AI for Biology 进展综述（基于 ICML 2026 GenBio Workshop）

来源： GenBio · 进展综述 播客： ICML 2026 · GenBio 分类： 科学 原文发表： 2026-07-10 纪要生成： 2026-07-13

本文把本届 7 场 invited talk + 1 场 panel 横向打通，按主题而非按人，提炼"生成式与 agentic AI 在生物学当前的具体进展、共识与未决问题"。方括号标注支撑该论点的讲者。workshop 主题为 "Generative and Agentic AI for Biology"，全天分"上午 Agentic AI / 下午 Generative AI"两段，恰好对应本领域正在交汇的两条主线。

规模信号：约 200 篇投稿、~150 篇 poster（两场 poster session）[开场]。核心张力贯穿全场——通用 agent 的编排能力与领域专用模型的原子能力如何分工、如何协同。

---

一、Agentic 范式：从"单 agent"到"agent 组织"，再到"知识 agent 网络"

生物学 AI 的一条主线是"把 agent 数量与组织规模往上推"[James Zou]：

• Virtual Lab（5–8 agent）：模拟一个人类实验室（AI PI + 各领域 AI 学生），设计出比人类最佳更强的抗新冠 nanobody，并湿实验验证 [Zou]。
• Virtual Biotech（数千–数万 agent）：模拟整个药企（CSO、各 division）；用 37,000 个 agent 从文献/FDA 文档中整理临床试验结局，提出单细胞特征（tissue specificity / bimodality score）预测成药性——有此特征的靶点上市概率高 ~48%；在 B7H3 靶点上独立收敛到 Merck 后来获 FDA 突破性认定的 ADC 策略 [Zou]。
• Paper-to-Agent（百万级）：把每篇论文转成"论文 agent"（虚拟通讯作者），实现 <1 美元复现、发现原文错误、并让 agent 之间协作产出新知识（AlphaGenome agent × ADHD-GWAS agent 发现新剪接关联）[Zou]。

这条线的另一半是"专用模型作为 primitives、通用 agent 做编排"的分工范式：Boltz 把结构/亲和/设计模型接入 Claude Code、Codex、Gemini 等 agent，让 agent 自主编排 bispecific 设计流程、自动做 fine-tuning [Jeremy Wohlwend]；Roohani 用 Bio Discovery Agent 把模型先验接回"提出假设→实验→再学习"的迭代闭环 [Yusuf Roohani]。

二、生成式/基础模型：结构、序列、细胞三个尺度全面推进

• 结构预测与蛋白设计：Boltz 专用模型体系（结构→affinity→生成设计），Boltz-Small / Boltz-Prot/PPI 刷新小分子与蛋白设计 SOTA（9 靶点中 5 个找到 binder；蛋白难靶组 40%、易靶组 70% 成功率，每靶仅 15–20 个设计）[Wohlwend]。
• 用结构而非序列注释暗物质：Foldseek 把噬菌体宏基因组的可注释比例从 15% 提到 65%；并把"保守性注释"从单链拓展到多聚体/界面/3D 基序三层，各配数量级更快的算法（Foldseek Multimer、Foldseek Interface、Fold Disco），构建 180 万高置信预测二聚体库 [Martin Steinegger]。
• 基因组语言模型：GLM2（单残基分辨率、多模态）从基因组上下文学到跨蛋白共进化信号；在其上做 Flash PPI，把蛋白互作预测重构为检索任务，实现蛋白组尺度、伪线性时间、仅用序列的微生物 PPI 预测（E. coli 全基因组 3–4 分钟，附残基级界面）[Yunha Hwang]。
• 细胞状态模型：STATE（细胞级注意力 + 可解释 gene-module token）＋推理时上下文内学习定义任意扰动，生成首个器官尺度扰动图谱（Tabula Sapiens 28 组织 × 900 血液扰动），并在 Stanford 真实患者数据验证 [Roohani]。
• 生命科学专用 LLM：GPT Rosalind（对正当研究完全响应、解除软拒绝、兼顾 biodefense）+ LifeSciBench（750 题、>19,000 rubric 条目）[Joy Jiao]。

三、从"复现"到"发现"：评测范式的根本转向

这是本届最尖锐的方法论议题：

• 复现 ≠ 发现：Stanton 主张要评测真正的"发现能力"，给出新型评测"提交"的五要素——开放问题、可证伪发现、验证过程、后续实验、完整研究 trace；并用一周在 Claude Science 里对本 workshop 论文做"后续发现"（如萜类质谱 m/z 203 的新机制解释 + 可做的氢化对照）[Samuel Stanton]。
• benchmark 快速饱和，需转向真实世界发现：Jiao 用四个"落到物理世界"的案例佐证——o3 帮罕见病新诊断 18 例、GPT-5 把 Gibson assembly 克隆效率提 79×、无细胞蛋白合成降本 40%、GPT-5.4 发现 Chan-Lam 反应加 TEMPO 提产率（独立复现 11/14 对 >2×）[Jiao]。
• research taste（科研品味）是下一个前沿：多位讲者与 panel 都指向"选择做什么问题"这一层 [Jiao / panel]。

四、Scaling 的新维度：不只是模型更大

• agent 数量 scaling：从个位数 agent 到百万 agent，解锁不同复杂度任务 [Zou]。
• 设计的 inference-time compute scaling law：Boltz 首次观察到——设计数从 4,000 增到 12,000，hit rate 近翻倍 [Wohlwend]。
• 推理时上下文内学习：无需重训即可定义新扰动、外推到未见组织 [Roohani]。

五、数据是公认瓶颈，且解法正在"系统化 + 让 AI 参与采集"

• 生物"暗物质"靠结构注释才能触及 [Steinegger]；SRA 5 亿+细胞靠 AI agent 策管才能解锁 [Roohani]；高质量 PPI/异源寡聚体数据直接决定模型上限（Flash PPI → Flash PPI 2 的升级即来自 Steinegger 团队新数据）[Hwang]。
• panel 共识：数据是瓶颈，需从 ad hoc 转向系统化采集，让 AI 也参与"采集/设计实验"，且架构与数据格式要协同演化 [panel]。

六、落到物理世界的战绩，与湿实验室闭环的瓶颈

• 已被物理世界验证的成果：nanobody 湿验证、B7H3 独立收敛 Merck ADC [Zou]；克隆/合成/反应产率的真实提升 [Jiao]；Boltz 设计 binder 的实测成功率 [Wohlwend]；器官尺度扰动图谱在患者数据上的验证 [Roohani]。
• 闭环瓶颈不在 AI 而在"实验侧"：Roohani 指出评估系统的成本决定闭环速度；panel 共识湿实验室的基础设施/仪表化（instrumentation）才是瓶颈，扩大验证要靠新生物技术而非 AI [Roohani / panel]。

七、Panel：人-AI 关系与"科学能否被自动化"

panel（Uehara/OpenAI、Stanton/Anthropic、Costa/NVIDIA、Chatterjee/UPenn、Zheng/SJTU）围绕四条主线，最大分歧在人机融合程度：

• Stanton："Claude 已是我的先验，是'我们'一起解题，人机之分或许并不重要"；并论证"自动化需要标准化，而科学需不断创造新标准，故科学不可被完全自动化"，据此界定人类不可替代的使命。
• Chatterjee / Roohani：选择"什么问题有趣"、以及求解背后的人类意义（敬畏、对永恒智慧的追求）是模型尚不具备的能力，"cyborg（人机共生）"关系不会消失；Chatterjee 并借机批评 AlphaFold 式路径。
• 其他共识：agent 时代科学家的判断力/品味/领域知识更值钱；是否"该为喂 LLM 而做实验"、lab-in-the-loop 是否湿实验室最佳路径，仍有争议。

八、共识信号与未决问题

已成共识：

• 两条主线（生成式基础模型 × agentic 编排）正在交汇；"专用模型作 primitives + 通用 agent 编排"是当红分工。
• 评测必须从"复现"转向"真实发现"；benchmark 很快饱和。
• 数据是瓶颈，需系统化采集并让 AI 参与实验设计；开源生态（Foldseek/ColabFold/MMseqs2、PaperClip、STATE、GLM2）已能被通用 agent 直接调用。

公认瓶颈 / 开放问题：

• 湿实验室闭环：瓶颈在基础设施/仪表化与评估成本，非 AI 本身 [Roohani / panel]。
• 模型造不出"新界面/新机制"：界面增长无平台期、现有模型几乎造不出新蛋白界面 [Steinegger]。
• 残基级/上下文信息对泛化至关重要，粗粒度模型难外推 [Hwang / Roohani]。
• research taste 与"问题选择"：AI 尚不擅长判断"什么问题值得做" [Jiao / panel]。
• 安全：能力越强，biodefense 与"解除软拒绝"如何平衡 [Jiao]。

---

一页速览（Highlights）

维度	现状	代表证据
Agentic 规模	单 agent → 万级组织 → 百万知识 agent	Virtual Lab/Biotech/Paper-to-Agent [Zou]
分工范式	专用模型作 primitives × 通用 agent 编排	Boltz×Claude/Codex [Wohlwend]、Bio Discovery Agent [Roohani]
结构/设计	设计 SOTA + 设计的 inference-time scaling law	Boltz [Wohlwend]；Foldseek 三层注释 [Steinegger]
序列/细胞	基因组 LM 检索式 PPI；器官尺度扰动图谱	GLM2/Flash PPI [Hwang]；STATE [Roohani]
评测	从"复现"转向"真实发现"	五要素评测 [Stanton]；LifeSciBench [Jiao]
物理世界战绩	nanobody/B7H3-ADC、79× 克隆、患者数据验证	Zou / Jiao / Roohani
数据	公认瓶颈，转向系统化采集 + AI 参与	SRA 5 亿细胞 [Roohani]；PPI 数据 [Hwang]；panel
瓶颈	湿实验闭环、造不出新界面、问题选择、安全	Roohani / Steinegger / Jiao / panel

---

附：本综述引用人员现职

Invited speakers

姓名	现职（机构 / 角色）
James Zou	Stanford 生物医学数据科学系副教授（兼电气工程与计算机科学系）
Samuel Stanton	Anthropic 生命科学研究团队技术成员（曾联合创办 Coefficient Bio，2026/4 被 Anthropic 收购）
Joy Jiao	OpenAI 生命科学研究团队负责人（哈佛系统生物学博士）
Jeremy Wohlwend	Boltz 联合创始人兼 CTO（MIT，出自 Regina Barzilay 实验室）
Martin Steinegger	首尔国立大学 (SNU) 教授；Foldseek / ColabFold / MMseqs2 作者
Yunha Hwang	MIT；科学非营利组织 Tata Bio 联合创始人
Yusuf Roohani	曾任 Arc Institute 机器学习副主任；Stanford 博士（现创建"AI 引导实验"新方法/公司）

Panelists

姓名	现职（机构 / 角色）
Masatoshi Uehara	OpenAI
Anthony Costa	NVIDIA
Pranam Chatterjee	University of Pennsylvania
Shuangjia Zheng	上海交通大学 (SJTU)
Samuel Stanton	Anthropic（见上）

说明：以上职位以本届 workshop（2026-07）讲者自述与官网信息为准。

原文发表：2026-07-10  ·  纪要生成：2026-07-13