生物研究的难点并不只是数据量大，而是基因、蛋白质、细胞状态、组织和实验结果相互影响。微软研究院9月29日公布Quine，目标是让计算预测与湿实验形成闭环，帮助科学家先筛选值得验证的方向，再把实验结果送回模型。

Quine不是一款面向公众的医疗助手，而是一项早期研究系统。它把多模态生物世界模型与一个交互式执行框架结合起来，连接推理模型、科学工具、论文资料、实验室和研究人员。微软希望用这一结构缩短从提出问题、生成候选方案到真实验证的周期。

世界模型同时学习多种生物尺度

传统生物AI往往围绕单一数据类型训练，例如只研究基因序列、蛋白质结构或显微图像。Quine则联合学习基因组、蛋白质、化学、RNA与细胞状态、生物成像等信息，让一种模态中的证据帮助另一种模态的判断。

微软将这种设计称为生物学世界模型：系统尝试表示一个生物系统当前的状态，预测干预后可能如何变化，并推演多步后果。它并不是要取代实验，而是先在计算空间中提出、排序和筛选候选路径，把有限的实验资源用于更值得验证的方向。

胰腺癌研究中，一个周末筛选数千种化合物

微软与Broad Institute的研究人员将Quine用于胰腺导管腺癌研究，探索能否通过改变肿瘤细胞的转录状态找到治疗线索。系统对数千种化合物进行预测和排序，寻找可能推动细胞在不同状态间转换的候选物。

微软称，Quine排名靠前的化合物在多项湿实验中产生了最明显的预期状态变化。把庞大搜索空间缩小到少量实验候选的过程用了一个周末，官方估计这可能节省数月实验时间和相应成本。部分作用较强的候选物拥有研究团队此前未预期的作用机制，为药物再利用和新发现提供了线索。

不过，并不是每个方向都同样成功。相反方向的细胞状态转换更困难，Quine也预测现有化合物的作用会较弱。实验还观察到部分细胞走向第三种状态，说明真实生物系统比简单的二元模型更复杂。后续研究将继续补充RNA数据和置信度校准。

实验结果既验证假设，也改变下一轮问题

Quine的核心不是一次生成完答案，而是循环：科学家提出问题，系统结合模型、知识和工具生成实验建议；实验室测量真实结果；科学家再根据结果提出新问题，并把数据用于改善系统。失败、弱效应和意外现象同样会成为下一轮研究信号。

这种工作方式把AI从“阅读论文和总结知识”的助手，推进到“参与实验设计与候选排序”的研究基础设施。但它也对数据来源、实验可重复性、模型置信度和人工审查提出更高要求。如果输入数据有偏差，系统可能更高效地重复错误方向。

目前仅限研究，不用于临床和医疗决策

微软明确表示，Quine是实验性研究技术，仅用于科研，不用于临床或医疗用途；其输出可能不完整或不准确，必须由合格研究人员审查并通过适当的科学与实验验证。当前访问范围限于Quine Fellows项目和部分研究合作，未来技术成熟后，才可能通过Microsoft Discovery等产品扩大使用。

编辑观察：AI科研的评价标准最终仍是可验证发现

Quine最值得关注的不是“AI能否替科学家做研究”，而是它能否在真实实验约束下减少无效搜索，让科学家更快找到可验证的候选方向。模型排行榜无法代替实验重复、同行评议和机制解释。

对于准备引入生物AI的机构，第一步应建立清晰的实验数据谱系和质量控制，把AI生成的假设与实际测量分开记录，并预先定义何时进入人工复核、何时停止继续实验。只有当计算预测能够被独立实验验证，效率提升才真正转化为科学价值。

配图为AIcent原创AI生成实景风格示意图，非官方新闻现场照片，不使用第三方新闻图片。

参考来源：微软研究院官方博客（2026年9月29日）。正文为基于官方消息的中文整理，编辑观察与事实披露分开呈现。