南京大学张辰宇团队首创“人工智能生物学”（AI Biology）新学科，开启“生物学3.0”新时代

编辑丨王多鱼

排版丨水成文

在生命科学领域，一个长期困扰研究者的难题始终存在——我们已经能够看清基因、蛋白与单个细胞的分子细节，却依然难以回答“生命为何如此运转”这一根本性问题。

来自南京大学生命科学学院的张辰宇教授团队，以近二十年的持续探索，正式提出并系统构建了“人工智能生物学”（AI Biology，AIBIO）这一全新交叉学科，这被认为是继“生物学 1.0 ”（基于博物学研究方法的早期生物学研究时代）、“生物学 2.0”（DNA 双螺旋结构发现至今的现代生物学研究时代）之后的“生物学 3.0”时代。

2026 年 10 月 22 日，张辰宇教授团队在Vita期刊发表了题为：AI Biology: a new discipline for discovering principles of life and disease emergence（人工智能生物学：一门探索生命和疾病涌现原理的新学科）的专家观点（Expert Views），系统阐述了“人工智能生物学”（AI Biology，AIBIO）这一前瞻性观点。

张辰宇教授

在过去二十年中，基因组编辑、单细胞多组学、冷冻电镜和高分辨率成像等技术彻底改变了生命科学。然而，从发现到转化之间仍存在持续的鸿沟。这一鸿沟反映了多个长期存在的瓶颈：异质性高维数据整合困难、还原论在解释非线性多尺度现象方面的局限性、生物尺度间的割裂，以及理论与实验之间缓慢的预测-验证循环。这些问题的根源不仅在于数据或工具的不足，更在于缺乏一个能够整合多模态信息、捕捉涌现特性、建模多尺度动态，并持续实现计算与扰动之间闭环的学科级框架。

与此同时，人工智能（AI）在表征学习和生成建模方面取得了突破性进展，尤其是基于 Transformer 架构的序列学习能力显著增强。在生物学领域，AI 已展现出捕捉潜在规律的能力，其中最突出的应用体现在蛋白质结构预测方面。这些进展表明，AI 不仅可以作为辅助分析工具，还能成为生物学的认知框架和理论构建引擎。这促使我们建立“人工智能生物学”（AI Biology，AIBIO）这一新学科。

人工智能生物学的核心概念与理论基础

人工智能生物学的定义：生命涌现与生物智慧

AIBIO 是一门研究生命涌现和生物智慧规律的新兴交叉学科。AIBIO 面向生命科学中核心的“为什么”问题：为什么生命能够形成？为什么生命活动以特定方式组织并稳定？为什么普遍存在的模式会在不同尺度上反复出现？

在此，生命涌现并非复杂性的泛化同义词，也不局限于器官层面的现象。它指的是一个跨尺度的过程，涵盖分子、细胞、组织、有机体、种群和生态系统，其中系统级的结构、动力学状态和功能从局部相互作用、反馈和时空耦合中诞生。涌现特性并非以相同形式存在于较低层次，也无法通过线性叠加或单一组分机制得到充分解释，这与“多即不同”的普遍原则相呼应。关键在于，生命涌现是由跨尺度耦合塑造的：自下而上的相互作用产生新的集体行为，而自上而下的约束（例如组织架构、生理学、环境）选择并稳定特定的状态。

在 AIBIO 中，生物智慧被严格用于非拟人化的意义。它指代原理级的规律性：紧凑、可迁移且可证伪的数学约束，用以解释为什么生命系统在物理、化学和进化约束下能反复实现鲁棒性、稳态、适应性、可进化性和循环出现的编码架构。一个候选的“智慧级”陈述必须：i）能泛化到单一数据集、模型或生物背景之外；ii）明确其有效域；iii）预测其失效的条件。在这种意义上，生物智慧是对“为什么”的原理级回答，它超越但不可脱离于机制层面的“如何”。

涌现、生命涌现与疾病涌现：究竟研究什么

为了明确 AIBIO 的理论目标，有必要区分三个相关概念。

涌现（emergence）指的是由非线性相互作用产生且在组分层面不存在的宏观特性⁴。AIBIO将涌现不仅视为描述性标签，更视为科学对象：识别使涌现特性可预测和可证伪的最小组织变量、耦合规则和稳定性条件。

生命涌现（life emergence）是涌现的一个特殊类别，其中学科研究跨越生物尺度的规律、模块、网络、空间模式、状态转换、吸引子、振荡、临界点，以及通过跨尺度约束稳定的功能（鲁棒性、稳态、适应性控制）。因此，AIBIO 研究：i）涌现结构（模块、网络、空间模式）；ii）涌现动力学（状态转换、吸引子、振荡、临界点）；iii）涌现功能（鲁棒性、稳态、适应性控制）；iv）可以数学表达并经实验检验的跨尺度普遍性。

疾病涌现（disease emergence）遵循同样的逻辑。AIBIO 将疾病视为一种涌现的、多层次表型，而非单层缺陷。一个实用的原理级描述是：疾病反映了生命系统在特定时空背景下进入适应不良的状态，这由分子程序、细胞状态、组织微环境、机体生理和外部生态之间的相互作用所塑造。这与“疾病即网络”和“疾病即状态转换”的视角一致：疾病通常源于网络扰动，并可以被构建为复杂调控系统中动态“吸引子”状态之间的转换，包括微小扰动引发巨大转变的临界转换。在这种观点下，干预不仅是“修复一个分子”，而是将多尺度系统从适应不良的状态引导回适应稳定性。对于临床转化，这一观点指向具体的可操作输出：i）状态转换的早期预警指标；ii）定义状态而非孤立单一标志物的生物标志物组合；iii）改变系统状态而非仅抑制一个分子的组合扰动策略；iv）用于预测治疗反应的个性化数字孪生。因此，AIBIO 通过将分子靶点嵌入多尺度状态空间和干预设计中，延伸而非取代了以靶点为中心的思维。

DIKW 作为操作逻辑：从数据到统一规律（“为什么”）

AIBIO 可以通过 DIKW 层级——数据→信息→知识→智慧（Data → Information → Knowledge → Wisdom）——进行操作组织，这对于区分预测和原理特别有用。

数据是多模态、多尺度的测量（序列、组学、空间谱、成像、生理学、行为、环境）加上扰动。AI 的核心任务之一是表示学习：将异质信号转换为计算嵌入。

信息在 AI 提取结构和模式（模块、网络、轨迹、空间组织）时出现。以网络为中心的机器学习提供了从数据到结构化生物关系的关键方法论路径。

知识是在信息被组织成预测性和可操作的模型时形成的，理想情况下包含因果内容。这包括提出扰动并预测其效果的模型，从而生成实验上可证伪的假设。

智慧是 AIBIO 的学科定义目标：可形式化、可泛化且可反驳的统一原理——数学定律——能够回答跨系统（包括生命涌现和疾病涌现）的“为什么”。通过将这种 DIKW 上升过程制度化，AIBIO 旨在将生物学从以机制为中心的科学（“如何”）推向以原理为中心的科学（“为什么”），同时保持实验证伪作为最终标准。

AIBIO 的核心概念与理论基础

为避免概念膨胀，AIBIO 智慧级主张必须是操作上可证伪的，而非仅具修辞吸引力。一个候选原理应指定可测量或推断的序参数或集体变量，并明确有效域——适用的生物、细胞类型、疾病、时间尺度或环境。它应以明确的数学形式表达，如等式、不等式、标度关系、类守恒约束、权衡、吸引子结构或转换规则，并应针对通过随机化、打乱相互作用或匹配边际获得的明确零模型进行评估。关键的是，它必须产生具体的扰动预测——当组分、背景或约束改变时会发生什么——以及相应的失效标准，指定哪些实证结果会反驳或限制该原理。按照这一标准，“疾病是一个吸引子”这样的陈述还不是原理；只有当其状态变量、状态边界、扰动响应和可反驳条件被明确陈述并在实验上可检验时，它才能成为原理。

为什么将人工智能生物学建立为一门学科：必要性与重要性

现代生物学日益面临仅靠局部机制无法给出普遍解释的问题。高维多模态数据集比以往任何时候都更全面地捕捉生物现实，但它们也增加了积累碎片化机制故事而无法收敛到统一原理的风险。同时，转化研究需要能跨个体、背景和尺度泛化的预测性稳健模型——而这正是涌现现象所在。

AIBIO 是必要的，因为它提供了一个学科级框架来：i）整合多模态/多尺度证据；ii）从复杂观测中发现组织变量和支配规则；iii）形成可证伪的原理；iv）通过扰动和验证闭合回路。这一雄心呼应了早期从非线性动力系统观测中推断支配规则的工作，但由于现代 AI 和测量技术，现在在生物学尺度上变得可行。

三个具体问题说明了 AIBIO 寻求超越现有框架的方向。第一，遗传密码的架构：为什么标准翻译使用 20 个氨基酸核心和三联体密码子？经典的“冻结事故”观点强调历史偶然性，但定量分析表明标准密码子占据错误最小化景观的特权区域。AIBIO 可能有助于整合化学约束、密码子突变邻域、翻译错误和合成密码子设计，以测试标准密码子是否反映了结构化、可导航的编码景观。第二，进化的几何学：适应是否只是随机变异后跟随选择，还是适应轨迹反复流经受限通道，就像水流过预先雕刻的河床？渠道化（Canalization）和适应度景观（Fitness Landscape）思想已经表明变异在结构化空间内运作。AIBIO 可能有助于整合基因型-表型图谱、生态背景和进化轨迹，以测试适应流是否服从可识别的统计、几何或动力学规律性。第三，疾病状态的持续性：为什么癌症、代谢紊乱和神经退行性变如此稳定且难以逆转？动态网络生物标志物理论表明疾病进展涉及可检测的前转换状态；AIBIO 可能通过结合表示学习与扰动设计和治疗性状态引导来扩展这一理论。

AIBIO 的重要性兼具科学性和实用性。在科学上，AIBIO 为关于生命和疾病涌现的以原理为导向的理论构建提供了家园。在实践上，它实现了一种新的研究引擎：由数据持续更新并通过实验挑战的模型，加速医学、合成生物学和环境系统中的发现到转化的周期。

与现有学科的区别

AI for Biology（AI4Bio），是将 AI 作为工具来改善已建立的生物学工作流程——例如图像分割、表型识别、序列分析或特定任务预测。这些进展很有价值，但它们通常使生物学的概念框架保持不变：AI 提高了效率，而生物学仍以局部机制积累为中心。

AIBIO在其学科级输出和认知目标上有所不同，它使用 AI 作为认知和建模框架，将生物学重建为“为什么”，并使用生物学视角来审视复杂系统中鲁棒学习和适应的意义。预期的产出不仅是工具，还包括跨尺度的新概念、范式和统一定律，并且这些产出在实验上可证伪。

这澄清了与相邻领域的边界。系统生物学强调整合机制思维和跨层次建模，通常带有强先验假设和明确方程。生物信息学强调数据管理、分析和统计基础设施。AIBIO 包含了两者，但其定义特征是 DIKW 驱动的向原理的上升，将涌现（包括疾病涌现）作为核心目标，并将闭环验证作为学科规范。一个具体的操作区别是：系统生物学通常从已知变量、定义明确的途径和明确指定的方程开始，而 AIBIO 恰恰在相关变量、尺度和耦合规则先验未知且必须从多模态扰动数据中归纳出来时被需要。因此，AIBIO 与系统生物学并非截然分开；它是一个更高层次的合成，增加了三个学科定义的要求：面向原理的输出、跨尺度涌现作为核心对象，以及闭环实验证伪作为规范。

AIBIO vs AI for Biology 及相邻学科

人工智能生物学的研究场景及其促成的变革

多模态整合：迈向承载原理的生物图谱

AIBIO 需要连接序列、结构、单细胞状态、空间背景、生理和环境的统一表示。整合的单细胞分析体现了跨数据集和模态的对齐问题，而深度学习扩展了细胞成像中可测量的表型空间¹⁴。当图谱不再是描述性目录，而是暴露跨尺度约束和候选组织变量的预测对象时，多模态整合就变得具有变革性。

可解释与因果建模：从相关性到可证伪的“为什么”假设

寻求原理的生物学需要其解释能经受住扰动考验的模型。特征归因方法（例如 SHAP 和积分梯度）提供了有用的起点，但本身并不能建立因果关系。富含扰动的设计——包括混合 CRISPR 筛选和单细胞扰动分析（例如 Perturb-seq）以及多重 CRISPR 读出——提供了从预测到因果知识的更直接路径，而 AIBIO 最终要求这种扰动一致的因果解释。例如，从单细胞数据推断的细胞间通讯程序可以提示肿瘤中可实验检验的干预点。在 AIBIO 框架中，目标不仅是预测结果，还要识别解释为什么系统稳定在特定状态（健康或疾病）的最小因果结构。

数字孪生与闭环科学：跨健康-疾病状态引导系统

数字孪生——由真实数据持续更新的虚拟对应物——正在成为复杂系统中的通用范式。在生物学中，全细胞计算建模指向了整合的基因型到表型引擎。AIBIO 通过耦合数字孪生与算法规划和学习来扩展这一方向。强化学习和基于模型的规划展示了系统如何通过迭代模拟和反馈改进决策，为 AI 引导的实验选择提供了模板。一个具体的 AIBIO 闭环周期包含五个组件：i）模型预测系统状态及校准的不确定性；ii）主动学习或贝叶斯优化算法选择信息量最大的扰动；iii）实验实施扰动——例如通过 CRISPR 敲除、RNAi 敲低、药物治疗或环境改变；iv）多模态读数（单细胞、空间、成像、功能测定）更新模型及其不确定性估计；v）候选原理根据预先指定的失效标准被保留、修订或拒绝。因此，该回路不仅是“预测-测试-更新”，而是一个结构化管道，其中模型的评估依据是其设计能以预测方式改变生物状态的扰动的能力。在医学中，这提供了一条将疾病解释为多尺度适应不良状态并理性设计干预措施以将系统引导回适应稳定性的路径。

生成式生物学：设计作为理解的严格检验

AIBIO 将生成不仅视为工程，而且视为认知验证：如果一个模型真正捕捉了生物约束，它在原则上可能能够生成与这些约束一致的可行候选者。基础生成建模思想已演变为分子对接和设计的强大工具，包括基于扩散的从头蛋白质设计（RFdiffusion）和学习表示序列设计（ProteinMPNN）。在 AIBIO 中，这种生成能力被解释为对推断的“规则”是否反映真实生物约束的压力测试：成功且实验功能性的生成是模型已捕捉到支配生存力或特异性规则空间一部分的正面证据，而系统性生成失败则标记出推断原理不完整的地方，并指出下一步必须添加哪些约束。

一个以 RNA 为中心的说明：RNA 程序作为涌现和疾病的跨尺度控制变量

RNA 生物学是 AIBIO 的一个特别强的试验场，因为它连接了序列、结构、动力学（加工、衰变、定位）和调控，同时提供了丰富的扰动选项。在传统的以“如何”为中心的框架中，RNA 研究通常积累机制（因子、基序、修饰）。在 AIBIO 的“为什么”框架中，RNA 成为更深层次问题的窗口：为什么某些调控架构反复出现，为什么特定的动力学状态（缓冲、切换、滞回）被稳定，以及嘈杂的分子组分如何产生可靠的细胞状态控制。

沿着 DIKW 路径，转录组和空间测量提供高维数据；AI 提取信息为潜在RNA程序、轨迹和调控模块；结合扰动，模型可以构建预测和控制状态转换的知识。AIBIO 的目标是智慧：可证伪的原理，描述为什么基于 RNA 的调控稳定特定的涌现状态，无论是适应性的还是适应不良的。虽然尚未有完整的 AIBIO 闭环在 RNA 系统上实验证明，但以下场景说明了这种循环可能包含的内容。作为一个具体实例，一个 AIBIO 模型可以提出一组 RNAi 或反义扰动，预测能将患病的单细胞状态分布推向更健康的吸引子；单细胞和功能读数随后将测试预测的状态转换是否发生，差异将反馈到模型修订中。这说明了 RNA 专业知识如何促进原理发现：RNA 既信息丰富又易于扰动，并且本质上是多尺度的，能够实现 AIBIO 所需的闭环证伪。

总结与展望

AIBIO 的建立，是为了通过学科级框架回答生命科学的“为什么”问题：将生命涌现和生物智慧研究为可形式化、可检验的数学原理。AIBIO 强调：i）从分子到生态系统的跨尺度生命涌现；ii）疾病作为时空背景下涌现的多层次适应不良状态；以及 iii）从多模态数据到统一定律的 DIKW 上升。在方法论上，它依赖于多模态整合、可解释和因果建模、带闭环验证的数字孪生以及生成测试/设计。

展望未来，AIBIO 必须面对三个核心科学挑战。第一，数学化度量涌现：该领域需要定量序参数，以区分真正的跨尺度涌现与高维相关性，这些参数对数据模态、采样深度和模型架构具有鲁棒性，并与扰动结果相关联，而非仅作为描述性统计。第二，使因果 AI 具有生物学可解释性：生物学中的因果发现很困难，因为扰动不完整、背景多变且反馈普遍存在；AIBIO 模型必须结合因果推断与机制生物学约束，以便可解释性包含扰动一致的因果结构，而不仅仅是特征归因。第三，连接尺度而不使其坍缩：分子、细胞、组织、有机体和生态尺度在变量和时间尺度上不同，AIBIO 必须避免既还原为分子列表又避免模糊的整体叙事——层次潜模型、图神经算子、因果表示学习和多保真度模拟器提供了实用路径。作为志向远大的领域级目标，两个里程碑锚定进展：五年内，针对选定系统（细胞命运转换、类器官、免疫激活或特定疾病状态转换）的富含扰动的数字孪生可能变得能够预测和实验引导状态变化；十年内，该领域可能开始为多个生物过程建立基准化的跨尺度原理和序参数，使 AI 设计的干预能够改变适应不良的疾病状态，并引导合成生物系统的 AI 设计。如果实现，AIBIO 不仅将加速发现和转化，还将把生物学重塑为一门寻求生命与疾病涌现原理的科学。

https://www.vita-journal.com/vita/EN/10.15302/vita.2026.09.0075