一周AI前沿速览：从噬菌体设计到社区筛查，人工智能贯通生命科学与健康监测全链条
当人工智能深入生命科学领域，人们关注的焦点已从"模型的准确性"转向更实际的问题——它能否构建出可运行的生物系统、调控复杂的生理过程，并在真实医疗场景中输出可验证的价值。
最近一系列研究横跨多个方向，包括噬菌体全基因组设计、空间蛋白组学分析、视觉皮层电刺激、靶向蛋白降解、疾病风险预测、床旁监测以及社区筛查。其证据来源相当广泛，既有实验室与动物层面的结果，也有人体试验和真实世界项目的反馈。
这些研究的共同信号表明，AI正从单纯的分类任务迈向设计、动态预测与流程整合阶段；但模型表现、实验效果与临床获益依然是三个不同层面的问题。
01 · 基因组生成｜噬菌体｜实验验证
研究不只让模型写出基因组序列，还把候选噬菌体做出来并检验活性，为全基因组尺度的生物设计提供实验证据。
研究以噬菌体ΦX174为设计模板，用基因组语言模型生成具有目标宿主嗜性的完整噬菌体基因组，并在实验室条件下测试其存活与适应度。研究还采用冷冻电镜检查生成噬菌体的衣壳组成，并评估组合使用时对耐受菌株的作用。
实验最终获得16种可存活噬菌体，且呈现不同的适应度特征。冷冻电镜显示，其中一种生成噬菌体在衣壳中使用了进化距离较远的DNA包装蛋白。多种生成噬菌体组成的混合物可快速克服对ΦX174耐受的大肠杆菌菌株，说明模型生成结果能够形成可工作的完整生物系统，而不只是序列候选。
关键数据
这项研究值得关注的地方
把生成式设计从单个蛋白或基因推进到完整基因组，并用培养和结构实验验证其可行性。
注：
证据来自实验室噬菌体与大肠杆菌体系；未报告动物、人体、治疗安全性或临床疗效，不能据此认定已形成噬菌体疗法。
02 · 空间蛋白组｜基础模型｜跨队列预测
研究尝试用同一基础模型贯通蛋白、细胞、微环境与整张组织，并检验其能否跨数据集提取与疗效和预后相关的信息。
研究构建空间蛋白组基础模型VirTues，直接从多重成像数据学习蛋白、细胞、生态位和组织等多尺度表示。单一预训练骨干被用于标志物重建、细胞分割与分型、生态位注释、空间生物标志物发现及患者分层；摘要未披露训练样本量。
VirTues能够在标志物面板和数据集不同的情况下进行零样本注释。在三阴性乳腺癌数据中，模型衍生的生物标志物可预测抗PD-L1化学免疫治疗应答，并在独立队列中分层无病生存；其表现优于从相同数据得到的先进标志物及现行临床分层方案。读者可看到，跨面板知识迁移可能减少空间组学分析对单一队列的依赖。
关键数据
这项研究值得关注的地方
将空间蛋白组中彼此割裂的面板和任务纳入统一表示框架，为跨队列复用信息提供路径。
注：
疗效应答和生存结果属于预测与分层证据，尚不能证明临床决策获益或因果机制。
03 · 视觉皮层｜闭环刺激｜深度学习
研究利用可记录也可刺激的皮层植入物学习个体神经反应，尝试以更低电流、更稳定地逼近目标活动与知觉。
研究在人类视觉皮层双向植入物中，基于逐试次神经记录训练深度学习框架。系统包含实时合成刺激的逆向网络，以及面向精确目标的梯度优化器，并与常规刺激方法比较。摘要未报告受试者人数、试次数或随访时间。
两种控制策略均优于常规方法，在较低刺激电流下更接近目标，并诱发更一致的主观知觉。可实现的神经反应受限于皮层活动内在的低维流形；群体神经活动对报告知觉的预测明显优于单独使用刺激参数。这表明，视觉假体的控制对象可能需要从单个电极参数转向可记录的群体活动状态。
关键数据
这项研究值得关注的地方
在人体植入条件下，把神经记录、刺激选择和知觉报告连接成群体水平的控制框架。
注：
研究证明的是刺激对记录活动的实验控制，不等于已恢复自然视觉或具备普遍临床疗效。
04 · PROTAC｜融合蛋白｜耐药突变
研究借助AI和结构优化设计降解剂，目标是不仅关闭激酶活性，还移除CLIP1-LTK融合蛋白本身。
研究整合三元复合物预测的深度学习模型与基于结构的分子优化，开发选择性降解CLIP1-LTK融合蛋白的PROTAC DCL05。研究在体外及体内模型中，将其与现有激酶抑制剂比较，并覆盖多种与LTK耐药相关的突变背景。
DCL05的半数降解浓度DC50为40 pM，摘要称其具口服生物利用度并显示较强抗肿瘤活性。面对广泛的LTK耐药相关突变，DCL05在体外和体内均持续优于现有激酶抑制剂。结果支持一个设计逻辑：对于同时依赖催化活性和非催化支架功能的融合蛋白，完整降解可能比单纯抑制激酶覆盖更多耐药情境。
关键数据
这项研究值得关注的地方
展示AI预测如何嵌入具体药物化学流程，并把靶点策略从抑制活性推进到清除完整融合蛋白。
注：
证据限于体外和体内模型，不能据此判断患者疗效与安全性。
05 · HIV｜动态预测｜纵向队列
研究把多年CD4相关指标与临床信息连续更新，用于预测抗病毒治疗后免疫重建不完全的长期风险。
研究分析来自中国31个省、2003至2024年的21862名HIV感染者纵向数据，构建免疫重建不完全动态联合预测系统DJPSIIR。模型持续整合CD4+ T细胞计数、CD4/CD8比值及临床参数，并在多个验证队列中与专家判断和19种机器学习算法比较。
DJPSIIR用于预测未来5至7年免疫重建不完全时，受试者工作特征曲线下面积为0.890至0.912，并在多个验证队列中持续优于专家评估和19种机器学习算法。研究说明，连续更新的免疫轨迹可能比单一时间点更适合长期风险分层，但现有结果仍是预测性能证据，并未证明使用该系统能够减少并发症或死亡。
关键数据
这项研究值得关注的地方
以大规模纵向临床数据展示动态预测的优势，贴近HIV长期随访中指标不断变化的真实情境。
注：
属于风险预测研究，主要数据来自中国人群，跨地区适用性仍需验证。
06 · 妊娠糖尿病｜代谢物｜早期分层
研究在孕早期寻找与肠道微生物相关的代谢信号，并用三个代谢物组成简洁模型，接受多队列验证。
这项多中心嵌套病例对照及前瞻性研究共纳入2693名孕妇，整合非靶向代谢组和宏基因组筛选候选信号，再以靶向检测定量3-羟基癸酸、γ-Glu-Leu和丙酸。模型经过重复10折交叉验证，并接受内部、外部及前瞻性验证。
后来发生妊娠糖尿病的女性在孕早期已呈现不利代谢特征；非靶向分析发现14种持续改变的代谢物。三代谢物模型的训练集AUC为0.838，内部验证为0.840，两个外部队列分别为0.955和0.917，前瞻性队列为0.969。结果提示常规诊断前存在可检测的风险信号，但这些代谢物是分层标志物，不代表微生物改变导致疾病。
关键数据
这项研究值得关注的地方
用三个可靶向定量的代谢物压缩复杂组学信息，并通过多层次队列验证早期风险分层能力。
注：
观察性关联不能确立肠道微生物、代谢物与妊娠糖尿病的因果关系；未说明模型是否优于现有临床筛查，也未证明提前应用能改善母婴结局。
07 · 可穿戴超声｜中心静脉压｜床旁监测
研究让可穿戴超声自动追踪颈部血管变化，并与导管同步测量比较，评估其床旁识别静脉压升高的能力。
前瞻性多中心研究纳入两家三级医院重症监护病房的349名急危重症患者。可穿戴超声采集颈内静脉和颈总动脉图像，模型自动测量血管横截面积并结合基础临床参数；同期中心静脉导管测量被用作参照标准。
系统以中心静脉压≥8 mmHg定义升高。整合血管指标和临床参数的模型较常规基线架构提高4%至8%，内部测试集AUC为0.91，外部测试集为0.87；自动分割结果与专家手工测量表现出较强相关性和一致性。研究支持其作为无创床旁评估工具的潜力，但尚不足以证明能够全面替代导管监测。
关键数据
这项研究值得关注的地方
将自动图像分析与柔性床旁设备结合，并以同步有创测量作为参照，推进连续无创监测的可行性验证。
注：
研究评估的是识别压力升高的准确性，并非所有导管功能；未报告连续监测表现、不良事件、结局改善或不同临床状态下的稳健性。
08 · 社区筛查｜胸部X线｜转诊链条
真实世界项目表明，AI胸片可嵌入社区结核筛查，但发现心肺异常不等于患者能完成确诊与后续照护。
研究使用2023年1月至2024年12月尼日利亚两州5个地方政府辖区的常规项目数据，开展非随机描述性分析。93次社区活动以便携式数字胸片和AI筛查6岁及以上人群；疑似结核者接受Xpert检测，其他影像异常者被转诊。
项目共筛查9585人，AI标记3166张异常胸片，占33%。1336人被判为疑似结核，其中1123人提供痰样；204人获细菌学确诊，194人开始治疗。异常胸片中2367张提示心血管或慢性呼吸系统疾病，但只有12%完成转诊。研究提示，筛查工具能扩大入口，真正制约整合照护的可能是确诊和服务承接能力。
关键数据
这项研究值得关注的地方
把AI放入农村社区的完整服务链观察，揭示算法检出率之外，转诊完成与基层承接同样决定项目价值。
注：
这是非随机描述性项目研究，不能单独归因AI带来的增量效果；多数提示心血管或慢性呼吸疾病的异常未经确认，不能视为确诊病例。
01｜从识别走向生成与控制
噬菌体、PROTAC和视觉皮层研究显示，AI的任务正由解释既有数据扩展到生成基因组、优化分子及选择刺激方案。不过，生成候选、实验可行和人体获益仍需分层验证。
02｜静态评分正在让位于动态与多尺度表示
HIV纵向预测、空间蛋白组和可穿戴超声都不再依赖单一时间点或单层特征，而是整合轨迹、组织尺度或时空图像。性能提升是否能转化为更好的决策，仍需前瞻性干预研究回答。
03｜落地瓶颈逐渐从算法转向验证与服务体系
妊娠糖尿病模型和无创静脉压监测强调外部验证，尼日利亚项目则显示，即使筛出大量异常，转诊和确诊能力不足仍会截断价值链。临床实施不能只看AUC或检出数量。
1. King SH, Driscoll CL, Li DB, Guo D, Merchant AT, Brixi G, Wilkinson ME, Hie BL. Generative design of bacteriophages with genome language models. Science. 2026 Aug 6;393(6811):eaec2657.
PubMed：https://pubmed.ncbi.nlm.nih.gov/42561074/
DOI：https://doi.org/10.1126/science.aec2657
2. Wenckstern J, Jain E, von Querfurth B, Cheng Y, Vasilev K, Pariset M, Cheng PF, Liakopoulos P, Michielin O, Wicki A, Gut G, Bunne C. The Virtual Tissues foundation model resolves spatial proteomics across scales. Nature. 2026 Aug 5.
PubMed：https://pubmed.ncbi.nlm.nih.gov/42557331/
DOI：https://doi.org/10.1038/s41586-026-10884-y
3. Moure P, Granley J, Grani F, Soo L, Lozano A, López-Peco R, Villamarín-Ortiz A, Soto-Sánchez C, Liu SC, Beyeler M, Fernández E. Deep learning-based control of electrically evoked activity in human visual cortex. Neuron. 2026 Aug 7:S0896-6273(26)00535-0.
PubMed：https://pubmed.ncbi.nlm.nih.gov/42567157/
DOI：https://doi.org/10.1016/j.neuron.2026.07.006
4. Chen S, Duan H, Zhong S, Ge J, Zhao H, Ye Y, Sun H, Li D, Kang Y, Dong X, Che J, Hou T, Pan P. AI-driven PROTAC design overcomes oncogenic resilience by eliminating the CLIP1-LTK fusion protein. Proc Natl Acad Sci U S A. 2026 Aug 11;123(32):e2535979123.
PubMed：https://pubmed.ncbi.nlm.nih.gov/42561017/
DOI：https://doi.org/10.1073/pnas.2535979123
5. Liu F, Zhang H, Wang X, Huang J, Shi J, Yang Z, Bao J, Zhao H, Pu C, Wang S, Xu A, Wang M, Yan D, Li Y, Sun R, Sheng H, Yu J, Zhang F, Sun L. Dynamic prediction of HIV-related incomplete immune reconstitution: A multicenter, large cohort study using advanced joint modeling. Sci Adv. 2026 Aug 7;12(32):eaeb2781.
PubMed：https://pubmed.ncbi.nlm.nih.gov/42555735/
DOI：https://doi.org/10.1126/sciadv.aeb2781
6. Ma S, Zhang C, Yao Y, Zhou M, Chen A, Chen Y, Chen Y, Wang J, Abudushalamu G, Cai S, Zhao F, Chen D, Li X, Zheng Y, Fan J, Gao X, Liu Y, Fan W, Zhu F, Yang J, Miao M, Fan X, Wu G. A three-metabolite microbiota-associated signature for early risk stratification of gestational diabetes mellitus. Cardiovasc Diabetol. 2026 Aug 7;25(1):214.
PubMed：https://pubmed.ncbi.nlm.nih.gov/42568080/
DOI：https://doi.org/10.1186/s12933-026-03278-x
7. Dong L, Zhang X, Li M, Li Y, Guo J, Lu S, Peng Z, Zheng C, Hui Y, Shao X, Wang F, Jiang W, Li M, Wu X, Guo X, Li Y, Zheng Y, Zhang L. AI-Enabled Wearable Ultrasound for Noninvasive Central Venous Pressure Monitoring. Cyborg Bionic Syst. 2026 Aug 5;7:0653.
PubMed：https://pubmed.ncbi.nlm.nih.gov/42558630/
DOI：https://doi.org/10.34133/cbsystems.0653
8. Okoye C, Ilozumba J, Oko J, Effiong A, Oluokun Y, Eze C, Akaniro O, Ubochioma E, Ugwu CN, Fukunaga R, Rahman T, Bimba J, Creswell J, Ugwu C. Implementing AI-enabled chest X-ray for community-based integrated screening for tuberculosis, chronic respiratory diseases, and cardiovascular diseases in Nigeria. BMC Glob Public Health. 2026 Aug 5;4(1):76.
PubMed：https://pubmed.ncbi.nlm.nih.gov/42557594/
DOI：https://doi.org/10.1186/s44263-026-00313-7
End