來自 Google DeepMind 和耶魯大學的科學家利用新的人工智能發現了潛在的癌症治療途徑，這是醫學研究的一項重大突破。這個名為 C2S-Scale 27B 的 270 億參數模型於 2025 年 10 月 15 日發布。
它分析了單細胞數據，形成了一個新的假設:一種特定的藥物可以增強免疫系統針對“看不見的”腫瘤的能力。研究人員隨後在實驗室實驗中成功驗證了人工智能生成的預測。
這一成功標誌著“人工智能促進科學”的關鍵時刻。它表明大型模型不僅可以處理信息，還可以產生原始的、可測試的想法。這可以加速新療法的開發並改變生物學研究的進行方式。
從虛擬篩選到驗證 發現
癌症免疫療法的一個主要挑戰是許多腫瘤是“冷的”——身體的免疫系統實際上看不見。一個關鍵策略是通過一種稱為抗原呈遞的過程迫使它們顯示免疫觸發信號，從而使它們變得“熱”。
為了找到實現這一目標的方法，研究人員給 C2S-Scale 27B 賦予了高度具體的任務。他們設計了一個“雙上下文虛擬屏幕”來尋找一種充當條件放大器的藥物，模擬 4,000 多種藥物的效果。
“雙重背景”方法是關鍵。該模型必須找到一種藥物，該藥物僅在具有免疫信號的患者相關環境中有效，但在孤立的實驗室環境中無效。這種精度需要復雜水平的條件推理。
人工智能的最佳候選者是 silmitasertib (CX-4945)。該模型預測它會極大地增加目標環境中的抗原呈遞，但除此之外幾乎沒有什麼作用。這是一個新穎的假設，因為之前沒有報導過該藥物與這種特定機制的聯繫。
為了測試該預測，該團隊將該假設從計算機帶到了實驗室工作台。他們使用了人類神經內分泌細胞模型——這是人工智能在訓練過程中從未遇到過的細胞類型。結果令人震驚地證實了模型的假設。
從計算機預測（計算機預測）到實驗室測試（體外）的這一步驟是驗證人工智能驅動的生物學假設的黃金標準。實驗表明，雖然單獨使用藥物或低劑量干擾素效果不大，但它們的組合產生了顯著的協同放大作用。
縮放定律和生成生物學的黎明
Google 的成就為生物學中的“縮放定律”理論提供了有力的證據。這一概念推動了大型語言模型最近的爆炸式增長，它認為，隨著模型變得越來越大，它們不僅會得到改進，而且還可以獲得全新的突發功能。
突發功能是指沒有顯式編程但隨著模型規模和復雜性的增長而出現的能力。對於 C2S-Scale 來說，這意味著它可以執行理解免疫上下文的“if-then”邏輯所需的條件推理，這是較小模型無法完成的任務。
基於 Google 開放 Gemma 2 架構構建的 C2S-Scale 模型通過生成可測試的科學想法證明了這一點。正如 Google DeepMind 的 Shekoofeh Azizi 所解釋的那樣，“這一結果也為新型生物發現提供了藍圖。”
這代表著人工智能從單純的數據分析工具向科學發現的創造性合作夥伴的根本轉變。該模型的成功預示著未來人工智能可以運行大規模虛擬屏幕來揭示複雜的、依賴於上下文的生物機制。
新方法可以大大縮短從初步研究到可行的治療線索的路徑。該團隊表示，它證明更大的模型“可以創建足夠強大的細胞行為預測模型……生成基於生物學的假設”。
開放式“科學人工智能”生態系統中的新工具
C2S-Scale 27B 項目是為科學領域創建專業人工智能的更廣泛行業趨勢的一部分。谷歌一直在積極利用 TxGemma 等模型構建“Gemmaverse”，用於藥物發現。這反映了一種專注於有針對性的高影響力應用程序的戰略。
微軟正在推行類似的“AI for Science”計劃，發布了用於醫學圖像分析的 BiomedParse 等工具和用於發現乳腺癌的異常檢測模型。這些並行努力強調了整個行業的戰略支點。
本著開放科學的精神，Google 和耶魯大學已在 擁抱臉和GitHub。這使得全球研究界能夠以他們的工作為基礎。
這種開放的方法對於科學驗證至關重要。通過發布這些工具，谷歌和耶魯大學邀請了審查和合作，允許其他研究人員複製他們的發現並探索新的假設。它營造了一個更加透明的研究環境。
雖然這一發現是一項里程碑式的成就，但臨床應用之路還很漫長。醫學領域的人工智能面臨著重大障礙，從確保現實世界的可靠性到解決患者數據隱私的複雜道德問題，這是其他大規模健康人工智能所強調的一個問題。
正如 DKFZ 的 Moritz Gerstung 教授在談到類似的預測模型時指出的那樣，“像我們這樣的生成模型有一天可以幫助個性化護理並大規模預測醫療保健需求。”這項工作從純粹的預測轉向經過驗證的發現，使這一願景向現實邁出了關鍵的一步。
