01基因编辑 · AI蛋白工程
基因编辑真正难的，不只是能否改中目标，而是能否避免在其他DNA或RNA位置留下“误操作”。研究团队开发了ContactSeek：先用全基因组测序绘制腺嘌呤碱基编辑器的脱靶位点，再把靶标与脱靶序列交给AlphaFold 3，比较蛋白质、DNA和向导RNA之间的接触概率，定位决定特异性的关键氨基酸。
根据这些位点对Cas9和TadA8e脱氨酶进行小幅改造后，最佳组合在一个测试向导RNA条件下，使全基因组脱靶编辑约降低83%；由两处突变组成的优化版本，整体表现超过多种已知高保真腺嘌呤碱基编辑器。框架还被扩展至Cas12a胞嘧啶碱基编辑器，说明它并非只适用于单一工具。
核心意义：AI不再只是预测一个复合物“长什么样”，而是把结构预测与真实脱靶信号连接起来，给出可实验验证的改造位点。这是一条“结构预测—机制定位—蛋白工程—测序验证”的闭环路线。
注：83%来自特定向导RNA和实验体系，不能外推为所有靶点均有相同改善；当前证据仍以分子和细胞层面为主，距离体内安全性及临床应用尚有明显距离。
参考文献Meng H, Lei Z, Yan Y, et al. Precise DNA base editing using AlphaFold3-based contact modelling. Nature. 2026. DOI: 10.1038/s41586-026-10794-z
论文：https://www.nature.com/articles/s41586-026-10794-z
PubMed：https://pubmed.ncbi.nlm.nih.gov/42486984/
研究报道：https://phys.org/news/2026-07-ai-tiny-gene-editor-unintended.html
02微生物组 · 自动化实验
单独补充一种菌，往往难以稳定改变肠道功能，因为微生物能否定植、产生什么代谢物，还取决于其他菌种和可利用的膳食底物。研究团队把机器学习、贝叶斯优化、高通量培养和实验室机器人组合成“设计—实验—学习”闭环，探索由15种肠道微生物和6种膳食纤维构成的21个变量。
这些变量形成的潜在组合远超万亿级，无法靠穷举完成。系统连续运行5轮高通量实验，单轮最多并行测试390个条件，每轮由模型优先选择既能补足知识空白、又可能提高目标功能的实验。最终锁定了一个稳定促进丁酸生成的组合：菊粉、Bacteroides uniformis、Anaerostipes caccae，并与Prevotella copri形成高阶相互作用。
核心意义：微生物组干预的设计单位可能不是“某一种益生菌”，而是“菌群＋营养底物＋既有生态环境”。AI最重要的贡献，是在巨大组合空间中决定下一批最值得做的实验。
注：丁酸升高属于功能性替代指标，研究主要基于体外合成菌群和人粪便来源群落实验；能否在人群中长期定植、改善炎症性肠病或代谢结局，仍需动物和临床研究验证。
参考文献Connors BM, Thompson J, Gangan MS, et al. Designing fiber–gut microbiome interactions with active learning. Nature Chemical Biology. 2026. DOI: 10.1038/s41589-026-02272-4
论文：https://www.nature.com/articles/s41589-026-02272-4
Duke University研究发布：https://www.eurekalert.org/news-releases/1137564
03癌症基因组 · 长读长测序
长读长测序能够跨越复杂基因组区域，但肿瘤体细胞小变异的高质量“真值集”非常有限：GIAB参考样本拥有约2500万个高可信胚系变异，而公开肿瘤—正常配对真值仅约4万个SNV和2000个indel，难以支撑大规模深度学习。
港大团队开发的ClairS把不同正常样本的真实长读长数据重新组合，生成可控制肿瘤纯度、测序深度、变异等位基因频率和正常污染比例的“合成肿瘤”。在Nanopore Q20+、肿瘤/正常约50×/25×条件下，纯合成数据模型的SNV和indel F1分别达到89.83%和73.38%；加入真实癌细胞系微调后，升至96.19%和79.67%。
核心意义：医学AI的瓶颈往往不是网络层数，而是训练标签。ClairS展示了一种可追溯的策略：用真实测序读段构造可控训练场景，再用真实肿瘤数据校准模型，并借助长读长单倍型信息过滤假阳性。
注：主要基准仍来自标准癌细胞系，不能完整模拟真实肿瘤的亚克隆、FFPE损伤和复杂拷贝数背景；工具聚焦SNV和小indel，不等同于完整的结构变异、拷贝数和甲基化分析。ClairS已开源，并被纳入Oxford Nanopore体细胞变异工作流。
参考文献Zheng Z, Chen L, Su J, et al. ClairS: a deep-learning method for long-read tumor–normal pair somatic small variant calling. Nature Methods. 2026. DOI: 10.1038/s41592-026-03152-4
论文：https://www.nature.com/articles/s41592-026-03152-4
香港大学研究发布：https://www.hku.hk/press/press-releases/detail/29266.html
开源代码：https://github.com/HKU-BAL/ClairS
04基层医疗 · AI医疗器械
呼吸困难可能来自心力衰竭、肺部疾病或其他原因，常规鉴别往往需要转诊心脏专科。在西班牙，心脏科平均候诊时间约64天，且多达25%的紧急转诊事后被认为并非必要。为缩短这一链条，格拉纳达、马德里和巴塞罗那的9家基层诊所试点使用AI引导的掌上心脏超声。
此前没有超声经验的家庭医生接受12小时理论与实操培训后，可在患者就诊时完成约12—15分钟的床旁检查。研究者估算，AI掌上超声每次评估约20欧元，传统心脏科转诊约280欧元；按当地服务量推算，每家诊所每年可能节约约7万欧元。
核心意义：这类AI的价值不只是替医生读图，而是把探头摆放、图像质量控制和标准切面的操作知识嵌入设备，使非专科医生能够完成初筛，把专家资源集中到真正需要进一步诊疗的人群。
注：这是一项基层实施试点，经济数字主要是当地成本估算，尚不能证明可降低住院、死亡或重大心血管事件；其结果也不能直接外推至中国的转诊体系、支付结构和人员培训环境。
参考文献Segura-Rodríguez D, et al. Handheld Cardiac Ultrasound Guided by Artificial Intelligence to Detect Heart Failure Across Primary Care. The Annals of Family Medicine. 2026;24(4):376.
期刊页面：https://www.annfammed.org/content/24/4/376
American Academy of Family Physicians研究发布转载：https://www.miragenews.com/ai-driven-handheld-cardiac-ultrasound-offers-1717060/
