BoHuYeShan

同样是改造基因，为什么不同产品的命运差这么多？从无刺鱼到黄金大米，同样是”改基因”，为什么一个听起来像”拿掉麻烦”，一个听起来像”加入新能力”？为什么有些产品已经走上应用，有些还在争论不休？ 这个问题值得认真拆开看。因为当我们把”基因改造”当作一个整体标签来讨论时，很容易忽略一个事实：不同产品之间的差异，可能比”改没改基因”这件事本身还要大。 一、先说清楚：这篇文章在说什么在进入正题之前，有必要先交代一下这篇文章的范围。 我们不是在替某一种技术路线背书，不是在替某一个国家的监管体系说话，更不是在暗示消费者应该接受什么、拒绝什么。 这篇文章只想做一件事：解释为什么不同的基因改造产品，会面对不同的命运。 中国有自己的农业结构、自己的消费习惯、自己的监管体系。我们观察全球不同案例，不是为了照搬谁的经验，而是为了更清楚地理解：差异从哪里来，差异意味着什么。 二、不是所有基因改造都是一回事“改基因”这三个字，涵盖的范围其实非常广。 基因编辑技术常见的操作包括：敲除某个基因、沉默某个基因的表达、定点改写一小段序列、或者对某个性状做微调。这些操作很多时候并不引入任何外源基因，只是对生物体自身的遗传信息做精确修改。 而传统意义上的转基因，常见做法是引入外源基因，让生物体获得一个全新的功能模块。比如让水稻合成β-胡萝卜素，让棉花自己产生抗虫蛋白。 这两者的区别，不在谁更先进，而在改造类型不...

为什么蛋白质模型越来越强，但很多实验室的日常工作并没有因此变简单如果只看这两年的标题，很容易产生一种印象：蛋白质模型越来越强，结构预测越来越准，适应度预测越来越灵活，生成式方法也越来越会“设计”分子。照这个趋势看，实验室的日常研究似乎应该同步变得轻松很多。 但真实情况往往没这么直接。 至少在很多实验室里，大家的工作并没有因为模型更强就突然变简单。实验依旧贵，验证依旧慢，数据依旧不均匀，很多关键问题依旧要靠一轮一轮地排除和确认。 这并不说明这些模型没价值。恰恰相反，它说明我们需要把一个问题讲得更清楚：模型能力的提升，和真实科研流程的简化，并不是一回事。 如果把这几天看的几篇文章放在一起，这件事会更明显。 一篇综述告诉我们，蛋白质预测正在从静态结构走向动态行为、相互作用和功能建模；一篇少样本工作告诉我们，模型可以在实验数据很少的时候帮助做更快的候选排序；另一篇关于蛋白质语言模型的分析则提醒我们，蛋白质序列建模并不是把自然语言方法平移过来那么简单。 这里也要把来源性质说清楚：这篇文章本身是总结文，主要基于前几天已经讨论过的几篇预印本与方法论文来收束问题。因此它的重点不是再宣布一个“新结论”，而是把这些工作的真实推进和现实边界放回同一张图里看。 这些方向都是真的在推进，但推进本身，并不会自动抹平实验室里的那些硬约束。 一、模型越来越强，首先改变的往往不是“验证成本”，而是“前置筛选...

物种越来越多，灭绝越来越快：我们到底在用什么尺子量？一个反直觉的现象：过去二十年，全球已知物种的数量一直在增长。新的物种不断被发现、被命名、被记录。但与此同时，生物多样性危机不但没有缓解，反而在加速。 物种在”变多”，灭绝也在”变快”。这两个趋势怎么可能同时发生？ 答案藏在一个被忽略的问题里：我们用来定义”物种”的那把尺子，一直在变。而当尺子本身在漂移时，所有建立在它上面的测量、保护和交易体系，都会跟着一起晃。 一、中学课本里的那条线：马和驴的故事大多数人对”物种”的理解来自中学课本：生殖隔离。 马和驴交配，可以生出骡子。但骡子几乎无法繁殖后代。所以马和驴是两个物种。这套逻辑出自恩斯特·迈尔（Ernst Mayr）在1942年正式提出的”生物学物种概念”（Biological Species Concept）——能够交配并产生可育后代的个体属于同一个物种，不能的就是不同物种。 干净利落。在很长一段时间里，这个定义也确实好用。 但问题是，自然界并不总是这么配合。 二、当定义开始漏水：狗和狼的麻烦狗和狼就是一个经典反例。 按照生殖隔离的标准，狗（Canis lupus familiaris）和狼（Canis lupus）交配可以产生完全可育的后代。那它们到底是一个物种还是两个物种？ 分类学的解决方案是引入”亚种“（subspecies）的概念——同一个物种下的不同地理种群，形...

蛋白质语言模型越来越像大模型，但它和自然语言模型到底差在哪这两年，蛋白质语言模型越来越容易被拿来和自然语言大模型类比。 这种类比不是完全没有道理。两者都用 Transformer，都做预训练，也都在尝试从大规模序列中学习规律。很多文章也喜欢顺手把蛋白质序列称为“生命语言”，于是读者很容易得到一个直觉：蛋白质语言模型，差不多就是把做 NLP 的那一套搬到了生物里。 但如果把这个理解停在这里，问题就会变大。 因为蛋白质序列和自然语言虽然表面上都像“字符串”，它们背后的生成机制、约束条件、评价方式和验证链条，其实都不一样。也正因为这些差异，蛋白质语言模型并不是简单照搬自然语言模型就能成立，它有一套更贴近生物问题本身的难点。 最近有一篇论文正好把这个问题讲得比较具体。论文标题是《Protein Language Models Diverge from Natural Language: Comparative Analysis and Improved Inference》，于 2026 年 2 月 24 日提交到 arXiv，作者包括 Anna Hart、Chi Han、Jeonghwan Kim、Huimin Zhao 和 Heng Ji。 这里也要把来源性质说清楚：这是一篇预印本。它提出的问题和分析都很值得看，但更适合把它理解成一种有代表性的研究推进，而不是已经被所有下游任务全...

少样本条件下，蛋白质适应度还能不能预测蛋白质工程里有一个很实际的问题：如果只拿到一个蛋白质序列，以及极少量实验测量结果，能不能尽早判断哪些变体更值得继续做下去？ 这背后对应的是蛋白质适应度预测问题。这里的“适应度”，不是一个抽象概念，而是某个具体任务下的表现，例如酶活性、结合能力、稳定性，或者某种筛选条件下的存活与富集结果。 这个问题之所以难，并不是因为没有模型，而是因为真正昂贵的部分通常在数据上。很多监督学习方法都依赖较大规模的标注数据，但在真实实验里，一套高质量测量往往意味着时间、成本和反复优化。对于一个刚开始研究的新蛋白或新任务，研究者经常拿不到那么多可直接训练的数据。 所以，少样本条件下还能不能做预测，一直是蛋白质工程里很核心的问题。 这篇论文提出的思路，是把自然语言处理中已经很熟悉的 in-context learning（上下文学习）迁移到蛋白质问题上。论文标题是《Few-shot Protein Fitness Prediction via In-context Learning and Test-time Training》，作者包括 Felix Teufel、Aaron W. Kollasch 等，来自哈佛大学和丹娜法伯癌症研究院。论文对应 arXiv:2512.02315。 这里也要先把来源性质说清楚：这篇工作属于 workshop 方向的论文，更适合把...

城市高楼，为什么会变成一些鸟类的新悬崖？我们通常会觉得，高楼越多，鸟类的生存空间就越少。 这个判断当然不算错。玻璃幕墙、噪音、夜间照明和密集人流，确实让许多鸟类更难在城市中停留、觅食和繁殖。但如果把问题看得更细一点，会发现另一面：对一些原本就习惯在高处、岩壁、缝隙、桥洞或陡峭边缘附近筑巢的鸟来说，城市里的高楼并不只是障碍，有时反而像是“新的悬崖”。 尤其像上海这样高层建筑密集、垂直空间高度发达的大城市，这种现象其实很值得认真看一看。 对人类来说，高楼是住宅、写字楼、酒店和地标；对某些鸟类来说，高楼的立面、檐口、凹槽、设备平台和桥梁结构，可能意味着另一套完全不同的生态含义： 高度、边缘、隐蔽点、开阔视野，以及不容易被地面捕食者接近的巢位。 换句话说，人类不断向上建造的城市，也在无意中复制出了一部分类似天然悬崖的空间结构。 一、城市没有悬崖，但造出了“功能上相似的悬崖”从鸟类生态学的角度看，适合筑巢的地方，并不一定非得长得像自然悬崖。更重要的是，它是否具备几个关键条件： 足够高 结构稳定 有边缘、凹槽或缝隙 视野开阔 不容易被捕食者或人类直接接近 天然岩壁、崖缝、陡坡和高处平台，本来就满足这些条件。而现代城市中的很多人工结构——高楼立面、桥梁、屋檐、外墙缝隙、设备层——在功能上也能提供类似的条件。 这也是为什么，城市生态研究里越来越多学者开始注意到：一些鸟类并不只是“忍受城...

在昆明，动物为什么会离人这么近？每年冬天，昆明都有一个几乎不需要额外解释的城市画面：滇池边、海埂大坝、公园水边、成群的红嘴鸥，以及拿着鸥粮和手机的人。 在很多城市，野生动物通常意味着“偶尔看到”。但在昆明，至少在冬天，红嘴鸥更像是一种会准时进入日常生活的存在。它们不是远远掠过天空的背景，而是会落在水面、护栏和游人附近，主动靠近人，甚至会直接从手里取食。对很多人来说，去滇池边看鸥，已经不是一次单纯的观鸟，而更像是一种城市生活本身的一部分。 这也是昆明特别的地方。 它让人很容易产生一种感觉：在这里，动物似乎离人更近。 这种“近”当然不是简单的心理印象。它背后既有地理环境的原因，也有动物行为的变化，还和人类长期塑造出来的城市空间、投喂习惯和公共活动方式有关。要理解昆明为什么会形成这种人与动物的关系，最好的入口确实是红嘴鸥，但如果只看红嘴鸥，又还不够。因为真正让这种关系成立的，不只是某一种鸟，而是这座城市本身的生态结构：高原、滇池、湿地、水边公共空间，以及仍然没有被完全切断的人与自然边界。 一、昆明的特别，不只是“有鸟”，而是它是一座高原湖滨城市如果把昆明放进中国城市版图里看，它的特殊性并不只是气候宜人或者适合旅游。更关键的是，它是一座很典型的高原湖滨城市。 滇池和周边湿地并不是城市之外的纯自然背景，而是深度参与了这座城市的空间结构。水体、岸线、湿地、公园和人类活动区并没有被完全隔...

蛋白质结构预测的下一步：从静态到动态AlphaFold极大推进了蛋白质结构预测，但如果说它已经“解决了蛋白质预测问题”，这个说法还是太大了。更准确的表述是：它把“从序列到相对稳定结构”的预测能力，推进到了一个很高的水平。 这很重要，但还不够。 在真实生物环境里，蛋白质并不是一张静止的三维图片。它会发生构象变化，会与小分子、核酸或其他蛋白质相互作用，也会随着环境变化进入不同状态。很多时候，真正决定功能的，不只是“长什么样”，而是“怎么动”“和谁结合”“在什么条件下转变”。 所以，蛋白质预测的下一步，不是把静态结构再多算一遍，而是逐步走向对动态过程、相互作用和功能状态的联合建模。 最近有一篇综述论文系统讨论了这个方向。论文标题是《From Snapshots to Symphonies: The Evolution of Protein Prediction from Static Structures to Generative Dynamics and Multimodal Interactions》，于 2026 年 3 月 19 日提交到 arXiv，作者是 Jingzhi Chen 和 Lijian Xu。 这篇综述的核心观点可以概括成一句话：蛋白质预测正在从“静态结构预测”，扩展到“动态行为与多模态相互作用建模”。 如果借用论文标题里的比喻，过去很多方法给出的更像是...

周报｜GitHub、AI 技术与模型更新 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） 上周的 GitHub 和 AI 圈，最明显的变化不是“又多了几个 Agent 项目”，而是这些工具开始更像正式的开发基础设施：可扩展、可治理、能落到真实工程流程里。相比前几周那种“谁更会造概念”的热闹，上周更值得看的，是一些已经开始进入 IDE、工作流和平台治理层面的更新。 这也是为什么，这期周报我会把重点放在“真正进入工作流的能力变化”上，而不是再机械罗列一串热门项目名。 一、GitHub 本周值得看的内容1. GitHub Copilot 在 Visual Studio 的三月更新，开始把 Agent 真正带进 IDE 工作流这条更新发布于 2026 年 4 月 2 日，来自 GitHub 官方 changelog。它最值得注意的地方，不是“Copilot 又更强了”，而是 Agent 能力开始更明确地进入团队级开发环境。 这次更新里有几个很关键的点。 第一，是 custom agents。开发团队现在可以把专门化的 Copilot Agent 定义成仓库里的 .agent.md 文件，让它天然带着工作区上下文、代码理解能力、工具访问权限，以及外...

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...