微软与哈佛MIT联合推出生物学世界模型Project Quine：AI加速抗癌药物筛选的范式突破
近日，微软研究院联合哈佛大学与麻省理工学院（MIT）正式发布了名为 **Project Quine** 的生物学世界模型。该模型宣称能够在一个周末内完成传统方法需要数月甚至数年的抗癌候选药物筛选工作，这一突破性成果引发了生物医药与人工智能交叉领域的高度关注。
模型核心：从“计算模拟”到“世界模型”
Project Quine 并非传统意义上的分子对接或虚拟筛选工具，而是一个基于大规模多模态数据训练的“生物学世界模型”。它整合了基因组学、蛋白质组学、细胞信号通路、临床预后信息以及化学分子性质等异构数据，构建出能模拟细胞在分子层面动态响应的“数字孪生”系统。与现有AI药物发现模型相比，Project Quine 不再仅仅预测小分子与靶点的结合亲和力，而是试图理解“当某个分子进入特定癌细胞后，整个细胞内信号网络将如何重编程”。这种因果推理能力使其能够剔除那些表面有效但实际会引发耐药通路的假阳性候选物，从而大幅提升筛选精度。
技术架构与效率跃升
据披露，Project Quine 的核心架构融合了图神经网络（GNN）与扩散模型。前者负责表征蛋白质-蛋白质相互作用网络与代谢通路的拓扑结构，后者则用于生成高质量分子构象并模拟其扰动效应。在训练阶段，团队使用了超过2000万条来自公开数据库（如TCGA、ChEMBL、PDB）的样本，并引入强化学习机制让模型自主探索“假设性实验”——例如模拟某种基因敲除后再施加药物刺激的结果。这种“在硅片上进行虚拟实验”的能力，使得Project Quine 能在约72小时内从包含数亿个分子的虚拟库中精准筛选出对特定癌细胞系（如三阴性乳腺癌、非小细胞肺癌）具有高度选择性的候选物。对比传统高通量筛选（HTS）常需数周至数月，且受限于物理试剂量与成本，这一效率提升具有颠覆性意义。
行业影响与未来挑战
对制药行业而言，Project Quine 有望显著降低早期研发的试错成本——当前药物研发平均耗时10年、投入26亿美元，而约90%的候选物在临床阶段失败。若筛选阶段能提前排除无效或高风险分子，将直接缩短研发周期并提高成功率。不过，模型的可解释性与泛化能力仍是待解难题：生物学网络的高度非线性意味着“世界模型”产生的推测仍需通过湿实验验证。此外，微软团队也坦承，当前模型在罕见癌种及异质性极强的肿瘤微环境预测上仍存在盲区。尽管如此，Project Quine 已标志着AI从“工具”向“科学假设生成器”的跨越——它不仅是药物筛选的加速器，更可能重塑我们理解生命复杂系统的范式。
