共计 846 个字符，预计需要花费 3 分钟才能阅读完成。
“我们了解基因，却不了解它们的功能。”——这句在微生物研究领域流传已久的话，点明了当前科研的瓶颈。近日，一个由韩国科学技术院（KAIST）与加州大学圣地亚哥分校组成的跨国团队，在《自然·微生物学》上发表了一篇系统性综述，提出了一条利用人工智能破解基因功能谜题的全新路径。
自全基因组测序技术问世以来，科学家们曾乐观地认为生命的密码将被快速破译。然而二十多年过去，微生物基因组中仍有海量基因的功能成谜。传统的实验方法，如基因敲除、表达谱分析等，不仅耗时费力、成本高昂，还受限于大规模实验的操作难度以及生物体内环境的复杂性。
- 
- 
- 
- 
- 
- 
为了突破这一困境，研究团队强调，关键在于融合计算生物学与实验生物学，发展人工智能驱动的全新研究方法。这篇综述系统梳理了从传统序列分析到最新深度学习模型的一系列工具，并指出像 AlphaFold 这样的蛋白质结构预测技术，已经为理解基因功能背后的机制打开了新的大门。生成式人工智能更是将可能性延伸至设计具有特定功能蛋白质的前沿领域。
研究团队以转录因子和酶为例，展示了如何整合基因序列、蛋白质结构及宏基因组数据。他们特别提出，应建立一个“主动学习”的迭代框架。在这个框架下，AI 模型会识别出预测最不确定的部分，并指导研究人员进行针对性的实验验证；实验结果反过来又会“教导”AI 模型，使其预测越来越精准。这种循环能帮助科学家优先攻克最具信息量的关键问题。
实现这一愿景，需要将 AI 模型与自动化实验平台、生物铸造厂等共享基础设施深度结合。研究团队还呼吁，实验中的“失败数据”也应被共享，这些数据同样是训练 AI 模型的宝贵资料。
该研究的共同作者金基培博士指出，当前的核心挑战之一，是开发能对预测结果给出合理解释的“可解释人工智能”模型。领导这项研究的李相烨教授则强调：“关键在于构建一个预测与验证持续循环、相互促进的研究生态系统，将系统化的 AI 指导框架与自动化科研基础设施结合起来。”
这篇题为《人工智能加速微生物基因功能发现》的综述，为加速生命科学的基础发现，指明了一条高效、智能化的新路径。
