Nature Methods 社论:将AI嵌入生物学

人工智能正在迅速改变生物数据获取和分析的方式，几乎没有哪个生物学研究领域未受到影响。

在 Nature Methods，我们始终关注新技术，也乐于看到新技术如何推动生物学研究领域发生变化。然而，我们也没有预料到，人工智能（AI）会如此迅速而广泛地进入我们所覆盖的几乎所有研究领域，更不用说它还在改变科学方法本身[1]以及科学出版[2]。

两年前，我们曾推出一期关于先进AI技术在生物学中应用的专题，其中包括多篇由领域专家撰写的文章，讨论AI如何改变不同方向的生物学研究[3]。仅仅两年之后，又到了再次更新的时候。本期中，我们邀请多位专家介绍AI正在如何改变不同研究领域，并讨论相关机遇、挑战，以及围绕AI使用建立社区标准的需求。

在一篇 Perspective 中，Matthias Mann、Bing Zhang、Tiannan Guo 及其同事讨论了AI有望在基于质谱的蛋白质组学研究中作出重要贡献的若干方向[4]。这些方向包括蛋白质序列分析、蛋白质与其他蛋白质及生物分子的相互作用、空间蛋白质组学和扰动研究，也延伸至更具挑战性的领域，例如多组学整合，乃至基于AI构建虚拟细胞。

Liangyi Chen, Yang Zhang 及其同事的一篇 Review 则深入讨论了计算机视觉领域的AI技术如何用于改进超分辨率显微成像，特别是在去噪、低照度增强、去模糊和超分辨率重建等图像重建任务中的应用，从而帮助研究者在纳米尺度上理解细胞生物学[5]。

在另一篇 Perspective 中，Magdalena Zernicka-Goetz、Ralf Mikut及其同事聚焦于AI如何被引入干细胞系统分析[6]。相关方法包括用于改进图像分析的模型架构、用于数据扩增的生成模型，以及自动化分析流程的开发。

Xiaojie Qiu 及其同事的一篇 Comment 则探讨了一个更具前瞻性的概念——虚拟胚胎（virtual embryos），即对胚胎发生过程进行全数字化重建，以刻画发育过程中复杂的多尺度动态变化[7]。

本期还有两篇文章关注AI如何支持实验室中的实际工作。一篇由 Henry Pinkard 和 Nils Norlin 撰写的 Comment 指出，科学仪器运行过程中产生、但通常会被丢弃的指令、数据和元数据，未来或可被AI系统利用，用于学习如何在更高层面开展实验[8]。不过，要真正利用这些数据，研究人员需要重新思考哪些数据应当被保存，以及需要建立何种程度的质量控制和人工监督。

Nelson Medina 和 Joergen Kornfeld 在另一篇 Comment 中讨论了如何利用大语言模型，为科研应用生成定制化软件工具，而不必依赖专业软件工程师[9]。他们以MOSS（Microscopy Oriented Segmentation with Supervision）为例说明这一过程：一名软件开发经验有限的研究人员，仅用数周时间就构建出了这一图像分割工具。

随着AI模型迅速进入越来越多的生物学领域，如何评估模型性能，以及如何保证模型的可复用性、可重复性和可持续性，都将需要相应的社区标准。基础模型——即在广泛、异质的数据集上训练的大规模机器学习系统，这些数据往往跨越不同领域或数据模态——正在多个生物学方向中受到关注，但目前仍缺乏能够全面评估其能力的稳健方法。

Julio Saez-Rodriguez、Gustavo Stolovitzky 及其同事的一篇 Perspective 分析了现有模型评测中的不足与挑战，并提出了开展严格且有意义评估的建议[10]。Fotis Psomopoulos、Silvio Tosatto及其同事的另一篇 Perspective 则讨论了开放、可持续AI在生命科学研究中的重要性，并提出了推动其实施的建议和所需的生态系统组成部分[11]。

AI显然是一项具有颠覆性的技术，而这种变化才刚刚开始。当前既有高度期待，也存在完全合理的谨慎和担忧。严格的方法学论文将尤为重要：AI工具应经过充分验证，并与当前最先进的方法进行基准比较。毕竟，一项新方法只有在透明、可信的前提下才真正有用。

社区基准同样至关重要，它们可以帮助研究人员公平评估新的AI工具在现有方法体系中的位置，以及这些工具是否真正为生物学研究带来了实质性进展。科学界需要持续评估和讨论AI在生物学研究中的使用，同时建立有关AI方法如何报告、评估和应用的标准。其中，AI使用过程的透明性尤为重要。

尽管当前生物学研究乃至更广泛领域都充斥着对AI的关注，我们绝不能忘记：如果没有高质量、真实的实验数据作为训练基础，AI本身将无从发挥作用。实验数据的持续产生仍然至关重要，而提高数据质量和通量所依赖的技术与方法创新同样不可或缺。我们需要确保数据生产者，以及存储和提供这些数据的关键数据库与资源能够持续得到支持，并使这些基础工作继续成为这一快速变化的科研生态中不可缺少的一部分。

References：

1. Nat. Methods 23, 865–866 (2026).

2. Nat. Methods 23, 271 (2026).

3. Nat. Methods 21, 1365–1366 (2024).

4. Sun, Y. et al. Nat. Methods https://doi.org/10.1038/s41592-026-03085-y (2026).

5. Li, S. et al. Nat. Methods https://doi.org/10.1038/s41592-025-02871-4 (2025).

6. Deininger, L. et al. Nat. Methods https://doi.org/10.1038/s41592-026-03202-x (2026).

7. Cao, N. et al. Nat. Methods https://doi.org/10.1038/s41592-026-03055-4 (2026).

8. Pinkard, H. & Norlin, N. Nat. Methods https://doi.org/10.1038/s41592-025-02995-7 (2025).

9. Medina, N. D. & Kornfeld, J. M. R. Nat. Methods https://doi.org/10.1038/s41592-026-03210-x (2026). 

10. Saez-Rodriguez, J. et al. Nat. Methods https://doi.org/10.1038/s41592-026-03182-y (2026).

11. Farrell, G. et al. Nat. Methods https://doi.org/10.1038/s41592-026-03037-6 (2026).