2010 年，史丹佛大學的遺傳學家兼心臟病學家 Euan Ashley 領導了首次人類基因組的臨床分析，他的 31 人團隊耗時九個月才完成。
本週，Ashley 在整理假期行李時，請舊金山 Anthropic 公司開發的 AI 工具 Claude 分析他自己的基因組，標準與當年相同。
分析僅花了 30 分鐘，便準確識別出阿茲海默症的風險基因變異，以及影響藥物代謝的基因變異（Ashley 曾在 2012 年分析過自己的基因組，但未發表結果）。Ashley 在 LinkedIn 上寫道：「這絕對是令人驚嘆的。」
6 月 30 日，Anthropic 推出了名為 Claude Science 的平台，該平台專為生物學研究而設計。此工具加入了由科技公司和學術實驗室開發的、供科學界使用的通用 AI 工具行列。其他工具包括舊金山 OpenAI 的產品，以及加州山景城 Google DeepMind 的 Co-Scientist。另一款開源工具 Biomni，由學術研究人員開發，並於昨日在 Science 期刊上發表。研究人員表示，還有許多其他類似工具。
加州南舊金山新創公司 Phylo 的共同創辦人兼總裁 Yuanhao Qu 表示：「過去需要數小時的工作，現在只需幾分鐘。我可以真正將時間花在需要人類參與的科學研究上。」
這些工具，有時被稱為「AI 科學家」，它們基於驅動聊天機器人的大型語言模型，協助科學家處理文獻回顧、數據分析、圖表生成和論文準備等任務。它們是一種代理式 AI（agentic AI），能將請求分解成多個步驟，並經常需要調用外部軟體系統。
這些科學代理與 AlphaFold 蛋白質結構預測模型等更專業的研究工具不同，但它們可以利用客製化模型。例如，倫敦公司 Boltz 的共同創辦人兼執行長 Gabriele Corso 和他的團隊，就曾指示一個 Claude 代理設計一種能識別兩種治療標靶的抗體，並利用該公司用於蛋白質摺疊預測和設計的開源 AI 工具。
AI 的輸出與蛋白質設計師的直覺一致；Corso 的團隊並未進行實驗驗證這些設計，但他表示，其他由 AI 代理製作的抗體已經過實驗驗證。Boltz 的工具是 Claude Science 和其他 AI 科學家可以互動的數十種專業軟體系統之一。
英國劍橋大學的免疫學家 Clare Bryant 是 Co-Scientist 的早期使用者，該工具能從科學文獻和其他來源挖掘資訊以產生科學假設。Bryant 當時正在研究人畜共通傳染病對免疫反應的影響，她向該工具提供了她的研究計畫和進一步的數據。
它產生的一些想法無法實現，但另一些則非常符合她實驗室的研究方向。她的團隊目前正在測試一個來自 Co-Scientist 的想法：在先天免疫蛋白中引入特定突變，並觀察其對流感感染的影響。Bryant 說，她最終可能也會自己想到這個實驗，但可能需要兩年時間。
史丹佛大學的生物醫學科學家 Gary Peltz 表示：「你感覺就像在與一位神諭對話。」他曾使用 Co-Scientist 識別現有藥物，可用於治療一種稱為肝纖維化的疾病的類器官模型。
許多科學家已經在使用 Claude 等 AI 工具來生成簡報投影片和草擬電子郵件。但舊金山雲端平台 Benchling 的總裁兼共同創辦人 Ashu Singhal 估計，只有不到 20% 的實驗室已將 AI 科學家完全融入其研究中。他說：「人們實際嘗試這些工具非常重要，而不是僅僅相信新聞標題的內容。」
Singhal 建議研究人員試用幾種工具，找出適合不同任務的工具。像 Co-Scientist 這樣的假設生成 AI，可能在專案的早期階段有所幫助。之後，像 Claude Science 和 Biomni 這樣的工具，則可以執行特定任務，例如基因組數據分析。
Corso 建議研究人員從小型任務開始，其輸出可以輕鬆驗證。「最壞的情況是，你必須重新做一遍。」他說。
本週的 Science 期刊論文顯示，Biomni 在某些任務上的表現與專家相當，包括罕見疾病診斷和細胞定序數據分析，而且通常只需一小部分時間。但研究人員表示，在需要深度生物學思考的其他任務上，它的表現則不盡理想。
威斯康辛州莫格里奇技術學院的計算生物學家 Anthony Gitter 表示，他對 Biomni 印象深刻。「我嘗試用它做的一些事情效果很好，有些則崩潰得很厲害。」他說。
為了進一步測試該工具和其他幾種通用 AI 工具，他將它們納入一項 2025 年的社群挑戰賽中，該挑戰賽旨在預測臨床前藥物的重要特性，例如毒性。參賽作品的評分標準是預測結果與一家生物技術公司提供的未發布實驗數據的吻合程度。AI 工具的表現尚可，但不如包括大型製藥公司在內的人類專家。「它們做的事情大致合理，」他說。「但並沒有突破界限。」
這些科學 AI 不一定每次都要正確才能有用。但研究人員表示，它們最重要的特徵之一是能夠解釋它們是如何得出特定輸出的，無論是假設還是分析結果。Gitter 補充說：「在使用這些工具時，了解它們提出的主張以及這些主張是如何被支持的，是我的責任。」在他的實驗中，有些模型的表現比其他模型更好。
對 Ashley 而言，代理式 AI 工具對他的研究具有革命性。「生產力的提升是巨大的，簡直無法言喻。」他說。
但他以及 Nature 採訪的其他科學家，對 AI 科學家可能帶來的負面後果深感擔憂，特別是對早期職業生涯的研究人員，甚至是跨領域工作的資深科學家。「你只有在自己犯過很多次錯誤後，才能學會識別某些類型的錯誤。」Gitter 說。
Bryant 鼓勵她的學員使用 Co-Scientist 等工具來幫助形成研究想法，但她希望能夠教導他們何時應該質疑 AI 的使用。「我有經驗知道什麼時候東西不對。」Bryant 說。「我最大的問題是，我該如何訓練學生。」
