在当今科技高速发展的时代，人工智能（AI）已渗透到我们生活的方方面面，其在诸多领域展现出的强大能力令人瞩目。特别是在科学研究领域，AI工具已经帮助人类突破了以往难以逾越的障碍。例如，AI在蛋白质结构预测方面取得了革命性进展，显著加速了药物发现和生物工程的进程。我们见证了AI如何辅助设计出能有效降解塑料的酶，以及构建出可中和蛇毒的蛋白质，这些成果无疑为解决全球性挑战带来了新的希望。然而，在AI光环日益膨胀的背景下，一个关键问题值得深思：AI真的能无差别地理解和处理所有复杂的科学问题吗？尤其是在生物学这样高度复杂且动态变化的领域，AI是否已经能够洞察其所有奥秘？
事实可能并非如此简单。生物系统固有的复杂性远超我们的想象，其内部机制并非简单的线性叠加，而是涉及多层次、多维度的相互作用。尽管AI在某些生物学分支取得了突破，但这并不意味着它能轻易掌握生物学全貌，更不能替代大量繁琐却必不可少的实验过程，甚至可能误导我们跳过对动物研究等重要环节的深入探索。当前，一个显著的案例就是AI在预测基因活动方面的表现。近期一系列研究，特别是来自海德堡的研究团队——Constantin Ahlmann-Eltze、Wolfgang Huber和Simon Anders——所进行的工作，为我们敲响了警钟。他们的研究清晰地揭示了，在理解和预测基因活动这一生物学核心过程中，当前的AI工具仍面临严峻挑战，其预测能力甚至未能超越某些极为简化的基线模型。这无疑是对AI“万能论”的一种有力纠偏，提醒我们在追求AI赋能科学的同时，必须正视其固有的局限性。
基因活动的复杂世界与AI的早期尝试
基因活动，简而言之，就是细胞中特定基因被“开启”并产生信使RNA（mRNA）的过程。并非每个细胞内的所有基因都处于活跃状态，它们的表达模式受到细胞类型、发育阶段、环境刺激等多种因素的精确调控。有些基因提供基础维持功能，始终高水平表达；另一些则只在特定细胞类型中活跃，如神经细胞或皮肤细胞；还有些基因在特定条件下（如缺氧或高温）才会被激活。长期以来，科学家们通过基因芯片、高通量测序，特别是单细胞RNA测序等技术，对不同条件下细胞内所有基因的活动模式进行了海量研究。这些数据积累为我们描绘了一幅宏大而复杂的基因活动图谱，也为训练能够预测基因活动变化的AI模型提供了潜在的基础。
Ahlmann-Eltze、Huber和Anders团队所关注的正是这些基于单细胞基因活动数据训练的“基础模型”（Foundation Models）。这些模型通常在海量通用数据上进行预训练，旨在捕捉生物系统的普遍规律，之后再针对特定任务进行微调。理论上，它们应该能够学习并预测基因在各种扰动下的响应。然而，生物学数据的内在特性，如高维度、非线性、噪声大以及强烈的背景依赖性，使得任何模型都面临巨大挑战。一个基因的表达并非孤立事件，而是嵌在一个巨大的调控网络中，与其他数千个基因和调控因子相互作用，共同决定了细胞的最终状态。这种深层关联性和环境敏感性，是AI在生物学领域深入理解的难点所在。
AI在预测基因调控中的表现分析
该研究团队的核心任务是评估这些AI基础模型在预测基因扰动后基因活动变化方面的能力。当一个或多个基因的活性被刻意改变时（例如通过CRISPR基因编辑技术激活或失活），细胞内不仅可能出现目标基因mRNA水平的改变，更可能引发一系列连锁反应。有些基因编码的蛋白质是转录因子，能够调节数十甚至数百个下游基因的表达，导致大范围的基因活动重编程。还有些基因的改变可能影响细胞代谢，进而间接影响几乎所有基因的表达水平。更为复杂的是，当两个基因同时被扰动时，其效应可能并非简单的叠加。有时，两个基因的功能存在重叠，导致某些变化被放大或抑制；更多时候，它们之间可能产生意想不到的协同或拮抗作用，生成全新的基因表达模式。
为了系统性地探究这些效应，研究人员采用了“Perturb-seq”等前沿技术。这些技术允许他们通过CRISPR技术精确地改变一个或多个基因的活性，然后通过全RNA测序来精确捕捉细胞内基因表达的全面变化。通过这种方式获得的数据，既可以帮助科学家理解特定基因的功能，又为评估AI模型的预测能力提供了金标准。Ahlmann-Eltze、Huber和Anders团队利用一个大型Perturb-seq数据集对预训练的AI基础模型进行了额外的微调。他们使用了100个单基因激活实验和62个双基因激活实验的数据进行训练，随后让这些AI模型预测另外62对双基因激活实验的结果。作为对比，他们还设置了两个极其简单的基线模型：一个模型始终预测基因活动没有任何变化，另一个则预测为简单的加性效应（即基因A和B的激活效果等于单独激活A的效果加上单独激活B的效果）。
令人失望的预测结果
实验结果令人惊讶且发人深省：“所有模型的预测误差都显著高于加性基线模型。”这意味着，这些复杂的深度学习模型在预测基因活动的综合变化方面，甚至不如简单的叠加法则。无论采用何种精度测量指标，AI模型的表现都未能达到预期。问题的症结似乎在于，训练后的AI基础模型在预测多基因扰动导致复杂模式（特别是基因之间存在协同作用）时表现极差。“深度学习模型很少能正确预测协同作用，更罕见的是这些预测能被证实是正确的。”研究人员指出。在一个专门针对基因间协同作用的独立测试中，所有AI模型均未显示出比“预测无变化”的简化模型更优越的性能。这无疑是对当前AI模型在处理生物学非线性、高维复杂系统方面能力不足的有力例证。
审慎评估：AI能力边界的再认识
这项研究的核心结论非常明确：“鉴于我们刻意简化的基线模型，既无法真正代表生物学的复杂性，却也未被基础模型超越，我们得出结论，后者旨在提供细胞状态的通用表征并预测尚未进行实验结果的目标仍遥不可及。”这番话语重心长，它并非否定AI在生物学领域的全部价值，而是提醒我们必须对其能力边界有清晰的认识。
“遥不可及”并非“永不可能”，这并不意味着我们永远无法开发出能有效解决这一问题的AI系统，也不意味着所有细胞状态的预测都如此困难（这项研究的结论主要针对基因活动），更不代表AI无法应用于生物学的其他方面。然而，这项工作为当前弥漫的AI乐观主义热潮提供了宝贵的警示。在AI于少数几个领域取得突破性成功后，我们很容易产生一种错觉，认为AI即将能够通用地应用于所有领域，解决一切难题。但生物学，尤其是其深层的调控机制和动态响应，远比图像识别或自然语言处理等任务更为复杂，它不仅需要识别模式，更需要理解驱动这些模式的潜在生物学逻辑。
未来的AI在生物学应用中，可能需要更深入地结合生物学领域知识，开发出能够捕捉非线性相互作用、多尺度关联和动态变化的创新算法架构。同时，我们也不能忽视传统实验生物学的重要性。计算预测和实验验证应是相辅相成的，而非相互替代。只有将数据驱动的AI方法与假设驱动的实验研究紧密结合，并充分尊重生物系统本身的复杂性和不可预测性，我们才能真正解锁生命科学的奥秘，实现AI在生物学领域更深层次、更具突破性的应用。这项研究提醒我们，在拥抱AI的巨大潜力的同时，保持科学的严谨和审慎的态度至关重要。每一次失败的尝试，都是对已知边界的拓展和对未来方向的指引，帮助我们更清晰地认识到，真正的智能并非仅仅是海量数据的处理，更是对深层规律的洞察与理解。
