图：AI 在生命科学里最先兑现的价值，往往不是”想出答案”，而是”把候选范围缩小到人能验证的规模”（图片来源：Unsplash）
2026 年 11 月 4 日，斯坦福医学院的一则新闻稿在科技媒体上转了一圈：他们用一种自己写的算法，从人体自身的蛋白里找到了一个能显著抑制食欲的小分子肽，动物实验里进食量最多下降 50%，减掉的基本是脂肪而不是肌肉，也没有观察到现有减肥药常见的便秘、活动量下降等表现。媒体给它起了个很好卖的名字——“天然 Ozempic”。
这个说法不算错，但它遮蔽了更值得看的东西。
真正有意思的不是”又找到一个减肥分子”，而是这条发现路径的形状：两个研究员面对的是两万个基因、上千种可能的切割方式、数不清的肽段碎片，而最后真正走进实验室被逐个验证的，只有 100 个。 AI 在这件事里扮演的角色，不是”灵光一闪的天才”，而是那把极其锋利的筛子。
这可能是 2026 年 AI 制药最真实的样子：不是魔法，是减法。
一、把两万个基因，砍到 100 个
先把这项研究的路径拆开看。
人体里的很多激素，一开始都是一段没有活性的”前体蛋白”（prohormone）。特定的酶会在特定位置把它剪开，剪出来的碎片里，少数成为真正的信号分子，绝大多数只是蛋白质代谢的边角料。问题在于：一段前体蛋白可以在不同位置被剪，组合起来的可能性是爆炸式的，而从组织里把这些肽一条条分离出来、再用质谱去测，成本高得离谱。
斯坦福的 Laetitia Coassolo 和 Katrin Svensson 换了个思路。他们盯住一个叫 prohormone convertase 1/3 的酶——这个酶在人类肥胖研究中早有牵连，而 GLP-1 正是它剪出来的产物之一。既然这个酶认的是特定的氨基酸序列，那就可以在序列层面预测它会在哪里下刀。
于是有了 Peptide Predictor。这个程序扫描了大约两万个编码人类蛋白的基因，按三步过滤：
| 过滤条件 | 目的 | 结果 |
|---|---|---|
| 酶切位点预测 | 找出这个酶可能作用的位置 | 覆盖全部约 20,000 个基因 |
| 分泌蛋白 + 至少 4 个切点 | 激素通常分泌到细胞外，且需要多次切割 | 收敛到 373 个前体蛋白 |
| 预测可生成的肽段 | 枚举切割组合 | 约 2,683 条候选肽 |
从 2,683 条里，他们挑出最可能与神经活动相关的 100 条，用培养的神经细胞做功能测试。GLP-1 作为对照，把神经元活性提高到原来的 3 倍；而一条此前从未被描述过、只有 12 个氨基酸的肽，把活性提高了 10 倍。
这条肽被命名为 BRP，来自它所属的母蛋白 BRINP2（BMP/retinoic acid inducible neural specific 2）。
图：这类工作的核心产出不是”一个分子”，而是一条从两万到一百的漏斗（图片来源：Unsplash）
请注意这个漏斗的比例：20,000 → 373 → 2,683 → 100 → 1。它意味着什么？
意味着 AI 在这里并没有”发明”任何东西。BRP 本来就写在人类基因组里，几十年来一直在那儿，只是没有人有办法在合理的时间和经费内把它从噪声里捞出来。算法做的是排序——把最像信号的东西排到最前面，让湿实验的预算花在刀刃上。
论文里 Svensson 的原话是：”这个算法对我们的发现绝对关键。”这句话听上去平淡，但它是 2026 年 AI for Science 最诚实的自我定位。
二、为什么”只作用于下丘脑”是个大新闻
如果只看”减重 3 克”这种数字，会觉得不过如此。这项研究真正让业内坐直的地方，是它的作用位置。
司美格鲁肽（semaglutide，即 Ozempic 的有效成分）模拟的是 GLP-1，而 GLP-1 受体不只在脑子里，还分布在肠道、胰腺和其他组织。这解释了它为什么有效，也解释了它为什么副作用一堆：胃排空变慢、恶心、便秘，长期使用还伴随明显的肌肉流失。
BRP 看起来走的是另一条路。研究团队的观察是：它主要作用于下丘脑——那块只有豌豆大小、却统管饥饿、能量消耗、体温和体内平衡的区域。在动物实验里，接受 BRP 的个体在活动量、饮水量、焦虑相关行为、排便量上，与对照组没有显著差异。
这一点必须谨慎表述：动物实验测不出”恶心”，因为老鼠不会告诉你它想吐。所以”没有副作用”是一个尚未被证实的期待，不是结论。
但方向是清楚的。过去十年减重药物的竞争，本质上是”更强的受体激动剂”的竞争；而 BRP 提示了另一种可能：不是把同一个开关拧得更用力，而是去找一个只在下游、只在特定脑区生效的开关。
图：适应症相同、靶点不同，副作用谱就可能完全不同（图片来源：Unsplash）
三、2026 年的 AI 制药，正在把”闭环”合上
把 BRP 这一例放到更大的背景里，会看到它不是孤立的运气。
2026 年，npj Drug Discovery 上有一篇讨论 “TechBio 3.0” 的综述，核心判断是：药物发现正在从”单点模型”走向”多模态闭环”。所谓闭环，指的是这样一条链路——生成分子、预测结构与亲和力、预测 ADMET 与毒性、设计合成路线、安排实验验证、把实验结果回流成下一轮的训练信号。
支撑这条链路的，是一批已经成型的基础模型：
- 结构侧：AlphaFold3、Boltz、Chai、NeuralPLexer 这类蛋白—配体共折叠模型，把结合口袋的几何信息直接带进多模态融合；
- 序列侧：Evo 2 这类全生命域基因组模型（Nature 652:1349–1361, 2026），可以在 DNA 层面做生成与打分；
- 化学侧：SmileyLlama 一类改造过的大语言模型（Nat. Comput. Sci. 6:856–869, 2026），被用来做定向的化学空间探索；
- 流程侧：智能体系统开始接管”设计—执行—反馈”的调度。Anthropic 在 2026 年公开过与 Divergence、Generate Biomedicines 的合作：科学家用 Claude Code 搭起一套多模型智能体，把实验数据、假设、设计空间串成一条可以对话推进的流水线。
与此同时，商业侧的节奏也在加快。Insilico Medicine 的 Pharma.AI 在 2026 年秋季版本里，把专用模型、评估体系和智能体打包成一条从分子设计到合成路线规划的链路。
图：生成化学把”能设计出来”变成了默认能力，稀缺的变成了”能验证出来”（图片来源：Unsplash）
还有一个信号来自学术界之外。2026 年 11 月初，MIT 的 Regina Barzilay 和 Jim Collins 获得了 Pritzker Prize for AI and Science Research Excellence，理由是他们 2020 年那篇 Cell 论文——用深度学习从化合物库里挖出 halicin，第一个由 AI 发现的抗生素。六年过去，这个案例仍然是整个领域的锚点，因为它证明的不是”AI 比人聪明”，而是”AI 能在人类已经放弃搜索的空间里继续搜”。
图：闭环的另一半不在服务器里，而在这排设备上（图片来源：Unsplash）
四、但请先看另一组数字：基准的尴尬
如果只读上面的内容，很容易得出一个过于乐观的结论。所以必须补上另一面。
2025 年，Nature Methods 上发表过一项系统性评估（Ahlmann-Eltze 等）：在标准的基因扰动效应预测基准上，深度学习模型并没有稳定超过简单的线性基线。同年及之后，Nature Communications 上的一项工作（Wang 等，2026）进一步指出，单细胞基础模型里的注意力机制，主要捕捉的是基因共表达模式，而不是真正独立的调控信号。
这两条结论放在一起，含义很尖锐：
- 很多”基础模型在生物学上很强”的说法，是在被精心挑选的基准上成立的；
- 一旦换成分布外的新数据、新的细胞类型、新的实验条件，优势会明显缩水；
- 模型学到的可能只是相关性结构，而不是机制。
这也解释了为什么 BRP 的故事里，”AI 部分”其实只占整篇论文的一小段：预测给出候选，决定性的证据全部来自湿实验——神经细胞、瘦小鼠、小型猪、14 天连续给药、体重与体成分、糖耐量与胰岛素耐量。
AI 负责提问，实验负责回答。这个分工在 2026 年依然没有被打破，也不该被打破。
五、真正的瓶颈，从”发现”移到了”验证”
把镜头再拉远一点，会发现整个行业的瓶颈位置变了。
五年前，瓶颈是”找不到候选”；现在，瓶颈是”验证不过来”。一条肽从动物有效到人有效，中间要过安全性、剂量、给药方式、代谢稳定性、规模化生产这几道关。BRP 目前连受体都还没确定——不知道它到底结合在哪个细胞表面蛋白上，就很难做结构优化，也很难预判脱靶。
还有一个很现实的问题：肽类药物在体内降解快，可能需要频繁注射。研究团队自己也在想办法做长效化改造。
所以”天然 Ozempic”这个标题，距离真正的产品，中间还隔着好几年和三期临床。Svensson 参与创办了 Merrifield Therapeutics 来推进这件事，专利也已经布局——这些都是必要的第一步，不是终点。
图：从动物到人，是 AI 目前最无力加速的一段路（图片来源：Unsplash）
六、一点个人判断
我一直觉得，评价 AI 在科学里的价值，不该看它”猜对了多少次”，而该看它”把人类的注意力节省了多少”。
BRP 这个案例之所以漂亮，是因为它把节省量化了：两万个基因的搜索空间，被压缩成 100 个可以真正做实验的候选。这不是”AI 替代了科学家”，而是”AI 让科学家的手能够到更远的地方”。
但也要警惕另一种叙事——把每一次 AI 辅助的发现都包装成”AI 独立完成”。2026 年的现实是：模型越来越会排序，实验依然只能一次一次地做，临床依然只能一例一例地看。
真正值得期待的，不是某天 AI 说”我找到了治愈肥胖的药”，而是某天我们发现，从假设到验证的平均周期，从五年变成了两年。那一天不会有一次性的突破，只会有一堆像 BRP 这样”不那么轰动、但确实更快”的小故事。
科学的进步，从来不是被谁一脚踹开的门，而是被无数把筛子慢慢筛出来的。
“The lack of effective drugs to treat obesity in humans has been a problem for decades. Nothing we’ve tested before has compared to semaglutide’s ability to decrease appetite and body weight.”
—— Katrin Svensson，斯坦福医学院病理学助理教授
参考来源
- Coassolo L, Danneskiold-Samsøe NB, Nguyen Q, et al. Prohormone cleavage prediction uncovers a non-incretin anti-obesity peptide. Nature, 2025, 641(8061): 192. DOI: 10.1038/s41586-025-08683-y
- Stanford Medicine. AI helps Stanford scientists discover a “natural Ozempic” with a surprising advantage. ScienceDaily, 2026-11-04.
- TechBio 3.0 closes the drug discovery loop with multimodal AI and generative chemistry. npj Drug Discovery, 2026. DOI: 10.1038/s44386-026-00078-x
- Brixi G, et al. Genome modelling and design across all domains of life with Evo 2. Nature, 2026, 652: 1349–1361.
- Cavanagh JM, et al. SmileyLlama: modifying large language models for directed chemical space exploration. Nature Computational Science, 2026, 6: 856–869.
- Ahlmann-Eltze C, et al. Deep-learning-based gene perturbation effect prediction does not yet outperform simple linear baselines. Nature Methods, 2025.
- Wang et al. Single-cell foundation model attention primarily captures co-expression patterns. Nature Communications, 2026.
- MIT News. Regina Barzilay and Jim Collins win Pritzker Prize for AI and Science Research Excellence. 2026-11-02.
- Anthropic. Early progress on accelerating drug development with Claude. 2026.