270亿参数的AI模型，从4000多种药物中成功筛选出能使肿瘤对免疫系统可见的关键药物，并经实验室验证，为癌症免疫疗法开辟全新道路。
谷歌DeepMind与耶鲁大学的科学家们联合取得一项重大突破，他们开发的一款人工智能模型不仅生成了全新的癌症治疗假设，更在实验室中得到了验证。
这项研究于10月16日公布，标志着AI在科学研究领域实现了从分析工具到创新引擎的跨越。
该成果聚焦于癌症免疫治疗中的一个核心难题——如何将“冷”肿瘤转化为“热”肿瘤，即让那些对免疫系统“不可见”的肿瘤变得能够被免疫细胞识别和攻击。
01 智能突破
谷歌DeepMind与耶鲁大学的研究团队推出的Cell2Sentence-Scale 27B（C2S-Scale） 是一款专为单细胞分析设计的270亿参数基础模型。
该模型基于谷歌的开源Gemma模型家族构建，能够理解细胞语言并预测复杂的生物学过程。
谷歌首席执行官桑达尔·皮查伊在推特上表示，这一发现可能“揭示出开发抗癌疗法的新有希望的途径”。
在科学研究中，AI正从数据分析工具升级为能够生成新假设的伙伴。
02 “冷”肿瘤难题
癌症免疫疗法面临的最大挑战之一是“冷肿瘤”问题。许多肿瘤对免疫系统不可见，因此无法从免疫治疗中获益。
正常情况下，肿瘤细胞出现后，免疫系统会派出免疫细胞对其进行围剿。但冷肿瘤能巧妙伪装自己，不仅不吸引免疫细胞聚集，甚至会释放信号抑制免疫细胞活性。
解决这一难题的关键在于找到一种方法，通过抗原呈递过程，迫使这些“冷”肿瘤展示能触发免疫反应的信号，从而变“热”。
03 双重筛选策略
研究团队为C2S-Scale 27B设计了一项复杂任务——寻找能充当“条件性放大器”的药物。
这种药物需要在特定免疫情境下才能增强免疫信号。
研究人员设计了一个双重上下文虚拟筛选方案：在“免疫情境阳性”环境下，模型分析来自真实患者的样本数据，这些样本保留了完整的肿瘤-免疫细胞相互作用和低水平干扰素信号。
在“免疫情境中性”环境下，模型则分析孤立的细胞系数据，其中不含任何免疫环境信息。
团队模拟了超过4000种药物在这两种环境下的效果，要求模型预测哪些药物能仅在阳性环境下促进抗原呈递。
04 从预测到验证
模型的预测结果非常清晰：它发现激酶CK2抑制剂silmitasertib（CX-4945） 表现出显著的“上下文分裂”效应。
该药物在免疫环境-阳性设定中能显著增强抗原呈递，而在中性环境中几乎无效。
尽管CK2被认为与多种细胞功能包括免疫调节有关，但此前从未有文献报道通过silmitasertib抑制CK2能明确增强MHC-I表达或抗原呈递。
在项目的下一阶段，团队在人类神经内分泌细胞模型中测试了这一假说——这是一种模型在训练期间完全未接触过的细胞类型。
实验结果令人振奋：单独使用silmitasertib或低剂量干扰素效果有限，但两者组合产生了协同放大效应，使抗原呈递增加了约50%。
05 未来应用前景
这一发现的意义远超单一药物作用机制的理解。
它证明遵循缩放定律并构建大型模型，能创建出足够强大的细胞行为预测模型，用于进行高通量虚拟筛选和发现依赖于特定条件的生物学现象。
目前，耶鲁大学的团队正在进一步探索这一新发现机制，并在其他免疫环境中测试更多AI生成的预测。
通过进一步的临床前和临床验证，这些假说最终可能加速新疗法的开发进程。
06 AI驱动科研新时代
这项研究的价值不仅在于发现了一条潜在的癌症治疗新途径，更在于为生物发现提供了全新蓝图。
它展示了一条利用大规模AI系统进行虚拟药物筛选，并提出生物学基础假设以供实验室测试的完整路径。
专家们提醒，这些发现仅是漫长过程的第一步。结果尚未经过同行评审或临床验证，任何治疗应用都需要数年的额外研究和试验。
尽管如此，这一突破表明更大的AI模型可以在生物研究中获得全新的能力，而不仅仅是改进现有任务。
AI与生物医学的深度融合正在改写科学发现的规则。谷歌DeepMind与耶鲁大学的合作证明，大规模AI模型不再仅仅是数据分析的工具，而是能够生成全新科学假设的合作者。
尽管从实验室到临床应用仍需数年时间，但这条AI驱动的新药研发路径已经清晰可见。C2S-Scale 27B模型及相关资源已向研究社区开放，可能催生更多创新发现。
AI生成科学假说的时代，已经到来。
关注 “悠AI” 更多干货技巧行业动态
相关文章
