克里克研究所十年：AI 时代，生命科学如何打破学科壁垒

2026-11-15 12:35 0 阅读

当 AI 遇见生物学：一个顶级研究所的十年反思

今年是弗朗西斯・克里克研究所（Francis Crick Institute）成立的第十个年头。这十年，恰好也是人工智能从实验室走向大众视野，并迅速渗透进各个行业的爆发期。

作为一家位于伦敦、旨在推动生物医学前沿研究的机构，克里克研究所从一开始就带着某种“反传统”的基因。它不隶属于某所大学，也不依附于单一医院，而是试图建立一个完全开放、跨学科的科研社区。如今，站在第一个十年的节点上，研究所首席执行官 Edith Heard 在《自然》杂志发表文章，回顾了过去，也审视了当下。她不仅是管理者，更是一位深耕表观遗传学多年的科学家。她的视角少了一些行政汇报的套话，多了一线研究者对技术变革的真实触感。

从“繁琐重复”到“理解复杂性”

Edith Heard 的科研生涯始于 20 世纪 80 年代。那是一个属于移液枪、培养皿和漫长等待的年代。如果你想获得一只基因敲除小鼠，或者测序一段基因，可能需要耗费数周甚至数月。资源集中在少数几个拥有昂贵设备的机构手中，实验过程繁琐、昂贵且充满重复性劳动。

那时的生命科学，很大程度上依赖于“还原主义”方法。我们把生物体拆解成分子，把分子拆解成原子，试图通过理解每一个零件来理解整台机器。这种方法功不可没，它让我们对健康与疾病的机制有了深刻的微观理解。但问题也随之而来：当你把所有零件都研究透了，依然无法预测整个系统的行为。

因为生命不是零件的简单堆砌。生物系统的特征往往源自组件之间的相互作用，并且高度依赖这些相互作用发生的环境上下文。为什么同样的基因突变在不同人身上会导致截然不同的疾病进程？为什么某些药物对甲有效，对乙却无效？答案藏在环境、衰老、性别、遗传背景以及它们之间复杂的动态网络中。

过去几十年，生命科学逐渐从单一的还原论转向多学科融合。单细胞测序、空间生物学、先进成像、基因组编辑，再加上现在的计算方法，工具库越来越丰富。而人工智能的出现，则提供了一个处理这种复杂性的新杠杆。AI 擅长在海量、高维的数据中寻找模式，这正是理解生命系统整体行为所急需的能力。

打破墙壁：当航天涂层用于保存脑组织

既然问题变得如此复杂，单打独斗的研究模式就显得捉襟见肘。Edith Heard 认为，现代科学需要一个允许科学家跨越传统界限思考和工作的环境。

克里克研究所的建筑结构本身就体现了这一理念。这里没有按学科划分的楼层，生物学家、物理学家、临床医生和数据科学家可能在同一个咖啡厅讨论问题。这种物理空间上的混合，催生了许多意想不到的合作。

文章中提到了两个有趣的例子。一个是关于神经连接图像的拍摄。为了保存脆弱的脑组织样本，研究人员使用了一种特殊的涂层。这项技术最初并非为生物学开发，而是为了保护航天器免受太空辐射。另一个例子是一种被制药公司弃用的降胆固醇药物，后来被重新发现可用于治疗一种危险的寄生虫感染。

如果没有跨学科的交流，这些“废物利用”或“跨界打击”很难发生。在传统的大学系所结构中，天体物理学家和神经生物学家可能几年都不会说上一句话。而在克里克，共享的基础设施和专业团队让技术得以在新的语境下部署。

Edith Heard 指出：“我看到了一个围绕人和科学问题，而非机构分裂而组织的环境的巨大价值。”这种模式不仅加速了基础发现向临床应用的转化，也让产业界更容易介入，形成良性循环。

AI 是工具，不是答案

尽管 AI 带来了新的可能性，但 Edith Heard 保持着一份清醒的警惕。她强调，先进技术的使用不应取代科学家的核心训练。

目前，AI 在生物学中的应用主要集中在模式识别上。它可以预测蛋白质结构，可以分析病理切片，可以从基因组数据中筛选潜在的风险位点。但 AI 识别出的模式，并不等同于因果关系。它可能会发现两个变量高度相关，但无法解释背后的生物学机制。

因此，AI 的输出必须经过人类的仔细审视和实验验证。如果年轻科学家过度依赖算法给出的“黑盒”答案，而缺乏动手实验和批判性思考的能力，科学发现的根基就会动摇。

“科研人员必须培养好奇心、批判性思维、求知欲和对真理的追求。”这句话听起来像是老生常谈，但在算法推荐一切的时代，显得尤为迫切。初入职场的研究人员需要机会去接触新旧技术，去观察实验中的异常现象，去提出那些算法尚未被训练去回答的问题。

克里克研究所的人才培养策略也反映了这一点。他们从全球招募处于职业生涯关键阶段的科学家，支持他们开展高风险、高挑战的研究。这些人中，有的后来建立了自己的实验室，有的创办了生物技术公司，他们将这种跨学科、重验证的科研文化带到了更广泛的地方。

保护那些“无用”的基础研究

在效率至上的今天，基础研究常常面临质疑：它的价值在哪里？什么时候能落地？

Edith Heard 用 CRISPR-Cas9 的例子做出了回应。这项彻底改变基因编辑领域的技术，最初源自对细菌如何防御病毒的基础性研究。当时的研究者并没有想着要开发一种基因疗法，他们只是好奇细菌是如何存活下来的。然而，正是这种看似“无用”的好奇心，最终催生了一项变革性技术，为无数遗传病患者打开了希望之门。

AI 同样如此。今天的大语言模型和生成式 AI，其底层突破也源于多年前对神经网络基础理论的探索，当时很少有人能预见它在今天的广泛应用。

因此，保护基础研究，就是保护未来的可能性。克里克研究所的一个核心使命，就是为科学家提供这样一个“安全网”，让他们可以探索那些短期内看不到应用前景，但可能从根本上改变我们认知的问题。