献、生成新假设、设计实验方案，并循环迭代优化。 - **Robin**则像一个能动手的“实干型”实验伙伴。它的团队里有专门负责快速阅读文献的“Crow”，有进行深度分析的“Falcon”，最特别的是名为“Finch”的智能体，它能直接接收实验室的原始数据，自动编写代码进行分析，并生成图表和结论。  这意味着，从读文献、提想法，到分析实验结果、提出下一步方向，Robin实现了科研的**闭环自动化**。 ## 从“大海捞针”到“精准导航”的范式革命 传统药物研发被形容为“大海捞针”：一款新药平均耗时**10-15年**，耗资超**26亿美元**，成功率却只有**5%-10%**。AI的介入，正将这个过程变成“精准导航”。 在白血病研究中，Co-Scientist不仅找到了有效的单药，更令人惊讶的是，它自主提出了人类未曾探索过的**全新药物组合**，例如“JNJ-64619178 + Selinexor”，并在实验中验证了强大的协同抑制效果。这相当于在指数级增长的组合迷宫中，AI直接绘制出了最短路径。 而在黄斑变性研究中，Robin不仅找到了已有药物“ripasudil”的新用途（药物再利用），还进一步提出了该药可能通过增强“ABCA1”基因表达来起效的新假说，并主动建议用RNA测序实验来验证，最终真的发现了新的潜在药物靶点。这个过程，几乎复现了人类科研中“连续发现”的完整链条。 ## 省下多少时间与金钱？产业账本浮现 效率的巨幅提升，直接转化为真金白银的成本节约。中国药企的实践提供了直观数据： - 广药集团利用AI，将小分子早期药物发现周期从行业平均的**1-2年**缩短至**3-6个月**，成本降低**70%**。 - 在临床文档撰写等环节，AI翻译成本比传统外包降低**30%-50%**，撰写耗时减少**60%**。 麦肯锡的报告预测，如果制药业全面应用此类AI，每年可创造**600亿至1100亿美元**的经济价值。这不仅仅是提速，更是对整个行业成本结构的深度重构。  ## 人类会被取代吗？答案是更紧密的协作 尽管能力强大，但两个研发团队都强调，系统的设计核心是 **“人机协作”** ，科学家始终掌握最终决策权。这引出了一个关键问题：未来的科研，人和AI如何相处？ 北京大学人工智能研究院研究员杨耀东指出，AI擅长处理海量数据和复杂计算，但科学研究不仅要“预测得准”，更要理解背后的“为什么”。人类专家的理论洞察和价值判断，目前仍是AI无法替代的。 未来的理想模式是：人类负责提出最关键、最根本的科学问题，并把握研究方向；而AI作为“超级副驾”，承担起数据挖掘、实验设计、重复试错等繁重工作，将人类从体力劳动中解放出来，专注于创造性思考。 ## 狂欢下的冷思考：新规则亟待建立 AI深度介入科研，也带来了前所未有的新挑战： - **学术诚信风险**：生成式AI可能产生虚假引用、错误推理，其“黑箱”特性让实验过程难以复现，冲击科学研究的可重复性原则。 - **责任归属模糊**：当AI智能体在研究中贡献巨大，它该被列为论文作者吗？如果结论出错，责任由人类承担还是AI承担？这些问题尚无定论。 - **监管框架跟进**：中国已于2026年发布相关《实施意见》，要求确保用户对智能体决策的**最终决策权**，且行为必须**可追溯、可验证**。中国工程院院士陈晓红也建议，需加快构建AI智能体的全生命周期风险评估体系。  **科学智能体登上《自然》封面，标志着一个新时代的序幕已经拉开。** 它带来的不仅是几百倍的效率提升，更是一场科研范式的根本性变革。我们或许不必担忧被取代，但必须学会如何与这位不知疲倦、算力超群的“科研伙伴”共处。 未来的重大科学发现，将越来越多地诞生于人类智慧与机器智能的深度协同之中。看懂这场变革的关键，不在于惊叹技术的强大，而在于理解：**人类最宝贵的判断力与创造力，将因工具的进化而被置于更核心的位置。**