知识卡片：AI嵌入生物学——第二部分

英文标题：Embedding AI in biology — part 2
英文关键词：AI in biology; foundation models; community benchmarks; proteomics; super-resolution microscopy; stem cells; virtual embryos; open science; experimental data
原始来源：Nature Methods编辑社论，volume 23, page 1659 (2026)，在线发表于2026年9月4日。URL: https://www.nature.com/articles/s41592-026-03234-3；DOI: 10.1038/s41592-026-03234-3

一句话结论

在2024年特刊之后仅两年，Nature Methods再次推出“AI嵌入生物学”专题，显示人工智能已渗透到生物学研究的几乎所有角落；当前关键问题已从“AI能否用于生物学”转向如何建立基础模型的评估基准、社区标准与透明性，并确保高质量真实实验数据持续供给。

事件概述或研究问题

这篇社论是Nature Methods 2026年9月“Embedding AI in biology — part 2”专题的导言。两年前（2024年）该刊曾出版AI在生物学中的特刊；两年后，AI不仅覆盖更多生物学科，还影响了科学方法本身和科学出版。本期汇集多篇专家撰写的Perspective、Review与Comment，讨论AI如何转变生物学多个领域，以及社区标准、机遇与挑战。

方法/产品要点

社论提到本期的多项内容包括（具体细节以各原始论文为准）：

• 质谱蛋白质组学（Mann、Zhang、Guo等）：AI预计在蛋白质序列分析、蛋白质与蛋白质/生物分子相互作用、空间蛋白质组学、扰动研究、多组学整合乃至AI虚拟细胞构建中做出贡献。
• 超分辨显微镜（Chen、Zhang等）：计算机视觉AI用于图像重建任务，包括去噪、低光增强、去模糊和超分辨，以纳米尺度理解细胞生物学。
• 干细胞系统（Zernicka-Goetz、Mikut等）：AI用于改进图像分析架构、生成模型进行数据增强，以及开发自动化分析流程。
• 虚拟胚胎（Qiu等）：提出“虚拟胚胎”概念——胚胎发育的完全数字化重建，以捕捉发育过程中的多尺度复杂动态。
• 实验智能（Pinkard & Norlin）：利用科学仪器通常被丢弃的命令、数据和元数据，让AI系统学习如何高水平地开展实验。
• LLM定制软件（Medina & Kornfeld）：用大语言模型为科研应用生成定制软件工具；示例为MOSS（Microscopy Oriented Segmentation with Supervision），一名只有有限软件开发经验的研究者在数周内构建完成。
• 基础模型基准测试（Saez-Rodriguez、Stolovitzky等）：指出现有评估基础模型能力的方法不足，并提出严格且有意义的评估指南。
• 开放与可持续AI（Psomopoulos、Tosatto等）：讨论生命科学中开放、可持续AI的重要性，并提出实施建议和生态系统组成。

主要结果或产业意义

从社论本身无法获得上述各论文的具体研究结果或量化性能数据。社论层面的主要判断是：

• 本期专题汇集了AI在蛋白质组学、超分辨成像、干细胞分析、虚拟胚胎等方向的机会与案例。
• 社区标准至关重要，包括模型可复用性、可重复性和可持续性；对AI工具进行严格基准测试是非常重要的发展方向。
• 社区基准将有助于判断新AI工具是否代表真实进展，而不是跟风式地堆叠模型。
• 社论强调，AI不能脱离高质量的真实实验数据而存在，数据生成者和数据存储库必须持续得到支持。

为什么重要

这篇社论是方法学领域的风向标：AI已经从单点分析工具变成贯穿数据获取、图像处理、实验设计和软件开发的基础设施。相比2024年的第一辑，本次专题更突出“评估与治理”议题——尤其是基础模型在生物学中快速应用时，基准测试、可复用性、可重复性、开放性和透明性成为最急迫的问题。对图书、PPT或简报而言，它可以作为“AI生物学应用第二阶段”的权威引证。

局限与不确定性

• 本知识卡片基于社论摘要，各领域论文的具体方法细节、验证结果和适用边界需查阅对应原始文章，本卡片不替代原文。
• 社论指出“基础模型正在广泛生物学领域获得关注，但健全的评估方法仍然缺乏”，具体基准指南内容待核实。
• 关于虚拟胚胎的可行性、MOSS与其他分割工具的对比结果等，社论未提供细节，均待核实。
• 社论提及AI正在改变科学方法和科学出版，但未展开论证；具体论述指向其参考文献，本文无法进一步确认。

可用于图书/PPT/简报的角度

• 以“AI在生物学的应用版图”为题：蛋白质组学、成像、干细胞、发育生物学、实验自动化、科研软件几乎全覆盖。
• 以“从2024到2026：AI嵌入生物学如何升级”为题：对比两期特刊，展示关注点从工具应用扩展到基准测试和社区标准。
• 以“AI基础模型的评估真空”为题：引用Saez-Rodriguez等的观点，说明没有可靠基准时AI模型难以被公平比较。
• 以“数据仍然是AI的燃点”为题：强调高质量真实实验数据不可替代，防止过度聚焦算法而忽视数据基础设施。
• 以“单人之力+LLM构建科研软件”为题：MOSS案例是“AI辅助科研工具开发”的生动故事，适合科普或宣传。