Google DeepMind 用于传染病研究的 Co-Scientist

研究人员正在利用 Google DeepMind 的 Co-Scientist 来加速识别分子开关，这些开关会在病原体从动物传播到人类时触发严重疾病（如脓毒症）。这种 AI 驱动的方法已证明能够将识别精确氨基酸靶点的时间线从典型的两到三年实验工作缩短至约六个月。

加速人畜共患病研究中的假设生成

Co-Scientist 通过综合大量已发表的文献和在线资源，使研究人员能够快速生成并确定科学假设的优先级。在实际应用中，剑桥大学的 Clare Bryant 教授使用该工具研究了禽流感和人类流感。通过向系统输入资助提案和研究问题，该工具提供了一组按优先级排序的假设，其中包括研究团队此前从未考虑过的新方向。

从蛋白质识别到氨基酸精度

将 AI 集成到研究工作流程中可以实现靶点的细粒度优化，从广泛的候选蛋白质转向特定的氨基酸。Bryant 教授使用 Co-Scientist 的经验涉及几个关键的优化阶段：

1. 初步筛选：该工具分析资助摘要以提出有前景的假设。
2. 详细分析：在收到完整的项目提案后，Co-Scientist 优先考虑了一个特定的蛋白质，该蛋白质此前并未在研究人员的关注范围内，但与相关的信号通路有关。
3. 迭代优化：通过结合未发表的机密数据，研究人员与 AI 进行反复的互动过程，以不断完善假设，直到达到特定氨基酸的水平。

对实验时间线的影响

Co-Scientist 在此背景下的主要价值在于减少了手动实验的试错过程。Bryant 教授的团队目前正在构建包含已识别氨基酸突变的细胞系，以测试 AI 优化的假设。这一过程预计将在六个月内完成，而传统的实验方法通常需要两到三年才能达到相同的靶点识别水平。

"Co-Scientist 汇集了所有的已发表文献和在线资源，帮助我提出更好的问题。它能捕捉到我在数据丰富的领域中可能会忽略的信息，并帮助我确定优先级，从而让我的团队能够专注于在实验室中回答正确的问题。"

— Clare Bryant 教授，剑桥大学