突发：Claude自主发现未知生物系统，或能编辑基因

先是数学，现在生物学也要被颠覆了？

北京时间周四凌晨， 宣布了一项由 AI 帮助实现的重大科学发现。

在人类科学家只提供高层次研究方向的情况下， 在搜索海量基因组数据库时自主发现了一个此前未被表征的酶系统。这种被命名为 ART（Array- ，阵列关联逆转录酶）的系统具有与 类似的重复 DNA 序列结构，可能代表一种此前未被认识的生物学机制。

这是 分子生物学实验室的首个研究成果， 使用约 950 个 Agent 在 21 小时内消耗约 2.1 亿 Token，从超过 20 万个逆转录酶中筛选候选系统，最终发现了这一特殊的 DNA 结构。随后，人类科学家在实验室中对其进行了初步验证。

表示，这个研究和你与 AI 对话的方式一样，始于一个 ：

ART 的功能仍在研究中，但已知其架构类似于其他可编程生物系统，能够操纵遗传信息。 表示，如果这种人工智能驱动的基因组挖掘能够扩展，它可以将专家研究中的数周或数月压缩到几小时内。

把 ART 类比为 ，后者是近年来生命科学领域最具影响力的技术之一。作为现代基因编辑技术的基础， 最广为人知的应用是「基因编辑」—— 通过 Cas 蛋白对 DNA 进行识别和切割，而逆转录酶能够将 RNA 中的信息写入 DNA。

就是一种由重复序列和间隔序列组成的 DNA 阵列，能够产生不同的 RNA，参与引导相关蛋白质识别目标。

因此，当研究者在一个陌生的生物系统中发现类似的 DNA 阵列，并且它附近还存在具有特殊功能的酶时，就有理由进一步调查这是否也是一种能够利用 RNA 引导酶活动的系统。ART 恰好具有这种值得研究的结构特征，这个可能性也被 准确识别到了。

新闻刚出，大家立刻表示欢迎，有人已经开启了脑洞模式。比如，AI 大佬们的秃头问题就要在这里被终结了：

也有人已经想到了生物学研究将会被加速，快进到逆转衰老：

而 创始人达里奥（Dario ）自己则也表示了乐观，发推说道：「在《 of Grace》中我曾写道 AI 有潜力在 5-10 年内『治愈大多数疾病』，这是一个听起来不可能的目标，但我相信如果将 AI 应用于流程的每个阶段，它勉强是可能的。第一步是证明 AI 首先可以帮助，然后驱动生物学发现。 的发现是几十年来一系列相关前期工作的最新成果…… 我相信我们正处于发现此类系统，并将其发展为生物技术强大工具的开端。」

ART 主要存在于噬菌体中，这是一类感染细菌的病毒，其基因组中包含大量尚未得到充分研究的基因和蛋白质。ART 系统主要由三个部分组成：

其中的单个组件此前已被发现，但它们之间存在一种此前未被完整认识到的系统性关联。 首先通过基因组分析，发现 ART 系统中存在类似 的 DNA 重复序列。基于这种观察， 的生物学研究团队进行了实验。目前公开的一个关键结果是，ART 系统中的重复 DNA 阵列确实能够表达、产生一组不同的短 RNA，这意味着它是具有实际生物学活动的序列结构。

从生物学角度来看，这项发现相当具有吸引力，如果逆转录酶系统能够利用 RNA 识别特定目标，并以可控方式进行 DNA 合成，就可能为核酸操作提供新的技术路径。

另外，ART 具有类似 的重复序列阵列，而且实验已经发现这些阵列能够产生不同的短 RNA，这使得研究人员有动力进一步调查它是否存在某种 RNA 参与的调控或引导机制。ART 功能未知的辅助蛋白究竟承担什么任务，以及它是否与逆转录酶和 RNA 协同工作，也有待后续实验的回答。

过去，我们时常看到 AI 在生命科学领域取得突破。上一个里程碑是 的 ，拿到了 2024 年的诺贝尔化学奖，其能够预测蛋白质结构，帮助研究人员设计新的蛋白质。不过，那时的 AI 更多仅限于工具层面。

这次的研究中，AI 的自主性更进一步， 就像真人科学家一样参与了寻找研究对象、筛选异常现象、判断研究价值和提出科学假设的大量过程。

这是一个真正探索未知的过程，研究人员没有直接告诉 应该寻找 ART，也没有预先指定某一段特殊的 DNA 序列。 需要自己分析不同的逆转录酶家族，寻找可能尚未被研究过的系统，并判断哪些候选对象值得进一步调查。

这意味着 需要在一个高度开放的研究空间中，自己决定应该把计算资源和分析精力投入到哪里。

选择调用多达 950 个 Agent 进行并行研究。这些 Agent 分别执行数据搜索、序列分析、文献调查、候选筛选等任务。在整个过程中， 将超过 20 万个逆转录酶逐步缩小到 3500 个候选系统，最终重点分析其中的 20 个。对于人类专家而言，类似的分析工作可能需要数周至数月。

在 ART 的发现过程中， 在检查某种特殊逆转录酶附近的原始 DNA 序列时，认为其中存在一组排列非常规律的重复序列，让它联想到了 系统。于是 继续进行多项分析，包括统计重复序列的数量、测量间隔、比较已知逆转录酶系统的结构，并检索相关文献，判断此前是否有人报告过这一特征。在完成这些分析之后， 将其作为一个值得研究的新系统，提交给人类科学家审查。

可以看出，AI 这一次在研究过程中，成功作出了一系列探索性决策。

有趣的是，正是因为 AI 有这种潜力， 说他们正在培养 的「科学品味」（ taste）。

由于 能够大量生成科学假设，研究团队现在面临的挑战是训练它判断哪些假设真正值得投入实验资源。 可能会生成数百甚至数千份候选研究报告，但大部分并不值得进一步开展实验。 正在把人类科学家的反馈用于训练 ，让模型逐渐学习人类科学家的研究判断方式。

未来在面临未知问题时，AI 或许可以判断什么值得研究、什么方向更有可能带来新发现了。

参考内容：