AI如何发现传染病分子开关？Google Co-Scientist加速基因突变研究

概述

剑桥大学的Clare Bryant教授正在利用Google的AI工具Co-Scientist来识别新发传染病中的基因触发机制。Bryant教授是剑桥大学兽医学院的知名免疫学家，长期专注于先天免疫系统（Innate Immunity）的研究，尤其是Toll样受体（TLR）在感染性疾病中的作用机制。先天免疫是机体抵御病原体的第一道防线，通过识别病原体共有的分子模式（PAMPs）迅速触发炎症反应，这一研究背景与新发传染病的基因触发机制研究高度契合。这项研究展示了AI在生物医学领域的前沿应用——帮助科学家快速定位导致疾病爆发的分子层面"开关"，为疫情早期预警提供全新思路。

什么是传染病中的分子开关？

在传染病研究中，"分子开关"指的是病原体基因组中那些能够决定其致病性、传播能力或宿主适应性的关键基因变异位点。当这些基因发生特定突变时，可能会让一种原本温和的病原体突然变得具有高度传染性或致命性。

禽流感病毒的HA（血凝素，Hemagglutinin）蛋白突变是理解这一概念最经典的案例。HA蛋白是流感病毒表面的关键糖蛋白，负责识别并结合宿主细胞表面的唾液酸受体。禽类呼吸道细胞主要表达α-2,3型唾液酸受体，而人类上呼吸道细胞主要表达α-2,6型受体。禽流感病毒HA蛋白受体结合域中仅需1-2个氨基酸的替换（例如H5N1中的Q226L和G228S位点突变），就能将病毒的受体偏好性从禽类型转变为人类型，从而获得人际传播能力。2011年，荷兰科学家Ron Fouchier和美国科学家Yoshihiro Kawaoka分别独立发现了使H5N1获得雪貂间气溶胶传播能力所需的关键突变组合，这一研究因其双重用途潜力曾引发全球科学伦理大讨论，充分说明识别这类"分子开关"的科学价值与潜在风险并存。这些看似微小的基因变化，就是决定一场全球大流行是否会发生的"分子开关"。

传统基因突变识别的瓶颈

传统上，识别这些关键基因变异需要大量的实验室工作和漫长的数据分析过程。第二代高通量测序（NGS）技术的普及虽然彻底改变了测序效率——以Illumina平台为代表的短读长测序技术可在24-48小时内完成完整病原体基因组的测序，成本已从人类基因组计划时代的数十亿美元降至数百美元——但数据量的爆炸式增长也带来了新的瓶颈。COVID-19大流行期间，全球科学界通过GISAID平台共享了超过1500万条SARS-CoV-2基因组序列，如何从这些海量序列数据中快速识别出具有公共卫生意义的关键突变，成为亟待解决的核心挑战。研究人员仍需要：

• 对大量病原体样本进行全基因组测序
• 逐一比对基因序列差异，筛选候选突变
• 通过功能实验验证每个候选突变的实际作用
• 建立基因突变与致病表型之间的因果关系

这个过程往往耗时数月甚至数年，而在疫情爆发的紧急情况下，时间就是生命。

Google Co-Scientist如何加速传染病基因研究

Google的Co-Scientist于2025年初由Google DeepMind与Google Research联合推出，是基于Gemini大语言模型构建的多智能体（Multi-Agent）科学研究系统。与通用型AI助手不同，Co-Scientist采用了专门针对科学推理优化的架构：系统内部包含多个专职智能体，分别负责文献检索、假设生成、批判性评估和实验方案设计，这些智能体通过协作辩论的方式对科学假设进行迭代优化。其设计理念强调"可验证性