夜雨聆风AI 不再只是工具：CSHL 第 90 届 Symposium 释放了哪些生命科学信号？
2026 年 5 月 26–31 日，Cold Spring Harbor Laboratory（CSHL）举行了第 90 届 Quantitative Biology Symposium。
这项始于 1933 年的系列会议，长期站在生命科学前沿。今年的主题只有四个词：
AI in Biology。
一篇会后发布的 LinkedIn 笔记，对会议中的部分报告进行了整理。结合 CSHL 官方议程，可以看到一个清晰趋势：
人工智能正在从生物学的辅助分析工具，逐步变成驱动下一代科学发现的基础设施。
过去，生命科学常常面临数据不足的问题。如今，单细胞测序、空间组学、蛋白结构、病理影像和高通量实验带来了海量数据。真正稀缺的，已经不只是数据，而是把数据转化为知识、因果关系和可验证假说的能力。
1. 基因组学：从读取序列走向理解调控
在基因组学领域，AI 模型正在尝试回答一个经典问题：
一段 DNA 序列发生改变后，细胞究竟会发生什么？
新一代基因组基础模型，不再局限于预测某个变异是否“有害”，而是希望同时推断：
基因表达是否改变 剪接模式是否异常 染色质可及性如何变化 转录因子结合是否受到影响 三维基因组结构是否被重塑
这对肿瘤研究尤其重要。癌症基因组中不仅有点突变，还有扩增、缺失、倒位、染色体碎裂和 ecDNA 等复杂结构变异。未来真正有价值的模型，需要把这些改变放回细胞状态和组织环境中理解。
但目前的挑战也很明确：罕见细胞类型、疾病状态、结构变异以及多突变组合的数据仍然不足。模型可以发现相关性，却未必真正掌握因果机制。
2. 从观察数据转向因果扰动
现代生命科学已经积累了大量“细胞现在是什么样”的数据。
但科研真正关心的往往是另一个问题：
如果改变一个基因、加入一种药物、切换一种微环境，细胞接下来会怎样？
这也是为什么 CRISPR 筛选、饱和突变实验和高通量报告基因实验越来越重要。它们提供的不是静态描述，而是扰动后的因果信息。
未来值得期待的科研模式是 lab-in-the-loop：
AI 根据已有知识提出最值得验证的实验。 实验平台完成扰动和测量。 新数据反馈给模型。 模型更新假说，并提出下一轮实验。
在这个闭环中，AI 不只是“读结果”，还开始参与决定“下一步做什么”。
3. Virtual Cell：在计算机里先做一次实验
Virtual Cell，也就是数字细胞，是近年 AI 生物学最受关注的方向之一。
它的理想目标不是制作一个静态细胞图谱，而是建立可以模拟细胞行为的计算模型。例如：
模拟基因敲除后的变化 模拟药物处理后的反应 模拟疾病进展和耐药演化 模拟细胞在不同组织环境中的状态转换
真正困难的地方在于，细胞不是孤立存在的。它会受到免疫细胞、基质、营养条件、空间位置和时间过程的共同影响。
因此，Virtual Cell 的下一阶段，需要把单细胞组学、空间转录组、病理影像和动态扰动数据结合起来。模型不仅要知道细胞“是什么”，还要预测它“会变成什么”。
4. 蛋白设计：AI 正从预测走向创造
AlphaFold 让蛋白结构预测进入了新阶段。但现在，研究者已经不满足于预测天然蛋白质的样子。
AI 正在被用于设计：
新型功能蛋白 抗体 酶 细胞治疗工具 具有特定结合能力的分子
换句话说，AI 正从“解释自然界已有的蛋白质”，转向“创造自然界尚未出现的蛋白质”。
这一方向同样受到现实条件约束：计算机可以快速生成大量候选序列，但湿实验验证仍然昂贵且缓慢。如何让生成模型和自动化实验平台真正协同，是下一步的关键。
5. 空间生物学：位置本身就是信息
过去的组学研究常常把组织拆散成单细胞，再分析每个细胞的表达特征。
但在真实组织中，细胞所处的位置、周围有哪些邻居、是否靠近血管、免疫细胞是否能够进入肿瘤核心，都可能决定疾病进展和治疗响应。
空间转录组、蛋白定位和病理影像模型正在补上这一维度。
对肿瘤研究而言，这意味着未来不能只讨论“某个细胞表达了什么”，还要问：
这个细胞在哪里？它与谁相邻？它所处的生态位如何塑造其命运？
6. AI Agents：未来科研助手会做什么？
另一个不断升温的方向，是面向科学研究的 AI Agents。
理想状态下，科研 Agent 可以完成一系列长流程任务：
阅读和筛选文献 整理数据库 生成分析代码 调用生物信息学流程 比较模型结果 提出可验证假说 形成研究报告
这并不意味着 AI 会简单替代科学家。
真正重要的问题是：如何建立可靠的人机协作模式？如何验证 Agent 的推理过程？如何让论文、实验记录、阴性结果和数据处理步骤更容易被机器读取和追溯？
AI Scientist 的价值，不是把科研变成自动流水线，而是帮助研究者更快地探索更大的假说空间。
7. 对肿瘤进化与 ecDNA 研究的启发
如果把这些趋势放到肿瘤异质性和 ecDNA 研究中，可以看到几个很具体的方向。
基因组基础模型 + ecDNA 结构变异
ecDNA 不是简单的基因拷贝数增加。它涉及环状扩增子、断点、染色体碎裂、三维互作和癌基因转录调控。
未来模型需要同时理解“结构”和“功能”。
单细胞与空间组学 + 克隆演化
不同 ecDNA 拷贝数的肿瘤细胞，可能具有不同适应能力和药物敏感性。单细胞和空间组学可以帮助我们观察这些克隆如何竞争、迁移和形成耐药生态位。
Virtual Cell + 药物压力模拟
如果数字细胞能够预测药物处理后的状态转换，就有机会模拟：
ecDNA 的不均等分配 肿瘤克隆筛选 耐药亚群扩张 联合治疗的最佳时机
AI Agent + 实验闭环
科研 Agent 可以从文献和数据库中提出候选靶点，自动生成分析代码，并根据实验结果迭代下一轮假说。
这可能是 AI 真正融入科研日常的入口。
结语
这场会议释放出的信号，不是“AI 可以帮助生物学家提高效率”这么简单。
更深层的变化是：
生物学正在从描述生命，走向预测生命、模拟生命，甚至设计生命。
AI 模型能否真正推动下一代医学创新，最终仍取决于高质量数据、因果扰动实验和严谨验证。但可以确定的是，AI 已经不再站在生命科学研究的外围。
它正在进入实验设计、机制推演和知识发现的核心环节。
参考资料：
Kavita Kulkarni. Life is programmable, once data becomes knowledge. LinkedIn, 2026. Cold Spring Harbor Laboratory. 90th Symposium: AI in Biology. 2026.
延伸阅读：
LinkedIn 原文：https://www.linkedin.com/pulse/cshl-ai-biology-symposium-kavita-kulkarni-tfgge/ CSHL 官方会议页面：https://meetings.cshl.edu/meetings.aspx?meet=SYMP
仅供学术交流，不构成医疗建议。
