AREX Feed Article
谷歌 Co-Scientist 攻关 MYC 抗癌课题：生成 108 个策略后，只留下用点击化学「粘合」凝聚体的一策
据《自然》（Nature），Whitehead 生物医学研究所（位于马萨诸塞州剑桥市）的生物化学家 Anna Pertl 与生物工程师 Kalon Overholt，把谷歌的 Co-Scientist 系统投向了一个悬而未决的难题：如何利用细胞内名为凝聚体（condensates）的分子液滴，来关停 MYC——这种蛋白在大多数癌症中失控，且长期难以被攻击。两人花了近一个小时来回纠正系统对问题的两处误解，随后放手让它自行运转。到第二天，Co-Scientist 已梳理 700 余篇科学论文，生成 108 个候选策略，并把除一个之外的全部方案否决为不可行。唯一保留的那条与实验室原有思路相反：不是把这些凝聚体溶解掉，而是用点击化学（click chemistry）将它们「粘合」在一起。
《自然》把 Co-Scientist 归入一类新工具——「AI 共同科学家」（co-scientist）。它不像普通聊天机器人那样一次性给出答案，而是同时启动多个自主 AI 系统，即智能体（agents），分头检索并综合论文、评估相互竞争的解释、打磨与批评假说，再对照已发表证据迭代检验想法。这场 MYC 攻关，正是这篇报道的开场案例。
AI 先把「靶点」当成了「药」
7 月的一个下雨的周二，Pertl 把问题敲进系统、按下回车，然后离开过夜。她要的是「不落俗套但切实可行」的办法：利用凝聚体的生物学特性，去关停 MYC。
上手并不顺利。据《自然》报道，起初 AI 模型以为研究核心的蛋白簇是要做成「药」的那一方，而不是要打击的「靶点」；它还以为这些蛋白簇只会激活基因表达，而实际上其中一些恰恰起抑制作用。Pertl 与 Overholt 把这些误解逐一纠正，才把系统放开。
这类运行可能消耗巨量算力——各智能体先沿彼此不同的推理路线推进，最后才汇合出可行解——也因此需要时间。时间长到 Pertl 开玩笑说，够她完成一场长距离铁人三项；自从在 Whitehead 开始读博，她已经完成过八次。
留到最后的那条策略：让 MYC 的 DNA 无法被读取
《自然》写道，这条策略把实验室的思路掉了个头。方案的核心，是用一种叫点击化学的分子连接技术，把激活或抑制 MYC 基因的蛋白揉成一团黏稠的团块，引发连锁反应，直到 MYC 的 DNA 再也无法被读取。
这条路并非凭空设想。科学家早就知道，DNA 及其周围的蛋白可以从松散的液体变得更紧实，像放进冰箱的明胶一样变硬；但把这种转变用来关停一个癌症基因，此前无人涉足。Overholt 对《自然》表示：「它在概念上极其有说服力。我们确实从未想到过类似的东西。」
课题的来历：超级增强子上的 MYC 与 Dewpoint 的溶解路线
这个问题有直接的学术脉络。Pertl 的导师、Whitehead 生物学家 Richard Young 在 2018 年与同事发现，细胞开启关键基因的方式，是把调控蛋白聚集成凝聚体、聚到名为超级增强子（super-enhancers）的重要基因组控制区域上；他们还弄清了癌细胞如何劫持这些超级增强子，让编码 MYC 的基因超速运转——这强烈提示，凝聚体正是 MYC 高表达的助推者。
在 Young 看来，顺理成章的下一步是直接瞄准肿瘤细胞的凝聚体；他参与创办的 Dewpoint Therapeutics（位于马萨诸塞州波士顿）正在探索这条路，方向是溶解凝聚体。不过，此前压制 MYC 的尝试并未成功，Pertl 想看看 AI 能否给出一条新的进攻路线。
此前的两项结果，以及推出同类系统的公司
据《自然》报道，Co-Scientist 由谷歌在加州 Mountain View 的团队开发，此前已被研究人员用来找到一种能在培养皿中杀死白血病细胞的药物组合，并确定了一种在实验室里让因疾病受损的肝组织再生的疗法。帮助开发这套系统的谷歌 AI 研究员 Vivek Natarajan 说：「我们把它想象成一个协作者——一个与你并肩的伙伴。」
它并不是唯一的玩家。该报道称，Anthropic 与 OpenAI 等前沿 AI 实验室，以及 FutureHouse、Phylo 等初创公司——四家都位于加州旧金山及周边——正在推出能承担过去只有人类科学家才承担的任务的系统，把研究者解放出来，专注最要紧的问题与决定。Phylo 科学联合创始人、斯坦福大学分子遗传学家 Le Cong 说，目标不是取代研究者，而是让他们少做发现过程中的日常事务：「我们正在设法把人类推到价值链的更上游。」
并行是这类系统的共性。AI 助手通常让多个智能体从不同角度处理同一个问题，把科学问题拆成更小的任务分头推进；谷歌的系统与 FutureHouse、华为（深圳）、Sakana AI（东京）的平台一样，可以同时探索多条可能路径，让有用的连接从智能体之间的互动中浮现，而不是沿单条推理链线性产生。参与开发早期学术平台 Virtual Lab 的斯坦福大学计算机科学家 Kyle Swanson 说：「你身边有一群背景各异的 AI 智能体，带来不同视角……这让你立刻拥有一支跨学科的专家队伍。」
扣住未发表数据的测试：两天对上多年实验
检验这类系统的一种直接办法，是把它们放到研究者已经解出答案、但不让 AI 看到答案的问题上。《自然》报道，伦敦帝国理工学院（Imperial College London）的研究人员 2025 年测试 Co-Scientist 时就是这样做的。微生物学家 José Penadés 与 Tiago Costa 当时在研究细菌如何在物种之间交换 DNA 片段；他们已经拿到实验数据、形成了理论，但没有把这些未发表的结果喂给系统，而是扣住数据，让 AI 只依靠公开的文献和数据集工作，等它给出理论之后，才公布实验发现并与之比对。
结果对得上。Co-Scientist 对「发生了什么」的理论，与两人多年锤炼出的结论高度吻合：细菌的 DNA 元件可以借用病毒的部分结构，在亲缘关系很远的宿主之间传播。报道说，得益于跨来源推理并连接多来源信息的能力，Co-Scientist 用大约两天就得出了基本相同的结论。Costa 说，如果团队从一开始就用上这个工具，本可以省下找到正确机制之前多年的探索性实验。「如果把科学发现比作一场 100 米赛跑，」他说，「有了 AI 助手，你大约是从第 30 米、而不是第 0 米起跑。」
AI 出点子之后，会提问与会核实成了稀缺能力
《自然》在报道中点出一个正在成形的悖论：判断 AI 生成的想法是否可靠，可能需要比以往更深的专业知识；而学生亲手积累这种知识的机会却在变少。承诺加速发现的工具，可能反而让培养出足以监督它们的科学家变得更难。伦敦国王学院生物医学计算研究者 Hector Zenil 的结论是：「能看懂全貌、具备人类技能的研究者，会比以往任何时候都更有价值。」
报道判断，机器接管更多环节之后，稀缺的资源可能会换成人的科学判断：知道哪些问题值得问、哪些方向值得追。多伦多大学 Rotman 商学院研究 AI 对创新与创业之影响的经济学家 Ajay Agrawal 说：「如今最有价值的部分，其实是提出问题。」Swanson 的提醒更具体：「你必须提出非常好的问题。如果问题很泛，得到的答案多半也很泛。」在开放式的科学里，决定问什么、什么才算有意义的答案，依然是人的任务。
提问之外还要会核实。在 FutureHouse 和斯坦福任职的分子遗传学家 Philine Guckelberger，给该公司的 Kosmos 平台喂入一个大型数据集——记录帮助决定基因开关的分子接触——让它寻找人类研究者可能忽略的模式。系统起初在数据标注上绊倒：在一个 3000 万行的数据集里，它忽略了一列用来区分两类 DNA 区域的字段。Guckelberger 纠正之后，系统在癌细胞里发现了一个此前未被注意的模式，她随后在独立数据集中证实了它。「它让这件事提速得飞快。」她说。
在加州大学伯克利分校研究基因组编辑的 Fyodor Urnov 是 Kosmos 的早期用户，他对这类 AI 研究助手的规矩只有一条：不要把系统的断言当作理所当然。在莫斯科长大的他记得上世纪 80 年代美苏核军控谈判期间流行的一句话。「我和 Kosmos 的关系，很大程度上就建立在里根与戈尔巴乔夫那句名言上，」他说，「信任，但要核实。」
参考链接
- 《自然》报道原文：（2026 年 9 月 21 日发布）
- 文内 Anna Pertl 照片（出自上述报道页面）：
- 文内 The Project Twins 题图插画（出自上述报道页面）：