Dr. Aditya Nair
加州理工学院和斯坦福大学博士后研究员及 NIH NeuroAI 项目青年学者

当你体验饥饿、愤怒或恐惧等情绪时，大脑中的特定神经回路会被激活。但如果观察这些回路中的单个细胞，往往会发现这些细胞的活动与人的情绪体验之间几乎没有明显的相关性。

“这是一个巨大的悖论：我们从动物实验中知道这些回路控制情绪，因为如果我们让这些回路失活，动物就会停止表现出情感行为。”天桥脑科学研究院与《科学》杂志 AI 驱动科学大奖优胜奖得主 Aditya Nair 这样说道，“但当我们记录单个神经元的活动时，却找不到与目标行为的直接联系。”

为了解开这个谜团，Nair 将与情绪（如攻击性）相关的下丘脑区域的神经活动数据输入到一个能够检测神经元间微妙互动模式的机器学习模型中。“这就像在听一场交响乐：如果你只听某一件乐器，什么都听不出来，”他解释道，“你需要听整个乐队，才能理解旋律。”

Nair 使用的算法揭示了这样一种现象：当神经元群体交换并循环信号时，它们会稳定在一种被称为“线吸引子”（line attractor）的复杂关系中。这是一种常见于数字神经网络、但在活体大脑中极少被观察到的机制，它允许连续变量随时间被存储。“这很重要，因为情绪有两个关键特性：强度会变化，而且会持续一段时间。”Nair 说，“通过将 AI 模型拟合到神经活动上，我们在大脑中发现了一种此前无法检测到的信号，同时具备这两种特性。”

这是一个具有重要潜在意义的突破，尤其对药物研发有深远影响。“动物无法自我报告情绪，只能通过有限的几种行为表现情感，”Nair 解释道。“现在，我们可以利用大脑活动来量化受试者的饥饿、愤怒或恐惧程度——这将极大提升精神疾病治疗的开发和测试效率。”

Nair 的方法未来还可能帮助神经科学家从更广泛的大脑活动模式中检测到涌现信号。“目前我们只研究了下丘脑的一个很小的区域，”Nair 说，“但我们正在开发工具包，用于建模更大脑区的活动，并读取当成千上万神经元同时进行多项计算时涌现的隐藏信号。”

为加速这一过程，Nair 开发了一个能够接收大脑活动数据并快速处理以揭示涌现信号的大型语言模型。目标是：让标准化分析能够被快速实施，即使研究者本身对 AI 不甚精通也能轻松上手。“我们正在让 AI 工具对整个科研社区变得更加易用，以加速研究和药物开发的进程。”Nair 表示。

Dr. Alizée Roobaert
比利时佛兰德海洋研究所（Vlaams Instituut voor de Zee）研究员

全球海洋每年吸收了大约四分之一的人类二氧化碳排放量——但虽然这一过程在公海得到了充分研究，沿海水域的贡献却出人意料地知之甚少。“这实在是太复杂了——有河流入海、与陆地的相互作用、水深各异等诸多因素，”天桥脑科学研究院与《科学》杂志 AI 驱动科学大奖优胜奖得主、佛兰德海洋研究所（VLIZ）“海洋气候变化的过去、现在与未来”课题组的研究员 Alizée Roobaert 表示，“虽然有一些局部研究，但全球沿海海洋到底吸收了多少二氧化碳，以及这种吸收如何随时间变化，依然存在很大不确定性。”

为了解决这个问题，Roobaert 与布鲁塞尔自由大学（Université Libre de Bruxelles）的 BGeoSys 团队合作，将全球沿海水域划分为边长 0.25 度的网格单元——在赤道附近每格约 28 公里。随后，Roobaert 叠加了全球数据（主要来自卫星遥感），涵盖海表温度、盐度、叶绿素 a 浓度等变量，并整合了约 1800 万个来自船只或浮标的沿海观测数据，包括不断变化的海表二氧化碳浓度测量。最终形成了一张覆盖全球海洋的高分辨率数据拼图，但二氧化碳测量值仅在部分网格中有数据。

接下来，Roobaert 利用机器学习揭示变量间的复杂关系，并逐步补全空白区域。“一旦算法理解了这些变量如何相互作用，它就能重构缺失的二氧化碳测量值。”Roobaert 解释道。最终，她得到了全球沿海二氧化碳吸收随时间变化的地图，其准确率约为以往的 10 倍，细节也显著提升。“这是目前基于观测、用于估算全球沿海水域二氧化碳吸收贡献的最先进方法，”Roobaert 表示。

除了加深我们对沿海水域在海洋碳循环中作用的理解，Roobaert 的高分辨率地图还能为特定区域的海气碳交换提供更准确的洞见。“对于‘蓝色经济’来说，这类数据至关重要——只有了解沿海水域如何影响碳循环，才能量化人类活动的影响，”Roobaert 说。

目前，Roobaert 和 VLIZ 团队正致力于进一步完善这一方案。当前的重点之一是为欧洲北海绘制分辨率高达 1 公里的二氧化碳分布更精细地图。其他目标还包括叠加海洋深度数据，制作四维地图，详细展示碳在水体柱中随时间的扩散过程。“真正驱动我的是，知道自己的工作正在弥补关键数据空白，帮助人们更好地理解海洋在全球碳循环中的作用，”Roobaert 表示，“我们正在用 AI 实现真正的全球影响，这也是我不断前行的动力。”

Dr. Zhuoran Qiao
机器学习科学家
旧金山 Chai Discovery 公司创始科学家

有时候，即便是获奖科学家也会在实验室里栽跟头。

在北京大学读本科时，Zhuoran Qiao 梦想着专攻全合成，利用复杂的实验室方法合成有机化合物。但他很快被现实“叫醒”了。“这就像做饭不好吃一样——我在实验操作上真的不太在行。”Zhuoran Qiao 笑着说，“我总是把实验搞砸，还把自己弄伤。”几次烫伤手指和实验失败后，Zhuoran Qiao 决定转向其他方向。“结果发现，我在用计算机模拟化学反应方面还挺有天赋，”他说，“在计算机上‘做实验’对我来说顺利多了。”

这其实还是谦虚了。今年春天，Zhuoran Qiao 凭借利用生成式 AI 模拟蛋白质结构的研究，成为首届“天桥脑科学研究院与《科学》杂志 AI 驱动科学大奖”的得主。他的突破性成果有望彻底改变制药领域。

“Zhuoran Qiao 的工作令人震撼地展示了 AI 加速科学发现的力量——多亏了他的努力，过去需要耗费数月甚至数年繁重劳动的研究，现在几秒钟就能完成，”天桥脑科学研究院创始人雒芊芊表示，“他让研究人员能够快速设计新分子，为那些曾被认为‘无药可治’的疾病带来了全新的治疗路径。”

科学发现之路

在中国学习计算化学后，Zhuoran Qiao 于 2018 年前往加州理工学院，在 Anima Anandkumar 教授和化学与 AI 创新者 Thomas Miller 教授的实验室攻读博士学位。在那里，Zhuoran Qiao 开始利用机器学习，打通量子数据与分子结构高层描述之间的桥梁。“用 AI，我们能获得以往需要极高计算量才能得到的结构洞见，”Zhuoran Qiao 说。

2021 年，正值 Zhuoran Qiao 不断完善自己的模型时，谷歌 DeepMind 发布了 AlphaFold——一个能根据氨基酸序列预测复杂蛋白质结构的 AI 模型，进一步凸显了计算模拟的潜力。AlphaFold 的能力让 Zhuoran Qiao 惊叹不已：蛋白质的折叠方式比宇宙中的原子还多，但 AlphaFold 却能极其准确地快速预测蛋白质结构。“这是个了不起的突破，”Zhuoran Qiao 说，“但我也看到还有两点不足。”

首先，AlphaFold2 只研究孤立的蛋白质，而药物研发需要模拟蛋白质与小分子的相互作用。其次，AlphaFold2 给出的是静态快照，但蛋白质在体内的生化环境中始终处于动态变化之中。“要理解蛋白质的功能，就必须捕捉其全部动态过程，”Zhuoran Qiao 解释道。

就在这时，Zhuoran Qiao 灵机一动：为何不用扩散模型（diffusion model）？这类模型后来也用于流行的生成式 AI 图像工具。正如米开朗基罗雕刻大卫像时，一点点剔除多余的石头，扩散模型则是逐步消除目标之外的噪音。比如，输入“戴高帽的猫”的提示，模型会从一堆随机像素出发，结合关于猫和帽子的训练数据，逐步逼近目标图像。

Zhuoran Qiao 意识到，同样的方法可以用于模拟蛋白质的复杂动态分子景观。“你从所有可能原子位置的随机混合出发，然后逐步去噪，最终得到三维结构，”他解释道。这里不再是文本提示，而是生化数据：蛋白质序列的进化特征、小分子的化学图谱，以及预测小分子与蛋白质如何相互作用的“接触图”。“利用这些，扩散模型可以映射每一个原子，最终还原分子结构，”Zhuoran Qiao 说。
通俗来说，这意味着 Zhuoran Qiao 的预测引擎不仅能预测蛋白质如何折叠，还能预测其与其他分子（包括潜在药物）如何相互作用。

构建“计算显微镜”

在 AI 出现之前，模拟一个蛋白质是个极其庞杂的任务，要么依赖艰苦的晶体学或光谱成像，要么靠逐原子计算机模拟。“过去大家用蛮力解决这个问题，但模拟一个蛋白质要花费数年 GPU 时间，而且还要人工设置参数，”Zhuoran Qiao 解释道。而他的生成式模型只需几秒钟就能准确还原复杂分子体系。“速度提升了一百万倍，结果往往与实验数据非常接近，”他说。

实际上，这个预测引擎为研究者提供了一个“计算显微镜”，让他们无需繁琐计算和实验，就能洞悉复杂生化系统的运作。它甚至可能帮助科学家突破传统成像的极限，探索那些尚未被实验观察到的“暗蛋白”。“我们的模型可以从已知蛋白质中泛化，帮助我们跨越这一障碍，”Zhuoran Qiao 说，“这对新药开发至关重要。”

初步研究会集中在设计针对已知蛋白质的小分子。“如果你已经有关于信号通路的生物学假说，可以用我们的工具找到能触发该效果的分子，”Zhuoran Qiao 说，“这依然不是个简单问题，但我们的引擎显著加速了搜索过程。”更具雄心的是，这个引擎还能用于从零设计蛋白质，比如开发新型蛋白质传感器，甚至创建一连串生物工程蛋白质相互作用，解锁新的生物功能。有前景的应用之一，是利用“分子胶”让致病蛋白与专门降解生化物质的蛋白结合。“通过模拟这些复杂动态，我们或许能主动清除体内的致病蛋白，”Zhuoran Qiao 说，“这还只是起步阶段，但机会无限。”

最终目标不仅是加速传统研究，更是实现药物发现自动化，让研发走向人类科学家未曾设想的新方向。“我们希望构建能自动生成全新分子的工作流，”Zhuoran Qiao 说，“从长远来看，我们能够替代药物研发中大量传统的人工流程。”

走出学术圈

为了实现这个目标，Zhuoran Qiao 开始将目光投向学术之外。2023 年，他加入了 Iambic Therapeutics，这家初创公司源自他导师在加州理工的实验室；今年，他又以创始科学家的身份创立了 Chai Discovery。“学术界是原型开发的好地方，但要产生真正的现实影响，就需要更大的团队和更多资源，”Zhuoran Qiao 解释道。

团队协作带来了令人瞩目的成果：Iambic 的 NeuralPLexer 模型刷新了结构预测的行业标准，Chai 最新模型能以 16%的成功率设计新型抗体——这是此前水平的 100 倍提升。Chai Discovery 联合创始人 Joshua Meier 称之为“蛋白质的 Photoshop”，带来了强大的新见解。“数字生物学不再是科幻——它已经成为现实，”他说。

目前，DeepMind 的 AlphaFold 数据库已被超过 200 万名研究者使用，完成了以往需 10 亿年才能完成的分析；2024 年，AlphaFold 的两位创始人获得了诺贝尔化学奖。现在，Zhuoran Qiao 说，研究者们正迈入“后 AlphaFold”时代，利用更强大、更专业的模型加速发现。“我们有机会以前所未有的规模绘制蛋白质相互作用图谱，”他说，“我很幸运能参与这场变革。”

现在，Zhuoran Qiao 表示，是时候抓住这个机遇，打造能带来临床变革性成果的实用工具和工作流了。“这对我来说很有情感意义，”Zhuoran Qiao 补充道，“如果我们能做到这一点，整个计算药物研发的方式都将被彻底改变。”

天桥脑科学研究院（Tianqiao and Chrissy Chen Institute）与美国科学促进会（American Association for the Advancement of Science, AAAS）今天联合宣布，首届“天桥脑科学研究院与《科学》杂志 AI 驱动科学大奖”获奖名单正式公布。这一重要年度奖项旨在表彰利用 AI 赋能科学发现的创新性研究。三位获奖者将分享总计 5 万美元的现金奖励，其获奖研究论文也将在《科学》杂志上发表。

大奖得主：

• Dr. Zhuoran Qiao，机器学习科学家，旧金山 Chai Discovery 公司创始科学家，因其在生物化学领域运用 AI 的突破性工作获得大奖。

优胜奖得主：

• Dr. Aditya Nair，加州理工学院和斯坦福大学的博士后研究员及 NIH NeuroAI 项目青年学者，他的研究专注于将 AI 和神经科学相结合。
• Dr. Alizée Roobaert，比利时佛兰德海洋研究所（Vlaams Instituut voor de Zee）研究员，开发了监测海洋气候动态的创新 AI 解决方案。

“我们收到了来自世界各地、涵盖众多科学领域的投稿申请。”天桥脑科学研究院创始人雒芊芊表示，“在 AI 正根本性地加速全球科学发现的时代，我们很高兴能够发掘这三位杰出的年轻研究者，他们正在使用强大的新技术拓展人类知识的前沿。”

“我们一如既往地对 2024 年 AI 驱动科学大奖的高质量、富有想象力的投稿感到兴奋。”《科学》杂志高级编辑 Yury V. Suleymanov 表示，“这三位早期职业科学家展示了他们在AI领域的前沿技术，他们用创新的AI方案解决了科学家在多个领域面临的重大挑战和机遇。”

获奖研究亮点

大奖：将蛋白质置于计算显微镜下

Dr. Qiao 在诺贝尔奖获奖研究基础上，运用生成式 AI 技术预测蛋白质折叠，并使用先进的机器学习技术创建动态模型，展示折叠蛋白质如何随时间变化，以及它们如何与较小分子相互作用。这一“计算显微镜”能够以惊人的速度和准确性预测蛋白质行为，为药物发现提供了强大的新工具。“我们正在以前所未有的规模解锁绘制这些分子相互作用的巨大机会，并利用这一点快速开发新药物和治疗方法。”Dr. Qiao 表示。

优胜奖：聆听大脑的隐秘合唱

目前，神经成像技术的突破使研究人员能够监测单个神经元的活动，而 Dr. Nair 正在使用 AI 揭示神经元相互作用时出现的隐秘合唱与和声。他的研究表明，这些相互作用形成持久的、自我延续的模式，可以独立于任何单个神经元的活动来编码和调节持久的心理或情感状态——如兴奋、愤怒或饥饿。他的模型还揭示了，这些持久的网络效应是由作用缓慢的神经肽（neuropeptides）介导的，这使得它们随着时间的推移更加稳定。

优胜奖：了解沿海水域如何吸收二氧化碳

世界海洋吸收了约四分之一的人为二氧化碳排放，但人们对沿海海洋在推动全球海洋碳汇方面的作用知之甚少。Dr. Roobaert 使用神经网络融合全球卫星数据和来自沿海二氧化碳测量的 1800 万个数据点，创建了第一个沿海水域二氧化碳吸收的高分辨率模型。通过将零散数据集连接起来，她的方法为世界海洋的健康状况及其在气候学中的作用提供了真正的全球性概览。

奖项设置与后续活动

大奖得主 Dr. Qiao 获得 3 万美元现金奖励，其论文会发表在今天的《科学》杂志印刷版和在线版。优胜奖得主 Dr. Nair 和 Dr. Roobaert 各获得 1 万美元现金奖励，论文将在《科学》杂志的在线版发表。所有获奖者还将获得《科学》杂志在线版五年订阅，并成为荣誉陈氏学者（Chen Scholars）。

2025 年 10 月 27-28 日，三位获奖者将在旧金山举行的首届“天桥脑科学研究院 AI 驱动科学研讨会”上展示他们的研究成果。他们还将与诺贝尔奖得主 Dr. Jennifer Doudna、Dr. David Baker，以及其他全球顶尖学者、行业领袖和研究人员同台交流。研讨会面向公众免费开放，需要注册参加。详情请访问：https://aias2025.org/

2025 年度的“AI 驱动科学大奖”申请通道将在 8 月开启，我们热情欢迎广大青年科学家们在 https://www.cheninstitute.org/prize 提前注册，以便及时收到通知。申请者应在 AI 相关的领域工作；在申请时持有医学博士、哲学博士或医学博士/哲学博士学位，并在过去 10 年内获得该学位。

同时，欢迎您加入我们的科学社区，并申请成为 AIAS 会员，以获得更多的权益。申请邮箱：AItalents@cheninstitute.org。