生物AI正重塑眼科研发底层逻辑
摘要
《自然·生物技术》2026年3月刊发综述，提出‘通用型生物人工智能’概念——这类模型不再局限于单一任务（如细胞分类或基因序列预测），而是能跨尺度、跨模态处理从蛋白质结构到组织病理图像的多种生物数据。文章指出当前算法仍面临实验可验证性弱、训练数据偏倚大、与湿实验闭环不足三大瓶颈，并呼吁构建整合计算建模、微流控芯片与活体成像的新型研发范式。
要点速览
- 提出‘通用型生物人工智能’概念，目标是实现跨生物尺度与模态的多样化任务处理能力
- 指出当前生物AI面临实验可验证性弱、训练数据偏倚大、与湿实验闭环不足三大瓶颈
- 呼吁构建整合计算建模、微流控芯片与活体成像的新型生物研发范式
本站解读
当眼科药企还在为一款抗VEGF药物的五年迭代周期精打细算时，真正动摇行业根基的变量已经浮出水面：不是某家公司的管线进度，而是生物AI能否把‘理解眼组织衰老语言’这件事，从经验驱动转向规则可溯、路径可逆的工程化过程。过去十年眼科创新高度依赖靶点生物学的单点突破，而通用型生物AI的本质，是把视网膜色素上皮代谢通路、小梁网细胞外基质重构、甚至角膜神经再生信号网络，全部纳入同一套表征空间——这意味着临床前验证周期可能被压缩40%以上，但更关键的是，它正在瓦解传统CRO+Biotech+Big Pharma的线性分工逻辑。
跨国药企的护城河正悄然位移：辉瑞和罗氏近年悄悄收购了三家专注眼组织类器官-数字孪生耦合平台的初创公司，而国内头部眼科CXO企业尚未在多模态生物知识图谱方向形成实质投入。国外管线中，已有两个基于生物AI反向设计的缓释纳米载体项目进入II期，聚焦青光眼术后滤过泡纤维化干预；国内尚无同类注册临床试验，多数团队仍停留在用AI做OCT图像分割的初级阶段。真正的沙盘信号藏在细节里——Nature这篇综述特别强调‘湿实验反馈延迟必须控制在72小时内’，这暗示下一轮竞争将围绕高通量活体成像-自动样本制备-边缘计算闭环系统的部署速度展开，而非单纯比拼算力或数据量。
常见问题
这个生物AI听起来很厉害，那以后查眼睛是不是就不用医生看了？
不是的。这种技术目前完全不面向患者端，它是在实验室里帮科学家更快理解眼病机制、设计新药或优化治疗方案的工具。诊断和治疗决策仍需眼科医生结合检查结果、病史和临床经验来完成，如有疑虑可咨询眼科医生。
对我们普通人来说，这项技术什么时候能用上？
短期内不会直接改变就诊流程。它可能在5–8年后间接惠及患者，比如让青光眼或糖尿病视网膜病变的新疗法研发周期缩短，临床试验效率提升。具体落地节奏取决于算法与真实生物系统验证的匹配速度。
延伸阅读
NEI 构建眼细胞数字孪生，眼科研发范式面临重构
美国国家眼科研究所研究人员开发了关键眼细胞的数字副本，为研究细胞在健康及疾病状态下的组织方式提供了新工具。该技术主要针对年龄相关性黄斑变性，旨在通过数字化模型模拟细胞行为。这意味着未来药物研发可能减少对动物实验的依赖，转而利用计算模型预测疗效。目前该工具处于研究阶段，尚未应用于临床治疗，但为理解眼底疾病机制开辟了新的技术路径，有助于加速相关疗法的开发进程
眼血流动力学数字孪生：个性化青光眼护理的新路径
该研究通过结合生理模型和机器学习，开发了一种新型的眼血流动力学数字孪生（DT-OH），以探究眼内压（IOP）和血压（BP）对视网膜血流动力学及青光眼进展的联合影响。研究利用印第安纳波利斯青光眼进展研究（IGPS）的临床数据，揭示了三种不同的血流动力学特征，并发现其中一种特征与青光眼进展风险显著相关。这些特征反映了眼部血流调节的不同模式，为系统性和眼部因素在青光眼中的相互作用提供了生理学见解。研究结果不仅深化了对青光眼病理生理学的理解，还支持了基于IOP和BP的个性化风险评估工具的发展。
NIH 数据共享挑战重塑眼科研发底层逻辑
美国国立卫生研究院宣布数据共享指数挑战一期获胜者，十支团队因概念验证方案获认可。该竞赛旨在通过激励机制打破数据孤岛，提升眼科研究数据的质量与流通效率。此举标志着科研评价体系从单纯追求成果转向重视数据基础设施标准化，为全球眼科创新加速提供底层支持，影响未来研发格局。对于行业而言，数据标准化将成为新的竞争维度，缺乏高质量数据支撑的企业将面临研发效率落后的风险，最终传导至临床诊疗技术的更新速度。