医学博士用AI Codex重塑生物研究：加速攻克癌症的实战路径

在OpenAI发布的《Builders Unscripted》第五期节目中，免疫学家、生物医学工程师 Derya Unutmaz 分享了他如何将前沿AI工具融入癌症与免疫学研究。作为一位拥有医学背景、深耕免疫学与肿瘤学三十余年的科学家，他的"建造者"身份格外特殊——他不是软件工程师，却用 Codex 从零构建了一系列专业级科研应用。这场对话不仅展示了AI编程的能力边界，更揭示了AI正在如何重塑科学研究的底层方法论。

从医学院到AI信徒：三十年的坚守

Derya 回忆，对AI的兴趣可以追溯到从医学院毕业的那一刻。真正投身生物医学研究后，他才深刻意识到生物系统的极端复杂性——数以万亿计的组成部分、数十亿并行发生的反应，令人望而生畏。

"那时我就意识到，也许有一天我们能用AI来构建模型。"早在90年代初，他就开始尝试用AI辅助编程。深度学习革命、AlphaFold 和 ChatGPT 的相继问世，让他坚信自己当年的判断是正确的。

AlphaFold的里程碑意义：AlphaFold是DeepMind于2020年发布、2021年全面开源的蛋白质结构预测AI系统，被誉为生物学领域近50年来最重大的突破之一。蛋白质折叠问题困扰科学界逾半个世纪——蛋白质的三维结构决定其功能，但从氨基酸序列预测空间结构极为困难。AlphaFold2在CASP14竞赛中以压倒性优势超越所有传统方法，平均预测精度接近实验方法（X射线晶体学、冷冻电镜）。截至2023年，AlphaFold已预测超过2亿种蛋白质的结构，覆盖地球上几乎所有已知物种的蛋白质组。这一突破的意义在于：它证明了深度学习可以"理解"并预测极其复杂的生物分子行为，为此后AI在药物设计、酶工程、疾病机理研究等领域的爆发式应用奠定了信心基础。Derya提到AlphaFold，正是将其视为AI终将攻克生物复杂性的标志性证明。

真正的转折点发生在一次受邀试用 OpenAI 首个推理模型 o1-preview 时。他用一个融合"大逃杀游戏"与"免疫系统对抗肿瘤"机制的复杂问题去测试，模型给出的深度洞察让他几乎为之动容。"在那之前，GPT-4 不会给你那种深刻而有洞见的回答。"从那一刻起，他确信AI对科学而言已是"不可避免的力量"。

Codex重塑科研日常：清晨咖啡后的第一件事

Derya 自称是一名"认证的 Codex 成瘾者"。他的新日常是：清晨醒来，端起咖啡，第一件事就是查看 Codex 通宵运行的结果。"过去，即便你会写代码，做这些也要花上数周甚至数月。现在我一醒来就想，好，我得试试这个想法。"

有意思的是，Derya 的本职是"生物医学工程师"，而非职业程序员。"我大概花一个月才能写出一个贪吃蛇游戏。"正是这种编程能力的局限，让 Codex 对他的意义格外重大——它把原本需要专业软件团队数月才能完成的工作，压缩到了个人可以独立完成的范畴。

亲手构建的四款科研级AI应用

在节目中，Derya 现场演示了几款完全由 Codex 构建的专业工具，每一款都直指真实科研痛点。

流式细胞术分析工具

第一款是流式细胞术（Flow Cytometry）分析软件。这是免疫学研究"观察细胞世界的窗口"——通过荧光标记与激光分析，识别血液和组织中数十万个单细胞的类型与功能。

流式细胞术的技术背景：流式细胞术是一种基于激光的生物物理技术，自1960年代发展至今已成为免疫学研究的基石工具。其核心原理是：将细胞悬液经流体力学聚焦后单列通过激光束，通过检测细胞散射光与荧光标记抗体发出的荧光信号，同时分析数万乃至数十万个细胞的物理特性和分子表达。现代流式细胞仪可同时检测30种以上标记物，每秒处理数千个细胞。其中"门控（gating）"是流式数据分析的关键步骤——研究人员通过设定不同的参数阈值，将复杂的细胞群体逐步分类，就像用多重筛子筛选特定细胞亚群。CD4/CD8比例是重要的免疫健康指标，CD4阳性T细胞（辅助性T细胞）与CD8阳性T细胞（杀伤性T细胞）的比例失衡与HIV感染、肿瘤免疫逃逸等病理状态密切相关。传统流式分析软件如FlowJo、FCS Express价格昂贵且学习曲线陡峭，这也是Derya选择自建工具的直接动因。

该应用能实时处理十万级别的细胞事件，绘制轮廓图、设置门控（gating）、计算 CD4/CD8 阳性细胞比例。"这是一款非常复杂的软件，我们已经用了几十年。有一天我就想，为什么不自己做一个？"他坦言过程中失败了很多次，但最终得到了完整可用的版本。

T细胞受体信号模拟器

他还构建了一款T细胞受体（TCR）信号通路模拟器。用户可以设定配体的亲和力与剂量，运行模拟，观察哪些分子被激活、转录因子的磷酸化模式如何变化——甚至可以加入抑制性分子，观察通路被阻断后的不同反应。

TCR信号通路的分子机制：T细胞受体（TCR）信号通路是适应性免疫应答的核心分子机制。当TCR识别并结合抗原呈递细胞表面的MHC-抗原肽复合物时，会触发一系列精密的胞内信号级联：从ZAP-70激酶激活，到LAT接头蛋白磷酸化，再到下游的PLCγ1、RAS/MAPK、PI3K等多条通路并行激活，最终驱动NF-κB、NFAT、AP-1等转录因子进入细胞核，启动T细胞增殖、分化和效应功能基因的表达。这一通路涉及数十种蛋白质的动态相互作用，且对配体亲和力和抗原剂量极为敏感——高亲和力触发完全激活，低亲和力可能诱导耐受或无反应状态。传统上，研究人员需要通过湿实验室实验逐一验证每种干预的效果，耗时耗力。Derya构建的模拟器将这一复杂的信号网络数字化，使研究人员能在虚拟环境中快速测试不同抑制剂（如肿瘤微环境中的PD-1/PD-L1轴抑制剂）对通路的影响，大幅压缩假设验证周期。

"这不只是可视化数据集，而是一个完整的应用，可以识别每个特定细胞和场景的输入与输出。"主持人如此评价。

从一张图到交互式免疫图谱

最富创意的演示是：他将 GPT Image 生成的一张"Nature封面"级免疫图谱直接交给 Codex，只用一句指令——"理解这张图，创建一个交互式模拟网站"——便生成了带动画的可交互免疫细胞网站，甚至能根据年龄模拟免疫细胞行为的动态变化。

CRISPR基因编辑靶点设计工具

最后一款是原生 macOS 应用（Swift编写），专为 CRISPR 基因编辑靶点设计。输入基因名称，它会自动从数据库拉取序列、给出候选靶点并排序，甚至能一键"设计文库"，批量生成多个基因的 CRISPR 分子。他还计划开发 iPad 版本，方便直接带进实验室使用。

CRISPR技术背景：CRISPR-Cas9（规律间隔聚集短回文重复序列）是由Jennifer Doudna和Emmanuelle Charpentier开发的基因编辑技术，两人因此荣获2020年诺贝尔化学奖。其工作原理类似"分子剪刀"：通过设计一段与目标DNA序列互补的向导RNA（gRNA），引导Cas9核酸酶精准切割基因组特定位点，实现基因敲除、修正或插入。gRNA的设计是CRISPR实验成功的关键——需要考虑靶点序列的GC含量、二级结构、与基因组其他位置的脱靶相似性（off-target effects）等多重因素。在药物筛选和功能基因组学研究中，科学家常需同时设计针对数百乃至数千个基因的CRISPR文库（CRISPR library），手动设计这些靶点极为繁琐。Derya开发的macOS工具通过自动化抓取NCBI等公共数据库的基因序列、调用算法评分并批量输出候选gRNA，将原本需要数天的文库设计工作压缩至分钟级，且面向非专业程序员的实验室成员也能直接上手使用。

数字孪生：癌症治疗与逆转衰老的终极愿景

对话中最具野心的部分，是 Derya 对"数字孪生"（Digital Twin）的构想——用AI完整模拟一个人的生物系统，涵盖基因组、代谢物、蛋白质、免疫系统乃至肠道菌群。

数字孪生与精准医疗的技术挑战：数字孪生概念最初源于航空航天和制造业——通过实时传感器数据构建物理系统的高保真虚拟镜像，用于故障预测和优化决策。将这一理念迁移至生物医学领域，意味着为每位患者构建整合基因组（约30亿碱基对的个人变异信息）、转录组（基因表达谱）、蛋白质组、代谢组以及肠道微生物组的多层次计算模型。当前实现这一愿景面临三大挑战：数据整合（不同组学数据的维度对齐与噪声处理）、模型验证（如何证明虚拟模型真实反映个体生物学）以及计算力（全细胞模拟的算力需求仍超出现有基础设施数个数量级）。

他指出，当前医学的困境在于"用同一种药治疗数百万患者"——例如他汀类药物被数百万人服用，却只对一小部分人真正有效。他汀类药物是全球处方量最高的药物之一，主要用于降低LDL胆固醇，但受益人群受SLCO1B1、APOE等多基因变异的影响差异巨大，且约10%-15%的用户会出现肌肉毒性副作用。数字孪生的目标是实现"治疗患者，而非治疗疾病"的彻底个性化：让药物趋近100%的疗效与0%的副作用。

以癌症为例，医生可以在患者的数字孪生上尝试不同假设与实验方案，观察反应，从而选择最优治疗路径。他引用了一位计算机科学家用 ChatGPT 和 Grok 为爱犬的癌症突变定制 RNA 疫苗的案例，将其视为"极致个性化医疗"的先行预演。

Derya 的预测相当大胆：未来十年左右能够治疗几乎所有疾病，十五年内有望逆转衰老，人类寿命或将大幅延长。他坦承这听起来像科幻，但强调质疑者往往低估了AI的指数级进步，以及模拟生物系统所需算力的持续增长。

科学2.0：AI智能体驱动的研究新范式

Derya 认为，科学研究的底层方法将发生根本性转变，他将其称为"科学2.0甚至3.0"。传统流程——构思想法、规划数周实验、花费数月分析数据——将逐渐成为过去式。

未来的图景是：AI智能体自动生成假设、筛选最优方案、模拟实验结果，并指出哪些实验最可能成功；实验数据由AI即时分析，反馈给"主智能体"生成新一轮假设。结合自动化实验室与机器人执行，科学家的核心角色将转变为"为智能体指明探索方向的决策者"。

面对"AI会不会取代人类工作"的担忧，他引用 Jevons 悖论回应："如果我们能做这么多，那我们就能做得更多。"

Jevons悖论的经济学逻辑：Jevons悖论由19世纪英国经济学家威廉·斯坦利·杰文斯于1865年在《煤炭问题》中提出：当蒸汽机的能效提升后，人们预期煤炭消耗应当下降，但实际结果恰恰相反——更高效的引擎反而刺激了工业的大规模扩张，总煤炭消耗显著增加。这一悖论的核心逻辑在于：效率提升降低了单位生产成本，从而激发了更大规模的需求，最终抵消乃至超越了效率节约的总量。Derya将这一经济学规律应用于AI与科学生产力的关系：AI工具使每个科学家能做的实验多出数十倍，并不会减少对科学家的需求，反而会创造出对"能够驾驭AI工具的科学家"的爆发性需求，并催生出过去根本不存在的新研究方向和职业形态。历史上，电力的普及并未消灭工厂工人，个人电脑的普及并未消灭办公室职员——每一次效率革命的最终结果都是经济总量的扩张与分工的重构，而非单纯的岗位替代。

他指出，人类目前对生物学的理解或许还不到10%，AI将极大加速这一进程，未来可能出现"数以千计坐在电脑前模拟和构建新细胞、新组织的生物工程师"。

他对新一代模型的评价尤为动情：一份报告以极高准确率预测了一个极其复杂实验的结果，让他几乎落泪。"仿佛它拥有了我在实验室工作三十年所积累的同样直觉。"

给所有领域从业者的建议：好奇心与行动力

作为一位习惯了"95%到98%实验失败率"的科学家，Derya 对失败有着天然的韧性。他的核心建议简洁有力：在AI时代，能动性（agency）与好奇心是唯一重要的东西。

"不要害怕，不断尝试，不断用AI做实验。"他强调，过去提出"如果这样做会怎样"的成本极高，而如今实验成本几乎可以忽略不计——无论是几分钟内重构一个网站，还是设计一款产品并3D打印成型。

"你只需要有勇气去实验，因为实验的成本如此之低，为什么不去做呢？"在他看来，AI不是威胁，而是将人类带入"黄金时代"的核心驱动力。"AI研究者对我来说都是英雄，这将是人类历史上最伟大的变革之一。"

核心要点