AI正在改变医学发现：科学家是怎样从人体细胞里找到“对抗病毒的武器”的？
我们经常看到这样的医学新闻：
“科学家发现一种新抗体，可以对抗猴痘病毒。”
普通人的第一反应可能是：
又发现了一种新药？
其实没有这么简单。
真正值得关注的，是科学家到底怎样找到这个抗体的。
2026年9月，《Cell Discovery》发表了一项关于猴痘病毒的研究。研究人员从感染过猴痘病毒、已经康复的人身上寻找天然产生的抗体，再结合单细胞测序、人工智能结构预测、实验筛选和动物实验，最终找到了一批能够中和猴痘病毒的抗体，其中一种叫 BA345 的抗体表现尤其突出。
这项研究真正值得普通人关注的，不只是“发现了一个抗体”。
而是它展示了一种正在发生变化的医学研究方式：
人体产生线索 → AI寻找候选 → 实验验证 → 结构解释 → 动物验证 → 继续修改和组合。
这其实就是一套非常完整的“科学学习系统”。
一、先从一个简单的问题开始
猴痘病毒，也就是现在通常称为 Mpox virus（MPXV），属于正痘病毒属。
研究人员面对的问题非常直接：
有没有人的免疫系统，已经自己找到了一种非常有效的“武器”？
答案是：
有可能。
感染病毒以后，人体的B细胞会产生抗体。
抗体可以把它理解成一种非常特殊的“分子工具”。
它可以识别病毒表面的某些结构。
如果这个位置非常关键，抗体把它占住以后，病毒就可能失去感染细胞的能力。
所以科学家有一个很自然的想法：
既然有些人已经战胜了病毒，那么能不能从这些人的免疫系统里找到最优秀的抗体？
二、科学家没有“凭空制造”抗体，而是先去寻找人体留下的答案
研究人员从5名猴痘感染康复者身上获取了相关免疫细胞，并重点寻找产生抗体的记忆B细胞。
这些细胞非常有价值。
因为它们相当于人体免疫系统留下来的：
“战斗记录”。
人体曾经遇到过病毒。
免疫系统经过筛选，产生了大量不同的抗体。
其中有的抗体效果一般。
有的可能根本没有用。
但理论上，也可能存在非常优秀的抗体。
问题是：
怎么从这么多候选者里面找到最好的那几个？
这时候，AI开始发挥作用。
三、AI不是直接告诉科学家“这个抗体一定有效”
这一点特别重要。
很多人看到：
“AI发现新抗体”
就容易理解成：
AI算一下，然后直接告诉科学家答案。
实际情况并不是这样。
研究人员首先获得了大量抗体序列。
论文中提到，他们从超过2万条配对抗体序列开始，通过生物信息学筛选，进一步得到196个候选抗体。
然后利用深度学习结构预测工具 EnsembleFold，预测这些抗体与病毒蛋白结合时可能形成什么样的三维结构，并根据预测结果进行排序。
最终选择排名靠前的40个候选抗体进行实验验证。
这其实是一个非常典型的：
先计算筛选，再实验验证。
为什么要这样做？
因为如果所有候选者都拿去做实验，成本非常高。
而计算机可以先把：
196个候选 → 40个重点候选
大幅缩小实验范围。
这就像找工作。
不是把简历全部拿去面试，而是先根据简历筛选，再安排真正的面试。
四、结果怎么样？
实验验证发现，计算机筛选出来的候选者中，有多个抗体确实能够结合病毒相关蛋白。
最后研究人员鉴定出了5种具有中和作用的人源单克隆抗体：
BA345、MA42、MA49、BAL31、HB05。
它们分别针对病毒不同的蛋白和病毒形态。
其中：
BA345
尤其突出。
它能够识别猴痘病毒的一种重要蛋白 A35R，并表现出较强的中和能力。
更有意思的是：
BA345识别的位置，在不同正痘病毒之间具有较高的保守性。
也就是说，病毒虽然存在不同种类和变异，但它身上有一些关键结构不能随便改变。
这就像一辆汽车。
车身颜色可以变。
座椅可以换。
外壳可以改。
但是：
发动机里的某些关键零件不能随便改变。
如果抗体恰好能够抓住这种“不能轻易改变”的关键位置，就有机会产生更广泛的保护作用。
五、科学家为什么还要做“结构实验”？
因为：
“它有效”还不够。
科学家还想知道：
它为什么有效？
于是研究人员进一步用X射线晶体学确定抗体和病毒蛋白结合后的真实结构。
结果发现：
AI预测出来的BA345-A35R复合物结构，与实验测出来的结构高度一致。
论文报告的结构偏差非常小，说明计算模型成功预测了抗体与病毒蛋白之间的关键结合方式。
这件事情非常重要。
因为它完成了一次：
预测 → 实验 → 验证
的闭环。
AI不是终点。
实验也不是终点。
而是：
AI提出假设，实验检验假设。
如果错了：
修改模型。
如果对了：
增加可信度。
这其实就是科学真正的“学习过程”。
六、为什么一个抗体可以对付不同病毒？
答案藏在病毒结构里。
研究人员发现，BA345识别的部分区域，在多个正痘病毒中比较保守。
包括：
- 不同猴痘病毒分支
- 牛痘病毒
- 天花病毒相关病毒
- 其他正痘病毒
这意味着：
病毒虽然会变，但并不是所有地方都能变。
原因很简单。
有些结构承担着非常重要的功能。
如果病毒为了躲避抗体，把这个结构改得太厉害，可能连自己的正常功能都无法完成。
所以病毒面临一个“进化限制”：
既要躲避人体免疫系统，又不能把自己改坏。
这就是为什么寻找：
“高度保守的关键结构”
成为开发广谱抗体的重要策略。
七、但是，发现一个抗体并不意味着马上可以给人治病
这也是读医学论文最容易犯的错误。
这项研究确实非常漂亮。
它完成了：
人体抗体发现
↓
AI结构预测
↓
实验验证
↓
病毒中和实验
↓
结构解析
↓
动物实验
这些证据层层增加。
研究人员还在小鼠模型中测试了BA345。
在一项牛痘病毒致死挑战实验中，BA345治疗组表现出很强的保护作用，病毒复制受到明显抑制。研究人员还进一步设计了同时针对不同病毒形态的抗体组合，在猴痘病毒感染的小鼠模型中观察到了保护效果。
但是：
小鼠有效，不等于人有效。
真正用于人体，还需要继续经过：
人体安全性研究
↓
药代动力学研究
↓
剂量研究
↓
临床试验
↓
疗效验证
↓
风险收益评估
所以目前最准确的说法应该是：
BA345是一种很有潜力的广谱抗体候选物。
而不能说：
“BA345已经成为治疗猴痘的人用药物。”
这两个说法差别非常大。
八、这篇论文真正重要的地方：医学正在从“试出来”走向“算出来，再验证”
以前的药物研发，经常给人一种印象：
找到一个东西
↓
试一试
↓
有效
↓
再研究为什么
现代生物医学正在逐渐变成：
大量数据
↓
计算筛选
↓
提出机制假设
↓
实验验证
↓
结构解析
↓
动物验证
↓
进一步优化
↓
人体验证
这不是简单地：
AI代替科学家。
而更像：
AI帮助科学家在巨大的搜索空间中更快找到值得实验的地方。
真正决定科学结论的，仍然是实验和证据。
九、这和我们平时看到的“健康知识”有什么区别？
区别非常大。
比如网上有人说：
“某种食物能够提高免疫力。”
我们首先应该问：
证据是什么？
如果只是：
“我吃了以后感觉很好。”
这属于个人体验。
如果是：
“调查发现，经常吃这种食物的人某种指标更高。”
这是相关性。
如果进一步发现：
“这种食物中的某种成分改变了某条生物通路。”
这是机制线索。
如果再进一步：
“阻断这条通路以后，效果消失。”
这就有了更强的因果证据。
如果最后：
“经过严格的人体随机对照试验，确实改善了健康结局。”
这才进入非常重要的人体临床证据层面。
所以：
“有效”不是一个只有0和1的东西。
科学证据是有层次的。
十、健康理论需要增加一个非常重要的概念：证据链
这篇论文让我觉得，你的健康理论 v3 还可以再补充一个东西：
健康知识不能只记录“结论”，还应该记录“结论是怎么来的”。
也就是说，一个健康知识最好不要只有：
结论：X有效。
而应该记录成：
观察 → 假设 → 机制 → 干预 → 反馈 → 重复验证 → 人体验证
例如这篇论文：
第一层：发现候选
从康复者的记忆B细胞中寻找抗体。
↓
第二层：计算筛选
利用AI预测抗体和病毒蛋白的结合结构。
↓
第三层：实验验证
真正拿候选抗体去做实验。
↓
第四层：机制验证
通过结构实验观察：
抗体到底抓住病毒的什么位置？
↓
第五层：动物验证
看这种结合是否真的能够降低病毒感染和疾病严重程度。
↓
第六层：人体验证
目前还没有完成。
所以我们最终得到的不是一句：
“BA345有效。”
而是一个证据链：
候选发现 → 计算预测 → 实验结合 → 中和 → 结构解释 → 动物保护 → 人体验证待完成
这比一个孤立的“有效”要科学得多。
十一、这其实可以成为健康理论中的“六级证据梯”
你的健康理论 v3 已经有E1、E2、E3和T这样的证据分级。
我认为还可以增加一个非常实用的维度：
证据链完整度。
因为两个研究可能都属于“动物研究”，但质量可能完全不同。
例如：
研究A：
给小鼠吃某东西，小鼠变瘦。
只能说明：
观察到了结果。
而研究B：
发现候选物
→ 找到作用对象
→ 阻断作用对象
→ 效果消失
→ 恢复作用对象
→ 效果重新出现
→ 动物验证
它的因果链明显更完整。
所以：
证据等级回答“证据有多强”。
而：
证据链回答“我们到底知道了多少个中间环节”。
这是两个不同的问题。
十二、健康决策也应该采用同样的方法
这不只是科学家的事情。
普通人每天做健康决策，其实也可以采用类似的方法。
例如：
“我最近睡不好。”
不要马上跳到：
“我是不是肾虚？”
可以先做：
观察
↓
最近什么时候睡不好？
↓
记录
↓
持续多久？
↓
提出假设
↓
咖啡？压力？作息？环境？药物？
↓
小规模干预
↓
调整一个变量
↓
反馈
↓
睡眠是否改善？
↓
更新假设
↓
必要时进入医疗系统。
这其实就是：
观察 → 假设 → 干预 → 反馈 → 更新
和现代科研的基本逻辑非常接近。
十三、这也解释了为什么“感觉”不能被简单地否定
健康理论 v3 中有一句我认为非常重要的话：
感觉 ≠ 事实；感觉 = 信息。
这篇论文其实也能说明这一点。
人体感觉告诉我们：
“这里可能出了问题。”
但感觉本身不能告诉我们：
“问题到底是什么。”
所以我们需要进一步：
观察 → 测量 → 假设 → 验证。
普通人的身体感觉可以看成：
报警器。
医学检查、实验和数据则是在回答：
到底哪里出了问题？
因此：
不能因为“感觉不可靠”，就把感觉全部丢掉。
正确的方法是：
把感觉作为信息输入，而不是作为最终结论。
十四、从这篇论文还能看到一个非常重要的健康原则
那就是：
不要把一个系统理解成单一变量。
猴痘病毒本身就存在不同的病毒形态。
研究人员发现：
不同病毒形态涉及不同的传播和感染机制。
所以只攻击一个地方，病毒仍然可能通过其他途径继续发挥作用。
于是研究人员尝试：
BA345 + BAL31
也就是同时针对不同病毒形态的两个抗体。
这种思路可以概括成：
不要只看一个点，要看整个系统。
这和健康管理也非常相似。
例如肥胖不能简单理解成：
吃得多。
睡眠问题也不能简单理解成：
自制力差。
抑郁不能简单理解成：
想开一点。
慢性病也不能简单理解成：
吃一种药。
真实的人体通常是多个变量共同作用的动态系统。
十五、所以，健康理论可以再增加一个核心思想
如果把前面的理论继续往前推进，我认为可以增加一个概念：
健康不是“拥有答案”，而是拥有不断逼近答案的能力。
这可能比“健康知识越多越好”更重要。
因为医学知识永远在更新。
今天认为正确的机制，未来可能被修正。
今天认为有效的治疗，未来可能发现只对部分人有效。
今天认为重要的指标，未来可能发现只是一个伴随现象。
因此，一个真正健壮的健康系统，不应该要求：
永远知道正确答案。
而应该要求：
发现新证据以后，能够修改自己的判断。
这就是：
可纠错性。
十六、把它放回“Health OS”，整个系统就更清楚了
健康理论 v3 可以进一步形成这样一个闭环：
身体状态
↓
观察与测量
↓
提出假设
↓
评估证据等级
↓
判断因果链完整度
↓
选择低风险干预
↓
观察反馈
↓
更新模型
↓
如果超过个人处理能力
↓
升级到专业医疗系统
这就不再是：
“我应该吃什么？”
而变成：
“我现在掌握了什么证据？还不知道什么？下一步怎样以最低风险获得更多信息？”
这其实就是一个真正的：
Health OS。
最后：AI真正改变的，可能不是“医生会不会被替代”
看到这篇论文，很多人可能会想到：
AI以后是不是可以自己发明药物？
我觉得更值得关注的问题其实不是这个。
真正的变化可能是：
科学家能够探索的范围正在迅速扩大。
以前：
人脑提出假设
→ 人工实验
→ 一个个尝试。
现在：
人类提出问题
→ AI搜索巨大候选空间
→ AI预测结构
→ 实验验证
→ 新数据回来
→ AI和科学家继续更新。
于是医学研究越来越像一个：
“观察—预测—实验—反馈—修正”的学习系统。
而这与普通人的健康管理，其实遵循着同一个底层原则：
不要迷信一次判断。
不要把相关性当因果性。
不要把动物实验直接当成人体结论。
不要因为不知道答案，就停止观察。
更不要因为已经有一个答案，就拒绝新的证据。
真正科学的健康观，不是：
“我知道什么东西最健康。”
而是：
“我知道目前证据到了哪一步，也知道下一步应该怎样验证。”
这可能才是健康理论从“知识库”走向“决策系统”的关键一步。
而这篇猴痘抗体研究，恰好给我们展示了一个非常漂亮的现实案例：
从人体免疫系统中寻找线索，用AI缩小搜索范围，用实验检验预测，用结构解释机制，用动物验证效果，再等待人体证据完成最后一跳。
科学真正强大的地方，从来不是它永远正确，而是它能够不断发现自己哪里还不知道，然后继续验证。