谷歌AI與帝國理工攜手探討細菌基因轉移的新假說。

細菌廣泛存在于我們周圍的環境中，它們生存與進化的方式和速度經常挑戰人類的想象。即使是現在，有關微生物的各個方面仍存在不少未解之謎。

在細菌的高速進化中，除了基因突變，還有一種更高效的方式：基因水平轉移（horizontal gene transfer），讓耐藥性、毒力等關鍵特征能在不同細菌之間迅速擴散。這背后的一類分子就是噬菌體誘導染色體島（phage-inducible chromosomal islands, PICIs）。

而有這么一類更神秘：能形成衣殼的cf-PICIs。科學家發現它們竟能跨物種傳播，但具體機制一直沒搞明白。直到帝國理工學院與 Google Research 聯合提出一個新問題：能不能讓 AI 來幫我們提出假設？

相關的研究成果以「AI mirrors experimental science to uncover a mechanism of gene transfer crucial to bacterial evolution」為題，于 2025 年 9 月 9 日發布在《Cell》。

論文鏈接：https://www.cell.com/cell/fulltext/S0092-8674(25)00973-0

AI co-scientist

為探索 AI 在構思具有創造性、新穎性與影響力的假設方面的潛力，研究團隊測試了一種名為 AI co-scientist 的新型系統，研究對象則是上文中提到過的 cf-PICIs，一種能自己形成衣殼的噬菌體衛星病毒。它們被發現可以跨物種傳播，但機制一直未明。

在過去的幾年里，相關實驗室一直致力于破解這其中的秘密，并在不久前拼湊出了解決方案。憑借這一知識，并確信科學界尚未意識到這一突破，該團隊向 AI co-scientist 提出了一個假設：相同的 cf-PICIs 如何在不同的細菌物種中存在。

圖示：AI 是如何發現基因轉移機制的。

考慮到該系統并未專門接受噬菌體或衛星生物學或細菌進化方面的訓練，團隊假設這將提供一個無偏見的測試其生成強大假設的能力。不過結果顯然出乎了他們的預料。

AI 的首個回答就擊中了要害：它提出 cf-PICIs 的跨物種傳播依賴于衣殼與噬菌體尾部的模塊化組合。也就是說，cf-PICIs 自己能形成衣殼，但尾部必須借助不同噬菌體的「配件」，才能感染新宿主。

包括這個回答與其余的四個回答，AI 以優先級和可能性為其排序，并使用基于 Elo 評分的錦標賽框架對假設進行排名。它們分別為：

1.衣殼-尾相互作用：cf-PICIs 衣殼與廣泛輔助噬菌體尾部的相互作用；

2.整合機制：cf-PICIs 如何整合到不同細菌物種的基因組中；

3.進入機制：cf-PICIs 除傳統噬菌體受體識別之外的替代進入機制；

4.輔助噬菌體和環境因素：研究輔助噬菌體和更廣泛的生態因素在 cf-PICIs 轉移中的作用；

5.替代轉移和穩定機制：其他可能有助于 cf-PICIs 拓寬宿主范圍的轉移機制，如接合、細胞外囊泡（EVs）和獨特的穩定策略。

相比之下，研究團隊讓其他大模型也試了一遍：GPT、Claude、Gemini、DeepSeek……結果都沒有提出正確的機制。只有 AI co-scientist 正中靶心。

假設的發現與驗證

衣殼-尾相互作用被評為最有希望的假設，在該研究中，團隊展示了 cf-PICIs 形成了一個新的生物實體，由 cf-PICI 基因編碼的衣殼包裝的 cf-PICI DNA 組成。這些衣殼沒有尾巴，無法傳播到新的細菌宿主。

由于噬菌體和衛星的宿主范圍由它們的尾巴決定，尾巴與細菌表面結構結合，因此這種機制解釋了為什么相同的 cf-PICIs 出現在不同的物種中。根據使用的尾巴不同，cf-PICI DNA 被傳遞到不同的宿主。

后續的實驗進一步證明：些無尾的 cf-PICIs 病毒衣殼可以與感染不同物種的噬菌體的多個尾結合，這種能力是由適配器和連接器這兩個 cf-PICIs 編碼的蛋白質介導。通過在兩個 cf-PICIs 之間交換這些蛋白質，團隊證明了它們的表達決定了尾結合特異性，從而決定了宿主范圍。

而 AI co-scientist 關于研究衣殼-尾相互作用的建議極具洞察力，在其合理且之前未被探索的想法中，研究團隊認為，其所提出的，對囊膜和尾部的保守區域與適配蛋白表征方面的研究非常有針對性。

團隊表示，如果能早些獲取這些想法，研究的進程也許早就不會是現在這樣。

圖表：不同 AI 系統的比較。

AI co-scientist 的假設反映了團隊所走過的實驗路徑，卻排除了由人類主觀意識與偏見所帶來的障礙。在團隊為它設計的驗證中，他們確實觀察到 cf-PICIs 能與不同噬菌體的尾部模塊結合，在剝奪尾部的情況下，cf-PICIs 的跨物種傳播能力就消失了。

這印證了 AI 提出的機制，也為理解細菌如何快速傳播耐藥性提供了直接證據。

AI 與科學家的新關系

AI 在增強生物研究全科學流程方面展現出革命性的潛力，本次實驗僅僅是提供了一個具體例子，說明了此類系統如何有助于假設生成和實驗規劃。

研究員自己也強調：AI 并不是替代，而是補充。它能幫人類更快縮小可能性范圍，把寶貴的實驗資源投向最值得驗證的方向。像 cf-PICIs 這樣的分子機制，如果能更早揭示，就能幫助研究者更好預測并控制耐藥基因的擴散。