Nat. Biotechnol.综述 | 走向整体建模 “生命语言” 的通用AI

一项近日发表在Nature Biotechnology的综述系统总结生物学相关的AI工具，展望其发展，并讨论面临的挑战[1]。

作者们看好这些AI模型在多智能体协作自主完成复杂任务[2]、多模态整合加速科学发现[3]以及更好地构建虚拟细胞模拟其活动并预测干扰响应[4]等方面前沿的进展；并提出将来构建

更通用的生物学AI

（Generalist biological artificial intelligence (GBAI）实现

从分子到病理更多模态的建模整合

，从而

更深度地回答科学问题乃至开发新疗法

[1]。

作者们认为通向这种通用生物学AI还存在

基座模型能力、生物系统的复杂性、训练数据稀缺、实验验证等多方面的挑战

[1]。

现有生物学AI工具的应用前沿：智能体（Agents）协作多工具调用自主完成任务、多模态整合加速科学发现以及更好地构建虚拟细胞获取机制见解和预测干扰响应[1]。

未来的通用生物学AI建模/整合从分子到病理更多模态数据来回答更复杂的科学问题[1]。

通用生物学AI还面临模型架构表现力、生物系统复杂性、多模态整合、训练数据以及实验验证等方面的挑战[1]。

该项工作的通讯作者是哈佛医学院Pranav Rajpurkar和Scripps Research Eric J. Topol；2026年3月20日在线发表在Nature Biotechnology[1]。

Comment(s):

非常

系统的总结

和

前瞻的展望

，即便作为

生物学AI工具的概览框

也值得收藏。

这种AI工具的现有表现和未来发展对

获取进一步生物学数据的新方法开发也有一定的指导意义

[5]。

参考文献：

[1] V. M. Rao et al., “Generalist biological artificial intelligence in modeling the language of life.,” Nat. Biotechnol., 2026, doi: 10.1038/s41587-026-03064-w.

[2] A. E. Ghareeb et al., “A multi-agent system for automating scientific discovery,” Nature, pp. 0–1, May 2026, doi: 10.1038/s41586-026-10652-y.

[3] Y. He et al., “Generalized biological foundation model with unified nucleic acid and protein language,” Nat. Mach. Intell., vol. 7, no. 6, pp. 942–953, 2025.

[4] Y. H. Roohani et al., “Virtual Cell Challenge: Toward a Turing test for the virtual cell,” Cell, vol. 188, no. 13, pp. 3370–3374, 2025.

[5] D. Wang, R. Villenave, N. Stokar-Regenscheit, and H. Clevers, “Human organoids as 3D in vitro platforms for drug discovery: opportunities and challenges,” Nat. Rev. Drug Discov., vol. 25, no. 3, pp. 204–226, 2026.

原文链接：