AI 参与发现新酶系统之后，科学验证仍是主角

Anthropic 于 2026 年 9 月 23 日发布一篇AI 辅助酶系统研究记录，介绍研究人员如何使用 Claude 搜索 DNA 序列数据并提出一个候选酶系统。公司称，这项探索由大规模 Agent 搜索流程完成，研究人员随后继续检查候选结果。

模型在研究流程里承担了什么

生命科学数据的搜索空间很大，序列之间也可能存在不易直接观察的关系。模型可以帮助研究者整理文献、生成检索方案、批量比较候选序列，并把值得人工检查的模式排到前面。它更像一位扩大搜索范围的研究助手，而不是能替代实验的裁判。

Anthropic 的文章报告了 Agent 数量、运行时间和 token 使用量，这些数字描述的是一次计算流程规模。规模本身不能证明生物学假设正确，也不能回答候选系统在细胞里究竟执行什么功能。

从候选模式到科学发现，还差哪些证据

1. 重现数据检索。 记录数据集版本、过滤条件、参考序列和搜索代码，让其他研究者能判断候选结果是否依赖某个特定筛选流程。
2. 排除已知解释。 与已有酶家族和重复序列进行比较，识别相似性、污染、注释偏差或统计偶然造成的假阳性。
3. 做实验确认功能。 生化和细胞实验需要验证候选蛋白是否表达、是否与假设底物作用，以及条件变化会怎样影响结果。
4. 公开不确定性。 研究记录应区分模型提出的线索、研究者的判断和实验观察，避免把相关性写成已知机制。

这对 AI for Science 的意义

值得关注的变化不是“模型独立完成了科学发现”，而是研究团队开始把模型放入一个更完整的工作流：它快速探索大数据并提出候选，领域专家筛选和设计实验，实验结果再决定哪些假设保留。这里每一步都需要来源、版本和反证机制。

这也提供了一个通用的 Agent 评估方法：不要只检查最后生成的文字，而要追踪它读取了哪些数据、如何筛选、提出了什么候选，以及这些候选是否经环境或实验结果确认。过程可复核，才可能把节省的搜索时间转化为可靠知识。

来源与事实边界

项目流程与数字依据 Anthropic 的官方研究记录。相关生物学功能仍需研究者通过后续分析和实验确认。本文将其描述为模型辅助发现的候选线索，不把厂商文章等同于同行评审结论。