周报｜生物科技、生物信息与研究工具更新

本文信息由 AI 爬取+整理，经人工核验后发布。AI 爬取可能会有遗漏，欢迎在评论区补充。如有偏差，也欢迎指正。

本期覆盖时间：2026-03-30 ～ 2026-04-05（含）

如果说前段时间很多生信和 AI 文章都在讨论“模型能不能更强”，那上周更值得看的，是另一类问题：这些方法放回真实研究链条里，到底能起什么作用，边界又在哪里。

这也是为什么，这期周报我会优先写正式发表论文、数据库与资源更新，而不是再把整篇重心压在预印本上。对生命科学研究来说，真正重要的往往不是模型分数漂不漂亮，而是它能不能接上实验、资源平台和后续验证。

一、上周最值得关注的一篇正式论文：AI 预测蛋白互作，到底离实验有多近？

1. Nature Communications：用实验框架系统评估 AI 驱动的互作图谱预测

这篇文章发表于 2026 年 4 月 4 日，题目是 Experimental assessment of AI-based interactome mapping。

它之所以值得重点写，不只是因为关键词里有 AI，而是因为它处理的是一个很多人都在默认相信、但很少被系统检验的问题：既然 AlphaFold 一类方法已经把结构预测推进了这么多，那蛋白质互作图谱是不是也快可以主要靠计算来完成？

这篇工作的答案并不极端，但非常有价值。

作者搭建了一个系统实验框架，去评估 AI 驱动的互作预测在酵母和人类互作图谱上的实际表现。结果显示，高置信度的 AI 预测在质量上已经可以和既有实验方法接近，这说明 AI 预测不是“完全没用”，也不是只能做玩具级演示。

但更关键的发现是：如果把问题换成“能不能在大规模筛查中发现严格意义上的新互作”，AI 目前仍然明显落后于实验参考图谱。文章里给出的一个很醒目的数字是，在酵母系统中，这篇工作建立的实验互作图谱识别出的新 PPI 数量，比对应的 AI 虚拟筛查高出 40 倍以上。

这条结论很重要，因为它刚好把现在很多人对 AI 在生命科学里的期待拉回到一个更稳的尺度上。

它说明什么？

不是说 AI 不行，而是说 AI 目前更擅长的，可能还不是“独立发现整个新互作世界”，而是：

  • 给已有或实验识别到的互作提供结构层面的解释
  • 帮助补上四级结构模型
  • 为后续实验设计提供更清晰的候选和结构假设

这其实非常符合生物信息学在研究链条里的真实位置。它的价值常常不是替代实验把最后结论一口气给出来，而是帮助研究者更快组织证据、更早识别哪些方向值得投入验证。

对做湿实验的读者来说，这篇论文也传递了一个比较友好的信号：至少在蛋白互作图谱这种问题上，实验仍然不是“等 AI 成熟后就会被淘汰”的角色。相反，实验现在依旧是发现新互作的主力，而 AI 更像是在帮忙补结构、补解释、补模型。

二、AI 真正缩短实验路径的一类例子：蛋白—蛋白相互作用调节剂发现

2. AI + 药物库筛选 + 实验验证：更像“加速器”，而不是“替代者”

第二篇值得写的是一篇 PubMed 收录的正式论文：An AI-based approach accelerates the discovery of protein-protein interaction modulators targeting NCS-1。

这篇工作的吸引力在于，它不是停在“模型预测得不错”这一步，而是往前走到了实验验证和结构确认。研究团队把 AI 方法与 FDA 已批准药物库的虚拟筛选结合起来，最终识别出 dipyridamole 这个调节 NCS-1 与多巴胺 D2 受体相互作用的候选分子，并进一步给出了复合物结构证据。

这类工作很适合拿来解释 AI 在生命科学里更合理的位置。

很多时候，AI 真正带来的不是“省掉实验”，而是：

  • 先在大空间里做一轮更快的候选压缩
  • 把一大批原本不可能逐个测的分子先排个优先级
  • 让后续实验从“盲找”变成“有依据地验证”

这样的价值，放在药物发现和蛋白互作调节剂筛选里尤其现实。因为实验吞吐量、成本和周期都摆在那里，谁能更早把低价值候选筛掉，谁就更可能把真正值得做的东西往前推。

当然，也要把边界写清楚。即便这种工作已经走到了实验验证，它也不意味着“AI 发现药物这件事已经解决了”。这里面仍然有任务特异性、体系依赖性、数据偏差和后续药理问题。真正值得记住的是：AI 在这类问题上的最稳定价值，常常是把搜索空间压缩得更合理，而不是神奇地跳过整个药物发现流程。

三、资源与基础设施：Ensembl 2026 仍然值得单独看一眼

3. Ensembl 2026：数据库更新本身，也是研究基础设施的一部分

这周如果只写论文，其实还不够。生物信息学很多最重要的变化，并不是某篇方法论文，而是资源平台本身的升级。

Ensembl 2026 就属于这种条目。它是 PubMed 收录的正式更新论文，延续了 Nucleic Acids Research 对核心数据库年度更新的传统。

这类文章很多人容易直接跳过，觉得“不过是数据库更新”。但对真实研究来说，数据库的覆盖范围、注释质量、物种扩张速度、访问接口和平台稳定性，往往直接影响下游分析质量。

根据这篇更新，Ensembl 的基因组发布和注释规模继续明显扩张，总基因组数量已经达到 37,546，而且过去一年里新发布基因组的速度几乎翻倍。对做比较基因组、注释迁移、跨物种分析和资源整合的人来说，这不是小修小补，而是底层能力的实际扩容。

为什么这条值得放进周报？

因为它提醒我们，生物信息学并不只靠“新模型”向前走。很多时候，真正决定分析能不能做、结果稳不稳的，是这些看上去没那么吸睛、但构成基础设施底座的资源平台。

四、上周这几条放在一起看，说明了什么？

把这几条消息连起来看，会出现一个很清楚的趋势。

第一，AI 在生命科学里的位置正在逐步变得更清楚。

它当然很重要，但它的重要性并不主要来自“替代实验”，而是来自：

  • 更快组织候选
  • 更早形成结构和功能假设
  • 为实验提供更聚焦的验证路径

第二，正式出版内容里越来越能看到一种更成熟的语气。

不是简单宣布“模型更强了”，而是开始认真讨论：

  • 在什么问题上它确实有效
  • 在什么问题上还不能替代实验
  • 它更适合放在研究链条的哪一段

第三，数据库和资源平台的更新仍然是生物信息学最不该忽视的一部分。

因为再强的方法，如果没有持续更新、质量稳定、覆盖面足够的底层资源，最后也很难真正进入稳定研究流程。

如果要给上周的生物科技 / 生物信息学动态写一个总结，我会写成：

这周最值得关注的，不是“AI 又做到了什么”，而是“AI 在真实生命科学问题里更像什么了”。

这是一个比单纯追模型分数更重要的问题。

参考链接