AI 在代谢组学的三种研究范式藏在顶刊的12

最近翻了一圈顶刊，发现 AI 进代谢组学，根本不是拼模型多花哨。

真正卡人的是数据太散。同一套模型换批样本就崩，因为仪器、参数、格式全不一样。所以第一篇 Nature Methods 才那么关键——它没搞新算法，而是把公共库里散落的 1.54 亿张谱图，硬是整理成了模型能直接吃的统一格式。

这波研究基本按三层往临床走。底层靠深度学习把杂乱的原始信号洗干净；中间层用图神经网络反推通路，把几千条线索压到几十个可验证的假设；到了顶层，AI 开始帮医生做决定，比如从血浆里揪出慢阻肺的早期苗头。

不过别神化它。有篇基准测试把 8 个主流模型放在一起比，结果扎心：换模型带来的提升，远不如换数据。很多测序错误来自碎片离子覆盖不足——这是谱图本身的物理限制，不是模型不够聪明。

AI 再强，也绕不开实验数据的物理边界。