AI辅助蛋白设计实现线粒体DNA精准编辑，'通用细胞空间'打通跨物种比较：生物研究正在进入智能时代

生物研究正在经历一场静悄悄的工具革命：越来越多难题的突破口，不在显微镜下，而在算法里。最近两周，两条新闻把这种趋势摆到了台面上——一条关乎线粒体DNA的精准编辑，一条关乎跨物种的细胞比较，背后都有AI的影子。

先说第一条。北京大学汪阳明团队与西湖大学卢培龙团队合作，基于人工智能辅助的蛋白从头设计策略，研发出一种高精准的线粒体DNA胞嘧啶碱基编辑器，命名为DdCBE-TOD，实现了单碱基精度的定点编辑。线粒体DNA突变是多种神经肌肉疾病和代谢疾病的主要致病因素，但线粒体结构复杂、递送困难，一直是基因编辑最难攻克的'堡垒'之一。这次研究的意义在于：AI不仅能'设计'新蛋白质，还能帮科学家'量身定制'出能钻进线粒体干活的编辑工具。

蛋白从头设计（de novo design）是近几年的热门方向——不是改造现成的蛋白，而是从氨基酸序列开始'凭空'设计出具有特定功能的新蛋白。过去这靠试错，现在AI让'设计-预测-验证'的循环快了很多个数量级。线粒体碱基编辑器DdCBE-TOD的诞生，就是这个循环的一次成功示范。

再看第二条，细胞生物学和AI的碰撞更彻底。科学家开发了两个AI模型：一个叫通用细胞嵌入（UCE），能把不同细胞放进同一个坐标系里；另一个叫TranscriptFormer，直接学习了12个物种共1.12亿个细胞的基因表达数据。这两个模型合在一起，建立起一个'通用空间'，让跨物种比较细胞变得容易得多。

这个'通用空间'意味着什么？以前要比较人和小鼠的免疫细胞，得先处理数据格式、批次效应、物种差异这些麻烦事，现在可以直接把两类细胞'扔'进同一个空间里看它们的相对位置。对研究人类疾病、筛选细胞治疗方案来说，这种跨物种的'参照系'价值巨大——很多在动物模型上有效的方案，能不能推广到人，可以先在'通用空间'里快速预判。

把这两条新闻连起来看，能读出2026年生物学研究的一个明确趋势：AI正在从'辅助分析数据'升级为'参与设计实验工具'。过去AI干的是读数据的活，现在开始干'造工具'的活——设计蛋白、构建模型、预测结构，AI深度介入的程度越来越深。

当然，也有需要冷静看待的地方。AI设计出的工具，最终还是要回到实验室验证；模型预测的规律，必须经得起湿实验的检验。AI降低了试错的成本，但没有消除试错的必要。对科研工作者来说，与其担心'被AI取代'，不如想想怎么把AI变成自己的'外挂'。

线粒体DNA编辑的难度，外行可能感受不到。线粒体是细胞的'发电厂'，但它有自己独立的DNA，而且藏在双层膜结构里，普通基因编辑工具根本进不去。过去针对线粒体DNA突变，医学界基本无计可施，只能对症治疗。这次AI辅助设计的DdCBE-TOD能实现单碱基精度编辑，等于给'发电厂'装了一台可以精准检修的机器人——对线粒体遗传病研究来说，这是从'无解'到'有解'的转折点。

'通用细胞空间'这类模型的想象空间则更大。细胞生物学研究最头疼的问题之一，是数据孤岛——不同实验室、不同物种、不同条件下的细胞数据格式各异，很难直接比较。UCE和TranscriptFormer构建的'通用空间'，相当于给细胞研究造了一张'世界地图'：不管细胞来自哪里，都能在地图上找到坐标。这张地图对药物研发的意义尤其大——早期筛选药物靶点，可以在'地图'上先做跨物种预判，减少无效实验。

AI在生物学里的角色演变，值得仔细想想。第一阶段，AI是'读数据'的——图像识别、序列分析，替代人眼；第二阶段，AI是'找规律'的——从海量组学数据里挖掘关联；现在到了第三阶段，AI开始'造工具'——设计蛋白质、构建模型体系。每一次角色升级，都意味着生物学实验的'试错成本'大幅下降。对年轻研究者来说，'湿实验+AI'的复合能力正在成为标配——只会跑胶不会写代码的科研人，未来的路会越来越窄。

从线粒体编辑器到通用细胞空间，这些进展的共同点是：生物学的问题，正在用计算机的方式回答。这场智能化的工具革命，才刚刚开始。