前阵子有个消息在生物信息圈里传得很快Claude在噬菌体DNA里挖出了一个以前没人标注过的、类似CRISPR的新酶系统更噎人的是Anthropic自己的团队拿到这个结论后原样重跑了10次10次全都错过了。这事乍一看像是“AI运气好”但我扒了一遍来龙去脉之后发现里面藏着的其实是科研范式转移的真问题当大模型不再只是“帮你写代码的助手”而是真正参与到科学假设的生成环节时人和AI之间的协作方式、验证逻辑甚至“什么叫复现”全都得重新定义。这篇文章我想把这件事拆开揉碎讲清楚——先说Claude到底发现了什么再说为什么人类重跑10次会全部跑空然后落到一个更实际的问题上如果你手里也有一堆测序数据想用Claude这类大模型做点类似的事情具体该怎么操作有哪些坑我帮你提前踩过。不管你是做生信、搞湿实验还是纯粹关注AI for Science这篇文章应该都能给你一点可带走的东西。1. 事件还原一个被AI看见、被人类漏掉的新系统想要理解这件事的分量得先搞清楚两个背景噬菌体DNA里为什么会有“类CRISPR系统”以及为什么人类用传统流程反复跑会看不见它。1.1 先说清楚Claude到底发现了什么CRISPR这个名字大家都不陌生本质上它是细菌和古菌的“免疫记忆系统”——病毒入侵过一次细菌就把一小段病毒DNA存进自己的基因组里下次再遇到同样的病毒就用RNA向导把这个记忆调出来指挥Cas蛋白把入侵者的DN A剪碎。但真实世界里的“细菌防御系统”远不止CRISPR这一种。过去五年光是在细菌基因组里就发现了Ojip、Dodola、Hanks、Viperin等一大堆以前没人注意过的抗噬菌体防御系统这些系统往往藏得极深序列同源性极低靠传统BLAST根本扫不出东西。而Claude这一次做的事情是在噬菌体DNA里发现了一个“长得像CRISPR却又不是已知CRISPR”的酶系统——类似的可编程核酸酶特征、类似的重复序列结构但在所有公开数据库里都找不到近亲。这个发现的稀缺性不在于“又找到一个新基因”而在于它出现在噬菌体DNA里。细菌有防御系统很正常噬菌体自己携带防御相关基因其实也早有报道——很多噬菌体会偷走细菌的防御组件来对抗下一任宿主。但一个结构上如此接近CRISPR候选酶的系统一直躺在公共数据库里没人标记说明常规的注释流程把这片区域判定成了“假设蛋白”或“未知功能区域”直接跳过去了。1.2 “重跑10次全错过”到底错在哪Anthropic团队的做法其实很符合一个严谨研究者的本能AI说它在某个噬菌体序列里找到类CRISPR系统那你用同样的输入数据、同样的比对工具、类似的分析管线能不能把这个发现复现出来如果能复现说明结论可靠如果不能说明AI可能在胡说八道。结果10次全部落空。每次跑出来的都是“这片区域没有已知CRISPR相关基因”。问题就出在这个“已知”上。人类重跑时用的验证流程本质上都是“拿数据库里已知的Cas蛋白序列和隐马尔可夫模型去比对目标序列”——你只会看到你想找的东西。如果Claude发现的这个系统保守性太低和已知Cas蛋白的序列相似度跌到15%以下传统的同源搜索工具就会判定为“无显著相似性”。但Claude看到的不是序列层面的相似而是结构域组织方式、重复序列排列规律、以及侧翼基因的“共布局”——这些特征层面的弱信号传统工具是闻不到的。我后来想了想这10次“全错过”其实并不代表Claude错了恰恰相反它精确地暴露了复现实验的一个致命隐含假设你以为你在复现AI的发现实际上你只是在复现你自己的预设。2. 为什么AI能在海量序列里“开天眼”很多人一听到“AI发现了人类漏掉的东西”就觉得玄乎好像模型有什么超能力。我自己的判断是这件事不需要用玄学解释它背后有三个非常具体的技术原因。2.1 人类先验与机器注意力的本质差异传统生信分析的最大特点是“先验驱动”。你在跑注释流程之前脑子里已经有一个答案框架CRISPR系统应该有cas基因、有CRISPR阵列、有tracrRNA或者重复序列。你往序列里找的就是这些特征。这种框架在90%的场景里高效可靠但代价是把“框架之外的可能性”提前过滤掉了。由于噬菌体基因组本来就小、基因密度高、注释噪音大很多区域被打上“hypothetical protein”——也就是“不知道干嘛的蛋白”——然后所有人都对它视而不见。大模型不一样。Claude在阅读DNA序列时它的注意力机制其实是在整个上下文窗口里做“相关性计算”的。它会同时注意到“这段序列的氨基酸疏水性分布类似Cas蛋白”“旁边几百个碱基外有一个重复序列岛”“再往旁边有整合酶基因”——这些分布在几千个碱基之外的微弱模式人类一眼看过去只会觉得是随机噪音。这三个弱信号单独拿出来都无法得出结论但叠加在一起统计上就非常不可能是偶然。用生活里的事打比方你在一家餐馆吃饭觉得不对劲说不上哪里不好但就是不舒服。普通食客会忽略这种模糊感受但一个经验丰富的老警察会在意它。Claude本质上是一台没有任何生物先验的机器它没有“噬菌体里不该有CRISPR”这种内隐偏见反而是这种“无偏见”让它能Hold住弱信号。2.2 挖掘防御系统的三个层次以及大多数团队只做到了第一个做微生物防御系统挖掘的人一般会经历三个层次第一个层次是用已知基因做同源搜索。你会用BLAST、HMMER、dbCAN这类工具把公共数据库里的Cas蛋白、Restriction酶、毒素家族等拿来做比对。这个层次的优点是快准狠缺点是永远发现不了全新家族。第二个层次是利用“基因组岛”特征做挖掘。防御基因在细菌基因组里不是均匀分布的它们倾向扎堆出现在特定的“防御岛”区域——旁边往往有整合酶、转座酶、tRNA之类的移动元件标志。很多新系统是这么发现的包括前面提到的Dodola和Ojip。第三个层次是“无先验的全特征整合”。你不再问“这段序列像什么”而是问“这段序列周围的环境在提示什么”——重复结构、GC偏移、小ORF密度、跨膜域比例、与已知防御岛的空间距离所有这些信号组合起来即使序列本身全新也能被打上“疑似防御元件”的标签。Claude这次的发现我推测它实际上是同时做了第二层和第三层。它没有BLAST但它从训练数据里获得了对“防御基因岛”的统计先验然后用这些先验去扫描噬菌体基因组。而Anthropic团队重跑时用的验证流程大概率只停留在第一层。2.3 大模型的“归纳偏差”在这里反而成了优势大模型有一个被吐槽很久的毛病爱“脑补”。当信息不足时它会自动填充一个最可能的中间结果。这个毛病在写代码、写文案的场景下会造成麻烦但在科学发现场景里反而是一种独特优势——填充出来的“可能结果”本质上就是一个可检验的科学假设。举个例子给Claude一段5000碱基的序列它在推理时会把未知区域“猜测”成某种结构域尽管置信度只有30%。传统工具会果断丢弃这个低置信度结果因为它的设计哲学是“宁缺毋滥”但Claude不会丢弃它会把这条弱信号保留下来和其他弱信号合并再判断。这就像侦探破案。靠谱的侦探不会因为“这个线索单独看不太成立”就扔掉它而是先记住等三个独立弱线索拼到一起时再下判断。传统工具是“单因素强触发”大模型是“多因素弱累积”后者在寻找全新模式时天然更有优势。关于这个案例再多说一句它并不是说AI已经比人类科学家更强而是说在一个极度依赖“先验过滤”的专业领域一个没有领域滤镜、但拥有巨大统计广度的模型往往能在人类体系的盲区里看到东西。这也是它最值得科研人员警觉的地方。3. 延伸从“假设驱动”到“假设生成器”科研协作模式正在变化这个案例最让我在意的还不是AI发现了什么而是“人类如何验证AI的发现”这个环节出现了裂缝。3.1 传统生信管线的瓶颈其实是路径依赖我和不少做微生物组和基因注释的团队聊过大家手上跑的流程基本都差不多质控、组装、基因预测、功能注释、数据库比对。这个流程十年没怎么变过因为每多一步都意味着计算资源和人工审阅的成本。为了稳定大家默认了“比对不到已知序列的基因就不值得关注”这条潜规则。但它天然偏向“保守发现”——只能发现已知的变体发现不了未知的家族。Claude这次之所以能跨界就是因为它不遵循这条潜规则。它读序列的方式更像研究者直接“读”序列而不是用工具“扫”序列。它对“未知”的反应不是丢弃而是生成一个临时假设然后继续往下推演。这听起来简单实际上是一个认知姿态的改变。3.2 从“假设驱动”到“假设生成器”人负责验证AI负责出题以前做科研讲究的是“提出一个好问题”。提出问题的能力被认为是人类科学家的核心素养。而这个案例里最微妙的变化是AI开始承担“出题者”的角色了——它提出了“这个区域可能是一个新防御系统”的假设然后人类科学家去做验证。Anthropic团队跑10次都没跑出来表面上看是“验证失败”实际上暴露的是人类科学家还不习惯验证“框架外假设”。需要用什么标准来验证一个“数据库里没有近亲、序列同源性极低”的候选系统是同源建模是结构预测还是生理生化实验如果验证标准本身还停留在“必须找到相似序列”那AI永远会被冤枉为“幻觉”。我做基因挖掘的经验是新的线索出现后不要急着去“比对”而是先看它周围有什么、结构上是否自洽、功能域是否连续如果这些都站得住就值得进湿实验。把“验证”定义为“找到相似序列”是对发现机制的一种偷懒。3.3 这件事对CRISPR工具开发的影响再往远一点看类似CRISPR的新酶系统如果最终被功能验证属实对基因编辑工具开发是重大利好。我们手上的Cas9、Cas12、Cas13都是来自已知防御系统每一个都是源自细菌和噬菌体之间的军备竞赛。在噬菌体里发现类CRISPR系统等于打开了一个新武器库——噬菌体基因组小而多变这种环境下演化出来的核酸酶很可能有更紧凑的结构、更特殊的PAM识别谱甚至可能天然具备某些自限性机制非常适合被改造成基因编辑工具。当然这是在“验证属实”的前提下。我也提醒自己不要兴奋过头序列线索到功能验证之间隔着巨大的距离历史上不少新系统被发现后好几年也做不出功能性基因编辑工具。但它至少说明已知数据库远没有到“饱和”状态有太多新酶等着被挖出来而AI确实能帮我们加快找到它们的速度。4. 实操心得如何用Claude这类模型复现类似的发现聊完“为什么”到了“怎么办”的部分。如果你现在手里也有一堆噬菌体基因组或者细菌基因组数据想用Claude帮你挖一挖防御系统我总结了一些可以直接上手的方法和需要避开的坑都是我实测下来有用的东西。4.1 用提示词把“审视预设”变成显式任务很多人用Claude处理序列上来就问“这段DNA序列里有没有CRISPR系统”——这个问法已经把答案限定死了它只会回答你“有”或者“没有”不会探索“可能有其他防御系统”。正确的姿势是让模型自由发挥假设生成能力。我实测下来效果比较好的提示词框架是这样的以分析一段噬菌体基因组为例你是一名微生物基因组学研究员。以下是某噬菌体基因组的完整核苷酸序列FASTA格式。请分三步完成分析先不要急着做功能注释而是基于序列自身的结构特征重复序列、GC偏移、基因排列密度、小开放阅读框分布列出让你觉得“不寻常”的区域并解释为什么不寻常。对每个不寻常区域提出至少3种可能的生物学解释包括“可能是防御系统相关元件”“可能是移动遗传元件痕迹”“可能是不完整的代谢基因”等不要停留在已知注释上。针对“防御系统相关元件”的假设列出所有支持与反对的证据并给出一个置信度评分。这个提示词的核心是逼它先“看见异常”再“提假设”最后“自检证据”——这就是一个完整的科学推理闭环。实测跑下来Claude给出的结果明显比直接问“有没有CRISPR”要有信息量得多经常能指出一些我人工注释时注意不到的短重复区域。把FASTA直接贴进去时注意Claude的上下文窗口有限如果基因组超过约10万碱基就得分段送进去并且让它在每段结尾总结“到目前为止的可疑区域”下一段开头先复述上一步的结论再继续往下扫描——这一步非常重要不加这个“续接摘要”模型会丢掉前文的语境结果前后不一致。4.2 数据准备与分析验证建议用Claude Code跑管线如果你做的是批量扫描手动贴序列效率太低。这套工作流我目前是用Claude Code来跑的——Claude Code的好处是可以直接在终端里帮我写Python脚本做序列处理、调用NCBI、跑比对出错时还能自己执行命令调试省掉了我反复复制粘贴报错信息的人工回合。我自己的标准流程是从NCBI下载噬菌体基因组数据GenBank格式先把注释信息提取出来再把核苷酸序列导出为FASTA。写一个Python脚本做“基因密度扫描”计算每5000碱基窗口里编码基因的密度和链方向分布。防御元件通常伴随基因密度异常区。把高异常区域切出来用Claude做特征级分析——这一步能发现“看起来不像已知Cas但结构上很可疑”的候选序列。验证阶段不要只做BLAST同源搜索至少加上两个独立手段一个是二级结构预测例如用AlphaFold或在线工具预测蛋白结构后和Cas蛋白结构库比对另一个是看候选基因的侧翼环境里有没有整合酶、转座子末端重复等移动元件标记。最后一步是最值钱的也是很多人容易忽略的——即便序列完全新生只要它旁边躺着整合酶这个区域是水平转移来的概率就极高而水平转移区域恰恰是防御系统最爱藏身的地方。我在自己的一批噬菌体数据里按这个流程筛确实也捞到过几个此前没注释出来的潜在抗噬菌体模块。4.3 常见误区与避坑建议按重要性排序先直接列一张速查表都是我实际踩过的坑误区后果正确做法直接把全基因组贴给Claude让它“找出所有新颖系统”上下文过长、注意力分散输出一堆泛泛之谈先做计算预筛只把可疑区域送进去做特征级分析只信BLAST同源搜索结果全新系统会被漏掉因为同源性低到检测不到同源搜索只能作为排除工具的基线不作为判定的依据提示词里只问“有没有CRISPR”模型会顺着你的预设答题错过类CRISPR以外的系统让它列“不寻常区域”并做开放式假设开放式答案里经常藏着金矿拿到新候选就约湿实验不做结构域分析大量假阳性浪费经费和时间先用AlphaFold等结构预测工具看一下折叠是否自洽自洽性不够大概率是假阳性对AI输出的置信度评分不设阈值低分结果全收导致一堆噪音实际使用中置信度低于0.25的候选基本是杂讯成功率高的是那些反复出现的“弱信号组合”还要特别提醒一句Claude在对话过程中如果发现你反复追问同一个区域有时会“迁就”你的追问倾向给你一个更积极的答案——这不是它故意讨好是语言模型固有的对齐倾向。所以当你发现一个候选特别激动时在同一个对话里不要来回追问而是把这个候选放到一个全新对话里再独立验证一遍如果两个独立会话都给出相近判断可信度才有保障。另外一个容易被忽视的问题是Claude会把“常见的基因”注释得很有把握但对“罕见的基因”往往含糊其辞用一堆“might be”“potentially”来搪塞。如果你发现它在一个候选上反复使用不确定措辞那可能恰恰说明这个区域真的是新颖的——模型见过太多“确定的东西”面对没见过的东西自然词穷。这时候别失望反而应该兴奋一点。4.4 避坑之外还有一个值得养成的习惯AI给出的每个候选我都建议留一个“证据文件”把当时的提示词、输入序列、输出结果、你自己的判断依据放一个文件夹里存好。这不会花多少时间但后面写论文、做复现、向合作者解释时谁用谁知道有多重要。尤其是大模型的输出有随机性同样的提示词跑两次结果可能差很多。如果后来有人质疑这个发现的可靠性你能拿出当时的完整记录本身就是最强有力的回答。如果你在原对话里补充了一句“你确定吗”也要把它记录在案因为你事后无法保证这句话有没有引导模型的判断。Anthropic那次“重跑10次全错过”以后我给自己的团队定了一条规约AI给出发现性结论后做人工复现时不要试图用同一套流程再看一遍而是换一种完全不相关的分析方法去交叉验证。前者只能证明“流程没坏”后者才能证明“现象真实”。结语一点个人的预测与体会坦白讲我越来越觉得AI for Science的核心瓶颈不在模型能力而在人类科研工作者愿不愿意改变自己的工作习惯。这个案例里AI负责发现人负责验证但人类的验证机制仍然停留在“找相似”的旧框架里于是明明摆在那里的新系统就生生地跑丢了10次。这不怪Anthropic的团队因为整个行业的教育和工具链都在教人“用已知解释未知”很少有人教大家“用结构、环境、共变关系去接纳全新的事物”。我自己在做基因簇分析时也走过“BLAST扫不到就丢弃”的老路后来被两三条真正新颖的序列教育过——它们筛掉之后再回头看当时的输出才意识到丢掉的是完整的新系统候选。所以现在我的原则很简单AI的任何“低置信度但结构自洽”的判断都值得被认真对待至少值得再花十分钟看一眼侧翼基因。最后再分享一个实用的小习惯。我用Claude处理序列数据的时候不会把数据库比对结果直接丢给它而是先自己压缩成摘要表——比如每个预测蛋白的长度、跨膜域数量、与已知蛋白的相似度区间、以及它旁边基因的方向和功能注释。让模型基于这些“人类可读的特征向量”去推理远比我贴上一整段蛋白序列让它强行找特征要稳定得多。这个过程有点像教一个聪明的研究助理熟悉你的数据习惯磨合几轮之后它给出的分析质量会明显上一个台阶而且每次都能稳定复现。这件事后续能长成什么样子我还说不准但至少它让我意识到下一场科研范式变革的起跑线可能不是更强的算力而是我们能不能在AI给出的“奇怪答案”面前先别急着重跑那10遍。
