Introducing Quine: An AI research system designed for the complexity of biology

介绍 Quine：专为生物学复杂性设计的 AI 研究系统 - 微软研究院

/.itemprop=publisher

/itemprop=image

介绍 Quine：专为生物学复杂性设计的 AI 研究系统

发布于 2026 年 9 月 29 日

作者：Nicolo Fusi，副总裁兼杰出科学家 Jonathan M. Carlson，副总裁

分享此页面

• 在 Facebook 上分享

• 在 X 上分享

• 在 LinkedIn 上分享

• 在 Reddit 上分享

• 订阅我们的 RSS 订阅源

/#single-header

一目了然

• Quine（在新标签页中打开）是一项研究计划，旨在构建一个生物学多模态世界模型，并创建一个交互式工具集，将模型、科学工具、文献和研究人员连接起来。

• 与哈佛大学和麻省理工学院布罗德研究所的研究人员合作，我们利用该系统优先筛选出可驱动治疗性肿瘤状态转变的化合物，并在多项湿实验中验证了多个排名靠前的候选物。

• Quine 院士计划（在新标签页中打开）将为一组科学家提供系统访问权限，帮助他们加速自身研究并提供科学反馈。

• Quine 是实验性研究技术，仅限用于研究，不得用于临床或医疗用途。其输出可能不完整或不准确，需要合格研究人员进行审核，并通过适当的科学和实验验证。随着技术的发展，我们预计通过微软发现（在新标签页中打开）等产品扩大访问范围。

二十多年来，微软研究院一直在计算与生物学的交汇点开展研究。我们的研究涵盖免疫学、病毒学、基因组学、生物医学成像、细胞生物学和蛋白质工程。这些工作产生了基础方法、新科学和技术，从罕见和传染病诊断到癌症生物标志物检测，均已应用于临床。

在这些工作中，一个教训变得越来越清晰：生物学不会像我们的模型和工具那样划分为清晰的边界。基因影响蛋白质；蛋白质在细胞内相互作用；细胞组织成组织；实验不断重塑科学家的知识和他们接下来选择的问题。因此，要解决最困难的生物学问题，需要的不仅仅是越来越强大的单个数据集或任务模型。需要能够跨尺度和模态连接知识、推理实验和证据，并参与科学进步迭代过程的系统。

今天，微软研究院推出 Quine（在新标签页中打开），这是一个旨在跨越这些边界的系统，体现了我们对通过科学使用不断进化的发现系统的长期愿景。Quine 将生物学世界模型与连接科学工具、文献、湿实验室和使用它们的研究人员的工具集结合在一起。

视频播放需要 cookie 同意

实验的局限性

尽管实验技术不断改进，湿实验室通量不断增加，生物学本质上仍受时间和复杂性的限制。自然无法加速，也无法从第一原理推导。实验进展缓慢，迭代周期漫长，许多最重要的问题涉及相互作用、组合设计空间和下游效应，这些规模太大，仅靠实验无法单独探索。

同时，大规模机器学习的进展，特别是通用基础模型和能够迭代解决问题的推理模型的出现，提出了新的可能性。这些系统开始展现出超越模式识别的能力：跨领域整合信息、对抽象概念进行推理，并支持迭代式问题解决。同样重要的是，许多原本为人类语言开发的技术已被证明可以很好地适应生物学领域，使模型能够学习不同数据类型和尺度下的生物系统表示。

这引发了一个引人深思的问题：要构建一个生物学的“世界模型”需要什么？我们所说的“世界模型”是指一个能够表示生物系统状态、预测干预措施如何改变该状态，并能推理干预措施对未来多步影响的系统。这样的系统不会取代实验，而是让我们能够在投入稀缺实验室资源之前，利用计算手段探索、提出、排序并优先考虑潜在的前进路径。我们的目标是实现一个科学家、模型和实验在持续加速循环中协同工作的未来。

我们构建了什么

Quine是我们迈向这一愿景的第一步。它包含一个生物学世界模型，以及一个将模型连接到编排和推理模型、科学工具、文献和使用这些工具的科学家团队的接口系统。

图1：Quine的两个前沿组件——生物学世界模型和交互式接口——位于以科学家为起点和终点的循环系统中。一个疑问转化为一组提案，提案转化为值得测试的设计，而实验返回的测量数据则能同时优化科学家的下一个问题和模型本身。

这项工作的核心是世界模型，它能够跨生物模态和尺度（包括序列、结构、功能、细胞状态和成像数据）学习共享表示。通过联合训练这些模态，Quine可以利用一种模态的证据来预测另一种模态的结果，捕捉那些在单独使用单领域专家模型时可能被隔离或丢失的关系。这种多模态设计反映了生物学的本质：理解任何一层都需要其他层的上下文。我们发现，跨这些关联表示的学习不仅不会削弱性能，反而能增强模型的泛化能力，支持更广泛的生物学推理任务。

图2：生物学是多尺度和多模态的。（A）从分子到细胞到组织再到患者的生物学证据分层，科学语言贯穿其中。（B）Project Quine训练的模态——基因组学、蛋白质、化学、RNA和细胞状态、生物成像——各自观察该范围的不同部分并存在重叠。纵向阅读是基因型到表型的因果路径；横向阅读是物理尺度。由于模型是联合学习这些表示而非调用独立专家模型，某一层的证据可以为另一层的预测提供信息。

通过将该模型整合到一个统一的系统中，该系统能够促进计算实验并从迭代中学习，研究人员可以在实验室测试之前，跨模态生成预测并推理生物学干预的后果。关键的是，世界模型不需要完美——事实上，它永远无法完美模拟生物学——它只需要能够有效指导实验设计即可。

在癌症生物学中的应用

一个具体的例子来自我们在胰腺导管腺癌（PDAC）方面的研究，这是最常见的胰腺癌类型之一，也是最难治疗的癌症之一。与麻省理工学院和哈佛大学布罗德研究所的研究人员合作，我们多年来一直在开发和应用患者来源的体外模型，以检验一个长期存在的假设：肿瘤行为和药物反应不仅取决于遗传因素，还取决于转录细胞状态。在PDAC中，肿瘤细胞可以占据与治疗反应方式相关的不同细胞状态。

通过Quine，我们现已将这一假设付诸实践，探索癌症的非遗传特征（特别是细胞状态）是否可以作为可操作的治疗靶点。我们利用Quine预测并优先筛选了数千种化合物，这些化合物可能促使肿瘤细胞在具有治疗意义的状态之间转换。在专注于从经典状态向基底状态过渡的湿实验研究中，Quine排名最高的化合物在实验检测中产生了最大的预期状态转换效果。从快速缩小化合物搜索空间到优先筛选少数候选化合物进行实验室验证的整个过程，仅用了周末的时间，可能节省了数月的实验工作和大量研究成本。值得注意的是，一些最强的效果来自具有意外作用机制的化合物，这为AI能够发现新药再利用和发现机会提供了早期证据。

尽管反向状态转换（从基底状态到经典状态）证明更具挑战性，Quine预测现有化合物将产生较弱的效果。更值得注意的是，实验揭示了我们未完全预料到的现象：Quine预测几种化合物会持续将细胞推向一个独特的第三种表型——这一预测在实验室中得到了验证，表明胰腺癌细胞状态的景观比简单的经典-基底轴更为复杂。这些实验不仅验证了模型的假设，还产生了新的假设。

图3：Quine指导的胰腺癌细胞状态探索。在胰腺导管腺癌（PDAC）细胞系中，排名靠前的化合物在湿实验验证中产生了最大的经典到基底转录状态转换。较弱的反向转换和向额外表型的意外移动也与Quine的预测一致。

我们后续的工作将利用新整合的RNA数据集和任务来表征这一更丰富的景观，增强状态转换预测，并提供校准的置信度估计，帮助科学家优先选择最有希望的假设进行湿实验验证。这正是Quine被构建来支持的反馈循环。每一轮实验都加深了我们对生物学的理解，而每一个新见解都可以成为下一代系统训练的信号。

通过发现学习——邀请参与

我们开发 Quine 的初衷是改进我们自身的科研方式。随着系统的发展，我们将其嵌入到持续进行的科研项目中。每一个研究问题、实验结果和意外发现都成为优化模型、改进工作流程以及更深入理解 AI 如何有效加速科研的契机。随着时间推移，该系统逐渐成为我们跨多个领域（包括癌症生物学、蛋白质工程、基因组学和生物成像）开展研究的核心工具。

我们希望在此早期阶段推出 Quine，以此为基础继续推进发展。Quine 起源于我们自身的研究，但我们不希望其后续发展局限于封闭环境。许多决定其未来方向的问题，是我们无法单独回答的；这些问题需要更广泛的科学界提供专业知识、创造力和视角。因此，我们启动了 Quine 研究员计划，将系统直接交到处于生物医学前沿的科学家手中。

首批 Quine 研究员计划申请现已开放

负责任地构建始终是我们的首要原则。我们相信，人工智能与生物学的进步必须与安全、保障和负责任的管理并行不悖。我们对 Quine 的开发和访问采取了谨慎的分阶段推进方式，初期仅限于 Quine 研究员计划和部分研究合作。持续的内部审查和内置的安全机制将帮助我们在系统演进过程中保持适当的监管。随着技术的成熟，我们预计会通过微软发现平台（Microsoft Discovery）等产品逐步扩大访问范围。

将人工智能在生物学领域的进展简单地用基准测试和排行榜来衡量颇具诱惑力。这些指标确实重要，但 Quine 真正的考验在于它面对实际科研实践时的表现。当证据不完整时，它是否仍然有用？当面对真正前所未有的问题时，它是否能够应对？它是否能帮助缩短从问题到发现的路径？

最终，这是我们真正关心的标准。我们的目标是让 Quine 逐渐融入科研实践的背景中，而科研的进展则在前景中加速前行。故事的主角不是模型或平台，而是科学家、实验以及随之而来的发现。

在新标签页中打开

作者介绍

卡片列容器

卡片

卡片主体

Nicolo Fusi

副总裁兼杰出科学家

卡片底部

了解更多

Jonathan M. Carlson

副总裁

研究领域

• 人工智能

• 医疗、健康与基因组学

研究团队

• 生物医学机器学习

相关项目

• Ex Vivo 项目

相关实验室

• 微软健康未来实验室

相关视频

• 介绍 Quine：专为生物学复杂性设计的 AI 研究系统

/think