AI + 基因编辑：Anthropic用大语言模型挖出类CRISPR新系统

Anthropic和CRISPR这两个词放在一起本身就很有话题性。前者是当前最受关注的AI实验室之一后者是改写整个生命科学界的基因编辑工具。我最初看到这条消息的时候第一反应是“AI公司不好好做模型跑去搞生物实验了”但顺着标题里“自己的实验室”和“类CRISPR新系统”两层信息挖下去发现这其实是AI for Science一个非常典型的落地样本——大语言模型不再只会写诗和写代码它被直接扔进基因组数据里挖出了一个能切割DNA的新蛋白系统。这篇文章我打算把事件本身、背后技术原理、可复现的工作流以及这套方法真正值得关注的地方一次性拆明白适合对AI生物交叉方向感兴趣的工程师、科研人员以及想用大模型做严肃科学发现的从业者。1. 事件本身Anthropic为什么“跨界”挖基因编辑系统1.1 AI公司做湿实验并不是拍脑袋很多人看到“Anthropic自己的实验室”这个表述会觉得这是一次心血来潮的跨界。但如果你了解Anthropic的长期布局就会发现这步棋并不意外。这家公司一直强调AI的安全性和可解释性具体到技术路线上他们做的很多工作都不仅仅是“把聊天机器人做得更好”而是想让模型对真实世界产生可验证、可衡量的影响。基因编辑系统的发现就是一个非常合适的验证场景。为什么这么说因为过去十几年里学术界发现新基因编辑工具的传统路径非常固定先从微生物基因组里找Cas蛋白的同源序列然后再做功能实验。这条路效率不低但天花板也很明显——你只能在已知的“亲戚”里找变体很难跳出Cas9、Cas12这些既定框架。而大语言模型对序列的理解方式完全不同它能学到的是“序列的语法”而不是“序列的相似度”。当模型从大量宏基因组、噬菌体序列中完成预训练后它有可能在结构上和已知Cas蛋白八竿子打不着的序列里识别出“具备DNA切割潜力”的功能模块。这就解释了Anthropic为什么要“泡”在实验室里他们不是在证明ChatGPT能聊天而是在证明语言模型能够作为一种科学发现的引擎从海量未标注的生物数据中发现人类靠传统搜索算法发现不了的东西。所谓“自己的实验室”我的理解是Anthropic把模型部署进了一个完整的科研闭环——序列输入、结构预测、功能筛选、实验验证——而不是简单地把一个API丢给生物学家让他们自己玩。这个事件真正的价值在于它把“AI辅助科研”从口号变成了一条可复现的工程链路。以前我们谈AI for Science更多是AI帮忙写代码、整理文献、预测蛋白质结构。而这次是模型直接参与“新功能系统的发现”角色从“助手”变成了“狩猎者”。1.2 “类CRISPR”到底是什么意思要理解这个发现的分量得先厘清“类CRISPR”这个概念。CRISPR-Cas系统是细菌和古菌的适应性免疫系统。简单说细菌把入侵噬菌体的一小段DNA记录在自己的基因组里CRISPR阵列然后转录出RNA再由Cas蛋白带着这段RNA去识别、切割下一次入侵的同源DNA。基于这个原理科学家把Cas9改造成了基因编辑工具能在指定位置切断DNA这是过去十年生命科学最重大的技术突破之一。但CRISPR并不是孤例。近年来科学家陆续发现了一系列结构上和Cas蛋白不同源、但功能上同样由RNA引导的DNA核酸酶比如张锋团队在2019年左右发现的OMEGA系统以及2023年发现的Fanzor。这些系统被统称为“类CRISPR系统”或者“RNA引导的核酸酶”。它们和Cas9的核心区别在于系统更小一个蛋白可能只有Cas9的60%大小、对PAM序列可编辑位点侧翼的短DNA序列的兼容性不同、在真核细胞中的活性表现也各有差异。现在的核心逻辑是如果AI能从海量微生物序列中挖出一个全新的、不属于已知任何家族的类CRISPR系统那就意味着“基因编辑工具发现”这件事本身可以被加速。过去一个人花五年时间才能完成的挖掘工作大模型可能只需要几天就能给出足够多的高置信候选然后由湿实验团队去验证。这才是真正改变游戏规则的地方。对于普通读者来说可以把这次事件理解成一个AI公司训练了一个“蛋白质语义模型”让它去阅读地球上的微生物基因组——这就像让一个通晓所有方言的语言学家去听世界各地的口述史他不需要认识每一句话里的每一个词但他能通过语法结构判断出“这段话在讲什么”。Anthropic看到的是有些序列讲的就是“我如何切割DNA”。2. AI挖掘新基因编辑系统的核心技术路线2.1 把基因组当“文本”读是这次方法论的核心转折传统寻找Cas同源蛋白的做法非常依赖BLAST和HMMER这类工具。你拿一个已知的Cas9蛋白序列去数据库里跑相似性搜索找出所有“长得像”Cas9的序列然后逐个验证。这个思路的前提是新蛋白必须在序列层面和已知蛋白有足够高的相似度。但生物进化的实际情况是同功能的蛋白在序列上可以差异巨大尤其是那些经历了水平基因转移、结构域重排的蛋白。序列相似度低不代表功能不相似。而这正是大语言模型的优势所在。蛋白质语言模型的训练方式本质上和训练一个“AI写代码”的模型没有区别。模型读取的token是氨基酸或者DNA/RNA的碱基片段学习的目标是预测下一个token。在数十亿条序列上完成预训练之后模型内部会形成一个关于“序列语法”的高维表示——它知道什么样的氨基酸组合通常构成一个特定结构域什么样的结构域组合在功能上自洽什么样的序列会在进化中被反复选择。当Anthropic的研究人员用这种方式去扫描宏基因组数据时他们不是在找“Cas9的远房亲戚”而是在找“具备RNA引导核酸酶语法特征的完整序列”。一个序列可能和已知的Cas蛋白家族没有任何直接同源关系但如果它的整体结构包含结构锌指、HNH或RuvC样核酸酶结构域并且带有RNA结合模块的特征模型就会给出一个较高的“功能置信度”。这个思路和我之前自己尝试过的“用BERT做启动子预测”非常像。传统方法做启动子预测依赖已知模体motif而DNA语言模型能自动学习到启动子区域上下游的序列背景特征。用在蛋白质功能发现上逻辑完全一致传统方法看到的是“相似”模型学到的是“语义”。2.2 候选系统发现的具体流程五步链条缺一不可我把这次事件背后可能的完整技术链条拆解成五步每一步都对应一类具体的工具和方法这也是你能在开源社区里实操复现的路径。第一步是数据收集。需要来自不同环境土壤、海洋、肠道的宏基因组数据以及NCBI等数据库里已经公开的噬菌体和质粒基因组。特别注意要补充来自未培养微生物的序列——因为实验室里能培养的微生物只是极小一部分大量新颖系统恰恰藏在“未培养组”中。第二步是序列特征的嵌入表示。把DNA序列切成长度为几百到几十kb的片段输入蛋白质语言模型比如ESM系列或者专门针对基因组DNA训练的DNABERT类模型。每个序列片段输出一个高维向量既可以用作后续聚类分析也可以直接输入下游分类模型做功能标注。第三步是结构预测筛选。对模型标记的高置信候选进行三维结构预测这一步基本绕不开AlphaFold或者ESMFold。结构预测的核心价值是如果你能预测出一个由多个结构域组成的整体架构而这个架构符合已知核酸酶折叠模式那这个候选的可信度就大大提升。这是把“语言模型猜动机”和“结构证据锁死”结合起来的关键一步。第四步是保守性分析和进化树构建。通过多序列比对看候选蛋白在不同物种中是否存在直系同源物。如果一个“新系统”只在单一基因组片段里出现那它大概率是假阳性如果在多个独立来源中都存在并且周围基因排列保持一定共线性那基本可以确定这是一个有生物学功能的完整系统。第五步是湿实验验证。这一步没法省也是整个链条里最耗时、成本最高的环节。通常需要做RNA结合验证、体外DNA切割实验、细胞内编辑效率测试以及PAM依赖性的系统分析。AI不会替你证明“功能为真”它能做的是缩小你不得不做湿实验的候选范围。2.3 为什么候选方向偏向“类CRISPR”而不是再找一个Cas9这里有个很自然的疑问AI既然能发现新系统为什么不直接让它去找一个比Cas9更好用的新Cas9答案是CRISPR-Cas9已经被人类筛选了十几年几乎所有容易发现的Cas9变体都已经被挖空了。再在已知框架里“捞鱼”性价比很低。类CRISPR系统则处在另一个位置。它们和Cas蛋白功能相似但序列相远意味着存在一整个未被系统开拓的“暗蛋白质空间”。从工具应用角度看类CRISPR系统往往具有更紧凑的蛋白尺寸这使得它们更容易通过腺相关病毒AAV载体递送到体内对基因治疗意义重大。同时因为它们结合DNA的机制细节不同很可能对PAM序列的要求更宽松能够拓宽可编辑基因组位点的范围。还有一点值得注意类CRISPR系统的分布非常广泛不只存在于细菌也存在于真核生物中。如果AI发现的是一个来自真核生物的类CRISPR系统那对基因编辑工具演进的意义会更大因为真核生物的DNA修复机制和细菌不同某些工具在真核细胞内反而可能具备更好的编辑活性。从方法论角度看AI在这个方向上更容易“出新”因为训练语料里有海量未注释的宏基因组序列模型有充分的空间去挖掘跟已知蛋白完全不同的模式。这相当于让模型在一个还没被人类系统开采过的矿脉上进行勘探出结果只是时间问题。3. 实操指南如何用大语言模型从头挖掘一个新基因编辑系统3.1 数据准备与第一轮筛选如果你想自己复现一条简化版的“AI挖酶”流程我建议从公开数据下手不需要复刻Anthropic的全部计算规模。我看到不少人在这一步犯的共病是拿着全量数据库直接丢给模型跑结果显卡烧爆、时间耗死最后还没筛出什么有效候选。正确的做法是先做一轮“减法式过滤”。具体操作为先从NCBI的env数据库提取宏基因组测序数据或者直接下载IMG/M等整合基因组数据库的基因片段。用prodigal预测所有开放阅读框ORF翻译成蛋白序列。然后做一个快速HMM搜索把这堆蛋白质序列和已知的Cas蛋白家族模型比对一遍。这里有个技巧不要把阈设得太死。很多人喜欢用E-value小于1e-5筛选这会直接漏掉那些“序列相似度低但功能可能相关”的新系统。我实测下来用1e-2这种宽松阈值跑一遍把命中的序列拉出来归聚类再看反而能捕捉到很多介于“同源”和“不相关”之间的边缘候选。这一轮的目标不是找真金而是把后续要喂给大模型的序列规模控制到十万条以内。筛选完之后把这些序列按照基因簇gene neighborhood打包。因为一个完整的类CRISPR系统通常包含多个相关性基因比如一个编码RNA结合蛋白的基因旁边往往紧挨着一个编码核酸酶结构域的基因。把基因簇整体保留而不是只留下单独一个蛋白才能给模型提供完整的上下文。3.2 用Claude等大模型做“语义猎人”时的提示词设计这部分是目前社区里公开讨论最少、但实操价值最高的内容。很多人觉得“让AI挖基因编辑系统”就是把所有序列丢进对话框让Claude总结其实完全不是。大模型的上下文窗口有限你不可能直接输入十万条序列。合理的用法是把大模型当成一个“判断专家”喂给它的是经过特征提取后的候选基因簇摘要。我会这样设计第一轮提示词把候选基因簇的全部蛋白在线预测结果或者二级结构预测文本、每个蛋白的长度和结构域注释以及该基因簇物种来源整理成JSON格式输入给Claude。提示词里明确要求模型完成几个具体判断第一该基因簇中是否同时包含RNA结合模块和核酸酶模块第二这两个模块的排列方式是否与已知CRISPR系统有一致性第三基因簇周围是否存在编码Crispr阵列的重复序列特征。第二轮提示词则用于排除噪音。把第一轮筛出的目标蛋白序列上传让模型给出它认为的“保守活性位点”位置然后和已知蛋白家族的结构域模型对齐。这个环节里我建议让模型输出JSON结构化的结果而不是大段解释性文字。结构化的输出更方便你在下游脚本里自动汇总和分析。一句话经验大模型在这个流程里的角色是“具有广阔知识背景的判断器”而不是“搜索引擎”。你要给它狩猎范围告诉它什么样的猎物值得射击再由它来给出射击清单。3.3 候选验证从预测到功能实验的关键步骤当模型给出了一批候选之后你面对的是一份可能包含几十个“似乎可行”的系统。接下来的验证流程通常分为三条主线。第一是体内/体外核酸酶活性验证。最简单的是在大肠杆菌里表达该蛋白纯化后与带有靶标序列的DNA片段一起孵育通过凝胶电泳看是否有切割产物。这一步能直接判断该系统是否真的具备DNA切割活性。第二是引导RNA的鉴定。类CRISPR系统都需要一个RNA作为引导。该RNA是由同一个基因簇转录出来的还是作为独立转录本存在一般来说通过RNA测序就能找到候选的非编码RNA转录本。这步非常关键因为“一个蛋白”和“一个能工作的RNA引导系统”之间还有很长的路要走。第三是PAM序列的确定。要做随机文库切割实验看这个系统在什么序列背景下能切、什么背景下不切通过高通量测序反推出PAM偏好。这一步决定该工具到底能用在哪里如果PAM序列限制太严实际应用价值就会大打折扣。我很少看到有教程会在这个环节提醒“活性并不等于可控编辑”。即使你验证出一个蛋白能在体外切DNA也不代表它在人类细胞里能内源工作。细胞内的染色质可及性、DNA修复通路的差异都会显著影响最终编辑效率。所以如果你想做应用层面的工具后续还得加上哺乳动物细胞里的编辑效率检测这已经是下一阶段的工作了。4. 这套方法论真正厉害在哪4.1 大模型挖掘相对传统BLAST的降维打击过去用BLAST找同源蛋白本质上是在做一个“序列相似性搜索”。相似度低但不一定功能无关的蛋白很难进入候选名单。而大语言模型的表示学习则完全跳过了“相似性”的框定它关注的是“功能语义”。这就好比传统方法用一个“长得像”标准去找警察而模型是通过“行为模式”来识别职业。这一点直接决定发现上限。我见过很多做微生物挖掘的研究者辛辛苦苦筛出的一堆“候选”最后用BLAST一比对全是已知蛋白。并非他们不够努力而是他们的筛选起点就决定了结果范围的有限性。基于大模型的方法相当于把搜索空间从“已知序列的近邻”扩到“全部测序数据的隐空间”这中间的增量是几个量级。还有一点容易被忽视传统筛选流程需要一个明确的“已知蛋白”作为种子。如果你要找“全新的类CRISPR系统”问题在于你根本不知道该拿什么序列当种子。而大模型不需要种子它能通过无监督预训练自主学出序列规律。这个特性叫做“无参考挖掘”是BLAST路线永远做不到的。4.2 别神化AI假阳性和验证成本始终是瓶颈这个事件很容易被媒体宣传成“AI一键发现新物种”但干过科研的人都清楚算法给出的是高置信候选而非已验证的生物学事实。大模型的本质是一个从数据中拟合分布的模型它擅长在分布密集的区域给出看起来合理的答案但在极端、边缘的数据上它同样会以相当自信的语气“编造”出一个功能蛋白。所以实际工作中必须给这个流程加上“验证漏斗”。我个人的经验比例是如果模型给出100个候选真正值得跑湿实验的通常不超过5个这5个里最后能成功验证出功能的乐观估计也就1个。这个比例听起来很低但如果你对比传统方法的话已经是很高的投资回报率了。传统从一个宏基因组数据库里挖掘一个功能系统概率可能低于万分之几。另一个被人忽略的点是AI挖掘出的新系统往往离实际应用有相当大的距离。即便你在湿实验中验证了DNA切割活性还需要筛选合适的引导RNA架构、调整PAM限制、优化蛋白核定位信号才有可能用于人类细胞编辑。无论出发点是AI还是BLAST这段“从候选到工具”的漫漫长路谁都没法省略。4.3 开源数据集与复现性的关键问题Anthropic这一发现的学术价值有多大很大程度上取决于他们是否公开了完整的训练数据、候选序列、筛选阈值和验证数据。目前我只能说在大模型的科研应用场景下复现性一直是个刺手的问题。你在公共代码仓库里能看到的往往是“末端流程”——比如如何对候选序列做结构预测、如何画进化树。真正核心的模型权重、训练语料、筛选过程中的内部打分逻辑很多团队选择不公开。原因可以理解模型本身是他们大几千亿投入研发出来的核心资产没理由把底牌全亮出来。但从科研角度看这确实限制了整个社区在这个方向上快速复制、迭代、改进的速度。如果你是实验室里想切入这个方向的初学者我的建议是不要指望复现对方全部工作。更务实的做法是直接复用公开的蛋白质语言模型比如ESM家族做表示学习用公开的宏基因组数据库扫一遍尝试复现“发现一个有趣候选”这个前置环节。这个环节本身就能让你学到很多不必等到完整复现才动手。5. 几个容易被误解的点AI不是造物主5.1 “AI发现”背后是大量人类湿实验专家的血汗看到“Anthropic挖出类CRISPR系统”这条新闻大众最容易产生的误解是AI已经完全掌握了生命密码人类科学家快失业了。事实恰恰相反。这种发现的整个链条里最稀缺、最昂贵、最耗时的部分依然是湿实验验证。一个蛋白要完成体外切割验证、结构解析、PAM鉴定和细胞编辑测试靠的是几个经验丰富的博士后夜以继日地做实验。AI在这里所做的事是把一个需要五年的发现过程压缩到了几个月并把人类验证实验的命中率大幅提升。这个价值当然巨大但没有改变“验证决定科学真实性”的铁律。AI永远无法替代的正是那个在实验室里判断“这个带切口的片段是真的被酶切了还是因为核酸酶污染降解了”的人。有经验的实验科学家在AI时代不仅不会过剩反而会因为AI提供了更多值得验证的候选而变得更加重要。这一点也给做计算的人提了个醒如果你想在这个方向上做出真正的成果光会跑模型是不够的你必须理解后端验证实验的逻辑。否则你送出去的候选清单大概率被合作实验组当垃圾邮件忽略。5.2 这波方法论可以迁移到其他分子系统说回到这个事件更大的影响。类CRISPR系统的发现方法并不仅限于挖基因编辑工具同样的“预训练大模型挖掘新颖蛋白家族”的范式可以被迁移到很多其他领域。比如挖掘新型的蛋白酶、裂解多糖单加氧酶、毒素蛋白或抗菌肽。这些蛋白在功能上都有极强的应用价值但在序列层面它们都同样存在“跨家族功能趋同”的特性传统方法容易因低序列同源性而漏掉。本质上大语言模型提供的是一个通用的“蛋白功能隐空间”只要你给它定义清楚“我关注什么功能模式”它就可以帮你在整个生命数据库中搜寻匹配的候选。我相信未来一两年我们会看到非常多的类研究问世背景可能各不相同但核心思路都是语言模型加宏基因组加湿实验验证。这套组合拳会是AI for Science在结构生物学之后又一个真正能产生实际产业价值的落地场景。5.3 对“AI生物”交叉从业者的实用建议最后说一点个人层面的建议。如果你是一个计算背景的工程师想进入这个方向我建议你从以下几个点切入先把宏基因组分析的基本操作练熟——从fastq质量控制、序列拼接、基因预测到功能注释这个过程你能建立起对生物学数据的“手感”再花时间把HMMER、MMseqs2这类工具玩熟它们是传统方法的基础也是你理解大模型为何更优的参照系最后才是接触蛋白质语言模型和结构预测工具。反过来如果你是一个做湿实验的科研人员不必被技术名词吓退。你只需要理解一系列问题模型的输入是什么、输出是什么、置信度怎么衡量、筛选阈值在哪里。把这些问题和计算合作者聊透你就能成为那个真正决定“哪个候选值得进实验室”的人。在我个人经验里这种交叉岗位的判断力恰恰是实验室里最稀缺的能力。如果你正好想试一把这个流程又不想从零搭建全部工程最轻量的玩法是去Hugging Face上找一个开源的蛋白质语言模型在NCBI下载一小批宏基因组样本作为语料用contrastive learning的方式找出跟已知Cas蛋白表示接近、但序列相似度很低的候选蛋白。跑完一轮你会有种很妙的实感你正在用教AI写诗的方法去发现地球基因库里那些从未被人类命名过的分子工具。这种体验是任何传统生信流程给不了的。