【AI4S】生化环材高可信技术与产业周报（2026-08-12—2026-08-18）

本周值得看OptiPrime 是一套为 prime editing 挑选引导 RNA 的机制型机器学习模型。本周论文报告了跨实验条件预测并把候选设计推进到原代细胞和小鼠脑内验证它离临床应用仍有距离但证据链比单纯计算评测更完整。ConceptCLIP 是一个能把医学影像判断关联到生物医学概念的基础模型。本周发表的研究覆盖多种影像模态并用医生用户研究检验解释能否帮助复核。Anthropic 展示了由 Claude 编排蛋白设计工具并交给外部实验室测试的工作流。15 个靶标中有 14 个获得至少一个经实验确认的结合蛋白。技术突破高影响期刊与正式科研成果有些工作已经走到原代细胞、小鼠、医生用户或跨站点验证另一些仍是计算基准它们能支持的结论并不相同。OptiPrime用机制约束减少 prime editing 的试错OptiPrime 是一套帮助研究人员为 prime editing先导编辑挑选 pegRNA 的机器学习模型目标是减少逐条构建和测试候选序列的实验成本。Nature Biotechnology 本周发表的研究用297,962 条编辑效率记录、40 种实验条件联合训练模型并在原代人和小鼠细胞中做了前瞻性测试在 KIF1A 疾病模型小鼠的大脑皮层中部分设计的总体编辑效率超过 40%。它没有把编辑结果当作纯粹的序列分类问题而是用伪速率和常微分方程表示编辑过程中的生化步骤让研究人员可以检查换了细胞或编辑器后限制步骤是否也随之变化。图OptiPrime 的机制型模型结构将异源双链形成、切口与修复等步骤连接到编辑结果。来源Nature Biotechnology 原文。相关资源OptiPrime 网页服务训练与推理代码前端代码原始测序数据 PRJNA1314411。来源Mechanistic machine learning for prediction of prime editing outcomesNature Biotechnologyhttps://www.nature.com/articles/s41587-026-03261-72026-08-12访问时间2026-08-19 09:16Asia/Shanghai来源类型同行评议研究论文ArticleConceptCLIP让医学影像模型把判断落到可核对的概念上ConceptCLIP 是一个面向医学影像的基础模型它不只匹配图像和报告还把局部影像区域连接到可读的生物医学概念方便医生追问模型依据。Nature Biomedical Engineering 本周发表的研究以MedConcept-23M 的 2,300 万组“图像—文本—概念”数据预训练模型并在 78 个数据集、10 种影像模态上比较分类、检索、定位和分割等任务。三种影像模态上的医生用户研究进一步显示概念解释能帮助参与者核对预测和发现错误这使“解释是否有用”成为可以测试的问题.图研究用医生用户实验比较有无概念解释时的复核表现。来源Nature Biomedical Engineering 原文。相关资源MedConcept-23M 数据集ConceptCLIP 代码模型权重。来源An explainable biomedical foundation model via large-scale concept-enhanced vision–language pretrainingNature Biomedical Engineeringhttps://www.nature.com/articles/s41551-026-01764-x2026-08-17访问时间2026-08-19 09:16Asia/Shanghai来源类型同行评议研究论文Article混合专家原子间势让不同“专家”分担化学环境研究者把 mixture of experts混合专家MoE架构放进机器学习原子间势 DPA3让不同子网络分别处理不同元素和局部化学环境同时只激活一部分参数。npj Artificial Intelligence 本周刊出的研究系统比较了非线性 MoE 与线性专家组合发现带共享专家、按元素路由的方案在OMol25、OMat24 和 OC20M三组基准上优于 DPA3 基线学到的专家分工也与元素周期趋势有一定对应。这给扩大势函数容量提供了一种控制计算量的办法路由结果也能用来观察模型是否学到了可辨认的化学结构。目前证据来自计算基准没有新材料合成或实验性质验证。来源Mixture of experts architectures for machine learning interatomic potentialsnpj Artificial Intelligencehttps://www.nature.com/articles/s44387-026-00144-92026-08-13访问时间2026-08-19 09:16Asia/Shanghai来源类型同行评议研究论文早期版本Article可迁移臭氧预测把 VOC 观测带进异常排放环境研究团队用可解释机器学习预测近地面臭氧并重点考察模型离开常规城市数据后还能否工作比如在疫情期间城市排放结构分布与常规时期不同。npj Clean Air 本周发表的论文基于上海四年的气象、常规污染物和 volatile organic compounds挥发性有机物VOC观测训练自动化机器学习模型再用疫情期间的异常减排阶段和中国北方一个独立乡村站点检验迁移能力加入 VOC 的模型在这些环境中更稳定。臭氧由多种前体物和气象条件共同决定模型若只在原站点拟合得好很容易失效因此跨排放情景和跨站点测试比再提高一点随机切分分数更接近环境管理的实际问题。作者也提醒SHAP 给出的变量贡献是统计关联不是光化学因果机制这项工作不能替代过程模型或直接证明某个减排措施的效果。图疫情期间排放结构变化为臭氧模型提供了偏离常规训练分布的检验场景。来源npj Clean Air 原文。相关资源上海 VOC 数据对应的存档研究研究采用的 FLAML 自动化机器学习框架。来源VOC observations improve transferable ozone prediction using interpretable machine learningnpj Clean Airhttps://www.nature.com/articles/s44407-026-00095-02026-08-15访问时间2026-08-19 09:16Asia/Shanghai来源类型同行评议研究论文Article行业资讯与应用进展从研究到落地通用模型正在从“回答科研问题”走向编排专用模型、读取仪器数据和交付可实验验证的候选物。真正需要看的是外部实验能否复核结果以及一次成功演示能不能扩展到更多靶标和更复杂的研发决策。Claude 科研工作流蛋白设计交给外部实验室验收Anthropic 展示的是一种科研工作流Claude 负责拆解蛋白设计任务、调用公开的折叠与设计模型并组合候选而不是把通用语言模型包装成新的蛋白基础模型。公司 8 月 18 日发布的研究文章称Claude Mythos Preview 和 Claude Opus 4.8 为 15 个靶标生成设计Adaptyv Bio 与 Twist Bioscience 独立合成和测试后14 个靶标得到至少一个经实验确认的结合蛋白1,320 条订购序列中确认了 354 个结合蛋白。文章还给出一个分析化学小案例Claude Opus 5 读取原始 NMR 和 LC–MS 文件后在两次例程分析中给出的氢计数与纯度接近实验室参考结果。这里真正新增的是编排环节通用模型开始承担“选择工具—运行流程—读回结果”输出再交给湿实验或仪器数据验收。图Claude 在不同任务中组合公开的蛋白设计与结构预测模型输出再交由外部实验室测试。来源Anthropic 官方研究文章。相关资源官方文章内附蛋白设计提示词、计算结果、体外实验数据、分析化学样例和技术报告入口生命科学能力的最高访问级别受 Anthropic 风险控制政策限制。来源How Claude is accelerating protein design and analytical chemistryAnthropichttps://www.anthropic.com/research/Claude-accelerates-protein-design2026-08-18访问时间2026-08-19 09:16Asia/Shanghai来源类型公司官方研究文章与技术报告未同行评议政策动态与专家观点规则、资金与方向周期内暂未见由监管机构原文发布的 AI4S 新规。更明确的讨论来自科研共同体一边在描绘多尺度数字生物体另一边提醒支撑这些模型的生物数据库仍缺少稳定维护机制。AI 驱动的数字生物体一张多尺度路线图而非现成系统AI-driven digital organismAI 驱动的数字生物体AIDO是一个把分子、细胞到个体层面的基础模型连接起来用于模拟和设计生物系统的构想由 Le SongGenBio AI、Mohamed bin Zayed University of Artificial Intelligence、Eran SegalWeizmann Institute of Science和 Eric XingCarnegie Mellon University、Mohamed bin Zayed University of Artificial Intelligence共同提出。Nature Medicine 8 月 13 日发表的 Perspective 描述了各尺度模型如何模块化连接、接受实验反馈并把湿实验用于校准预测。这个框架把 AI4S 的难点从训练单个大模型转向跨尺度表示、模型接口和实验闭环对组织数据与验证任务很有参考价值。它是一篇路线图式观点文章不是已经建成并验证的“虚拟生物体”期刊披露三位作者均对 GenBio AI 有经济利益进行产业判断时需要对此有所考虑。图AIDO 路线图将不同生物尺度的表示模型连接为可交换信息的模块。来源Nature Medicine 原文。来源How to build an AI-driven digital organismNature Medicinehttps://www.nature.com/articles/s41591-026-04595-02026-08-13访问时间2026-08-19 09:16Asia/Shanghai来源类型同行评议专家观点Perspective生物数据库的长期维护AI4S 的底座不能只靠短期项目生物数据库把基因名称、功能注释和实验知识整理成可以检索、连接和复用的基础资源Neil HallEarlham Institute、Katja Röper 与 Valerie WoodUniversity of Cambridge、Paul NurseThe Francis Crick Institute主张把它们按科研基础设施而非短期项目管理。四位作者 8 月 18 日在 Nature 的 Correspondence 中列举了PomBase 失去长期资助、FlyBase 削减整理团队等案例并呼吁建立更稳定的维护机制。AI4S 训练与评测依赖这些资源里的标识符、功能标签和出处由此可以推断数据库失修也可能把错误继续传给检索、知识图谱和模型。这是一封专家来函不是新的资助政策或效果评估文章没有量化数据库经费变化对具体模型性能的影响。来源Treat biological databases as infrastructure, not projectsNaturehttps://www.nature.com/articles/d41586-026-02575-52026-08-18访问时间2026-08-19 09:16Asia/Shanghai来源类型专家来函Correspondence