Anthropic用AI从宏基因组挖出类CRISPR新系统
这两天科技圈里传得最猛的一个消息,就是“Anthropic自家实验室挖出了一个类CRISPR新系统”。很多朋友第一反应和我一样:Anthropic不是做AI安全评估的公司吗,怎么突然跨界折腾起基因编辑来了?更有意思的是,这消息里最吸引人的不是它验证了某个现有模型,而是整个发现链路疑似是用AI在宏基因组数据里“捞”出来的,有点像是让模型自己去海上打鱼,捞上来一看,居然是一条从没登记过的鱼。
我把能查到的资料和圈子里的讨论捋了一遍,今天这篇文章就打算把这个事拆开来讲。我会尽量把“类CRISPR”这个词说透,也会聊聊为什么AI实验室会盯上这类系统,以及这种“AI挖矿式”的科研路径对整个生物技术行业意味着什么。如果你和我一样,平时主要关注AI应用和科研工具链,对湿实验细节不太熟悉,那这篇文章应该能帮你补齐不少盲区。
1. 标题解析:Anthropic实验室“挖”到的到底是什么系统
1.1 我拿到这则新闻后做的第一轮信息比对
“Anthropic自己的实验室”这个说法,很容易让人以为他们内部本来就有一支建制完整的生物实验室。但实际情况可能更复杂一点。Anthropic这两年在AI安全评估上投入很大,评估内容包括模型对生物、化学等专业领域知识的理解深度。为了让评估不是纸面推演,他们组了一支跨学科团队,里面既有做模型对齐的工程师,也有做基因组学、结构生物学的科研人员。这次挖出类CRISPR系统,更像是这个跨界团队在做宏基因组挖掘时的一次“副产品”发现。
我第一时间对比了过往几起类似发现。最典型的参照是张锋团队此前发现的多种RNA引导系统,以及从宏基因组数据中识别出的CRISPR-Cas9同源蛋白。这些发现通常节奏很慢:先有计算预测,再做生化实验验证,最后发论文或申请专利。而Anthropic这个事之所以引发热议,就是因为外界猜测他们把AI模型用在了最前端的“盲筛”环节,让模型自主在大量序列数据里寻找有潜力的“防御岛基因”,而不是靠人工去比对已知数据库。
当然,我也得说实话:目前能看到的公开信息里,关于这个新系统的具体序列特征、结构解析、活性数据,披露得并不彻底。这个标题里的“挖出”两个字,更多是在强调“发现”这个动作,而不是说已经完成了全部功能验证。所以在信息不完全的情况下,我们更应该先弄清楚,一个系统要具备什么样的特征,才会被叫做“类CRISPR”。
1.2 先别急着叫CRISPR,得搞清三个层级的概念
“类CRISPR”这个词,其实可以拆成三种理解。第一种是“CRISPR相关的系统”,比如Cas9、Cas12、Cas13这些蛋白本身,它们是CRISPR系统的核心效应组件。第二种是“CRISPR类似物”,也就是基因序列上完全不同,但在功能上接近的防御系统,比如某些原核生物里发现的镁离子依赖的内切酶系统,它们也做“识别外来核酸并切断”这件事,但和CRISPR没有任何同源性。第三种是“类CRISPR应用”,也就是科学家改造出来的基因编辑工具,比如用失活的Cas9做基因表达干扰,这种工具名义上挂着CRISPR,但干的已经不是“切割DNA”这种原始活计了。
把这三种层级放在一起看,你就能明白为什么“类CRISPR新系统”这个表述会让人兴奋。它可能意味着,我们找到了一种新型的、自然界原生的、功能上能对标CRISPR的基因元件,但它的机制可能更简洁,也可能更具特异性。甚至有可能,它不需要完整的CRISPR阵列和一堆辅助蛋白,而是由一个蛋白就完成了识别和结合,这种精简性对将来做基因治疗递送非常有价值。
我还看到一个比较有趣的说法:有人把这套系统和前几年发现的“桥接RNA”拿来比。Bridge RNA这类系统确实也很接近“类CRISPR”的定义,因为它们同样依赖RNA来引导重组酶,但不切断DNA,而是直接完成片段的插入、删除或逆位。如果Anthropic挖出来的系统也走的是类似路线,那它的意义就不只是“多了一个新剪刀”,而是“多了一个新针线”。
2. 类CRISPR系统的工作逻辑:从Cas9到不需要断链的编辑
2.1 传统CRISPR-Cas9快刀斩乱麻的原理
要理解类CRISPR系统,还是得先回顾一下传统CRISPR-Cas9的工作方式。Cas9蛋白本质上是一把受控的分子剪刀,它通过一段向导RNA去识别目标DNA序列,然后在特定位点切断DNA双链。细胞被切断之后会启动DNA修复,而修复途径往往不完美,这就会引入插入或缺失突变,最终把某个基因“敲掉”。
这个过程很直接,但有几个特点值得注意。第一,Cas9切割DNA是破坏性的,它靠的是“制造损伤”来实现编辑。第二,修复结果有随机性,拿到什么突变型,得看细胞当时选择了哪种修复通路。第三,一旦切完之后,如果不继续操作,中间产物是没法精准控制的。所以科学家后来才发展出“碱基编辑”和“先导编辑”,本质上都是把Cas9蛋白突变掉,让它失去切割活性,只保留精准结合的能力,再融合别的酶来完成单个碱基的改写。
2.2 类CRISPR是怎么做到“不断链也能改基因”
类CRISPR系统在这一点上走了另一条路:它们不一定非得切断DNA才能造成改变。我现在查阅到的主流猜测是,Anthropic发现的这套系统,可能属于“可编程的表观遗传调控因子”——它结合到目标序列上,但不剪断DNA,而是通过招募甲基化酶、去甲基化酶或者组蛋白修饰酶,改变这段基因的“包装状态”,从而打开或关闭基因的表达。
用生活化的类比来说:CRISPR-Cas9是直接在书页上把那一行文字涂黑删掉,而类CRISPR表观调控更像是给这段文字贴了一张“禁读贴纸”。书本身没有变化,但阅读者(转录机器)看到贴纸,就会跳过这段内容。这个区别非常关键,因为它意味着编辑是可逆的。只要把贴纸撕掉,原文内容还能恢复。这在很多疾病场景里是更理想的方式,比如治疗慢性疼痛或代谢异常,你并不想永久改变患者的基因组,只想在特定时间段内降低某个基因的表达。
当然,类CRISPR系统也可能不止这一种形态。如果它的结构里包含类似重组酶的成分,那它也可能执行精确的序列插入删除,而不依靠细胞的损伤修复通路。这种系统的价值在于,它的编辑结果更可控,不会在切口处随机产生碎片化的突变。
2.3 参数对照:三个方向各适合什么场景
我画了一张对比表,方便不同背景的读者快速建立框架。这张表不是具体指Anthropic那个系统的实测数据,而是用来理解类CRISPR工具链里的三个主要方向。
| 特点 | 传统CRISPR-Cas9 | 碱基编辑/先导编辑 | 表观遗传类CRISPR |
|---|---|---|---|
| 是否切断DNA | 完全切断 | 几乎不切,单链切口 | 不切断 |
| 编辑结果 | 随机插入缺失 | 精准单碱基改写 | 基因表达开关 |
| 可逆性 | 不可逆 | 基本不可逆 | 可逆 |
| 递送难度 | 较大(蛋白尺寸大) | 较大 | 取决于效应因子大小 |
| 主要应用 | 基因敲除 | 点突变修复 | 功能调控、疾病干预 |
| 潜在风险 | 脱靶切割 | 脱靶碱基变化 | 表观记忆扩散 |
如果你把Alphafold这类工具预测出来的蛋白结构放到这个框架里看,就会明白为什么大家关心“类CRISPR”的尺寸。很多疾病治疗场景需要把编辑工具包装进病毒载体,而载体的装载量是有限的。头号挑战就是“蛋白太大装不进去”。如果新系统只有一个更小的结构域就能完成识别和调控,那递送效率会提升一个量级。
3. AI挖蛋白的完整流水线:宏基因组遇上大模型
3.1 第一步:宏基因组数据清洗,去污染是重中之重
这些年宏基因组学积累了大量来自土壤、海洋、热泉、肠道微生物环境的测序数据。理论上,只要序列数据库足够大,我们就有机会从中发现全新的基因系统和蛋白家族。但一个现实问题是,数据噪声非常大。很多样本在采集时混入了宿主DNA,在测序时产生了嵌合序列,组装出来的片段甚至可能来自几十个不同物种。
所以AI挖掘流程的第一关不是上模型,而是数据清洗。要么先做序列组装,得到较长的重叠群,再用CheckM之类的工具评估这些contig的完整度和污染度;要么走单基因预测路线,先预测出可能编码蛋白的开放阅读框,然后去重、去冗余。这个过程听着枯燥,却决定了后续训练效果的天花板。我就见过不少项目,模型调得再漂亮,结果输入数据的污染率超过15%,最后筛出来的候选蛋白全是假阳性。
3.2 第二步:用预训练模型做序列表征与结构预测
清洗之后,下一步是把蛋白质序列转成计算机能“理解”的形式。传统做法是序列比对,找同源序列,靠“已知推断未知”。但遇到全新蛋白家族,同源比对往往一无所获。这几年蛋白质语言模型提供了新思路:直接用大规模氨基酸序列预训练模型,把每条蛋白序列编码成高维向量。这个向量里隐含了进化信息和结构约束,即便一个蛋白和数据库里所有已知蛋白都不同源,模型也能通过特征推断它可能的功能分类。
Anthropic这类AI公司在这个环节有天然优势。他们本来就擅长把世界模型和推理能力做进系统里,如果再把蛋白质结构预测工具和知识图谱检索结合,就能对一个候选蛋白给出更立体的判断:它的二级结构组成是什么,有没有明显的功能结构域,能不能和核酸结合。这些特征不一定能直接证明它是类CRISPR系统,但足以把几百万个候选蛋白压缩到几十个值得做实验验证的名单里。
有一点我要特别强调:结构预测再准,也只是“预测”。最近爆出的好几起AI辅助新蛋白发现,最后都卡在实验验证这一关。所以科学界对AI挖掘的态度一直是“半信半疑地兴奋”,直到看到生化数据才彻底认可。
3.3 第三步:活性验证闭环,AI只是故事的一半
如果一个候选蛋白被锁定,接下来就要走湿实验验证流程。常见路线是:把这个蛋白的基因序列合成出来,放到模式菌株或者无细胞表达体系里表达,再喂给它一段设计好的核酸底物,看它是否产生结合或切割活性。如果阳性,再用冷冻电镜或X射线晶体学解析蛋白和核酸复合物的高分辨率结构,确认它到底以什么方式识别靶点。
这个验证闭环非常贵,耗时长,而且失败率高。但恰恰是这个“贵”和“慢”,构成了科研上的护城河。公开数据库里的人都可以下载,AI模型也可能快别人一步筛出候选物,但只有那些能快速推进到湿实验验证的实验室,才能把发现变成论文和专利。Anthropic的策略如果真是走通了这条链路,那他们不只是“发现了一个系统”,而是验证了一套可复用的“AI预测+自动化实验”加速器,这个模式本身可能比单一发现更有想象空间。
4. Anthropic做这个的动机与安全边界:当AI安全实验室涉足合成生物
4.1 AI安全评估为什么需要基因编辑工具
很多人好奇,一个AI安全公司为什么非要碰基因编辑。这背后的逻辑其实很务实:AI系统需要被安全评估,而评估标准之一,就是看它能不能辅助完成一些高影响的双重用途技术。如果人工智能在生物领域的推理能力越来越强,那么安全测试人员就必须走在前面,去理解这些能力的天花板在哪里,才知道该设置什么护栏。
这意味着,Anthropic内部的研究人员需要亲手去尝试宏基因组挖掘,需要了解类CRISPR系统的设计与验证流程,才能对“AI是否降低了基因工具的使用门槛”做出有依据的判断。如果模型能在几天内给出一个可用的候选序列,而人类专家需要几个月,那这个能力差异本身就是监管和部署时要考虑的核心变量。
4.2 双刃剑:好用的工具往往也更容易出危险
这就要说到类CRISPR系统潜在的风险了。一个系统如果更高效、更精准、更易合成,那它不但能被医疗和工业界使用,也可能被误用。尤其是这类系统的编码序列通常不大,很容易通过商业合成公司订购,这给监管带来了巨大挑战。现在全球各地对于核酸合成序列的审查要求并不统一,类CRISPR系统的发现会进一步加剧这种缺口。
不过我也提醒一句:技术恐惧本身不解决问题。对AI公司和科研机构来说,更理性的做法是在文章发表和工具开源之前,加入一套内部风险评估流程。谁有权限接触完整序列,谁可以访问结构文件,这些权限分级是实实在在的安全屏障。公开披露哪些信息,延迟披露哪些关键组件,也要经过审慎判断。
4.3 新系统落地前绕不开的监管关
任何类CRISPR系统想从论文变成产品,都要过好几道监管闸门。如果是作为实验室研究工具,相对容易,通常只需要保证生物安全等级合规;但如果想作为基因治疗药物进入人体,那就要提供极其详尽的脱靶数据、免疫原性数据和长期随访结果。这个时候,AI发现系统反而面临一个尴尬:它太“新”了,监管机构没有先例可循,每个数据包都得从零建立标准。
我更关注的是另一个细节:专利归属。宏基因组数据很多来自全球各地采集的环境样本,如果某个类CRISPR系统是从公共数据库里挖出来的,它的知识产权边界该怎么界定?是算发现者所有,还是算样本来源国所有?这个问题目前没有统一答案,但会对后续商业化合作产生深远影响。
5. 上手实践:我如何低成本试水类CRISPR工具链
5.1 准备工作:一份最小数据集就够了
如果你和我一样,不是全职做基因编辑,但想对这套“AI挖掘类CRISPR系统”的流程有个体感,其实不用一开始就上大规模人类基因组或海洋宏基因组数据。我建议先用公开的微生物基因组数据集练手,比如从NCBI的SRA数据库下载几套宏基因组样本,或者直接在IMG/M数据门户里找整理好的基因集合。
本地配置也不需要太夸张。序列清洗和基因预测,一台16核32G内存的服务器就能跑。蛋白结构预测阶段,如果不想自建GPU集群,可以用在线API做单条结构预测,很多预测任务每天有免费额度。更关键的是,你要准备一个“评价标准”,比如规定候选蛋白的长度范围在300到700个氨基酸、预测结构里含核酸结合结构域、附近基因注释包含逆转录酶或解旋酶相关功能等。评价标准越明确,筛选结果越可靠。
5.2 运行一套简化筛选的流程思路
在实际操作中,我会按这样一个顺序来。第一步,拿一套目标数据集,用Prodigal做基因预测,拿到所有开放阅读框;第二步,用CD-HIT做去冗余,把相似度超过95%的序列合并;第三步,用HMMER搜索已知CRISPR相关蛋白的结构域模型,把有微弱信号的候选都挑出来;第四步,对剩下的候选跑一遍AlphaFold结构预测,筛选出功能结构域典型的“核酸结合折叠”。
这个流程里面,最耗时的是第三步到第四步的过渡。HMMER搜索本身很快,但筛选标准难定。阈值设太松,候选蛋白上千个,结构预测排队排到崩溃;阈值设太紧,容易漏掉那些“脂质结合结构域意外地也有核酸结合能力”的真正新东西。我倾向的做法是先留一版宽口径结果,只对其中打分靠前、长度区间合适、基因上下文里有防御系统标志的50个候选做结构预测。这个数量刚好能让做实验的朋友在两周内完成初步表达验证。
5.3 我踩过的一些坑
这类型流程里,我最大的教训是:别只看AI给的置信度。有一年我筛出一个蛋白,模型给出的结合概率高达0.98,结果在实验里怎么都测不到核酸结合活性。复盘之后才发现,问题出在序列比对阶段:这个蛋白其实是数据库里一个已知解旋酶的截短片段,模型把截短造成的表面疏水区误判成了结合位点。这个经验后来成了我的固定动作:任何一个候选蛋白,都要去Pfam和InterPro里做一次保守结构域核查,再和已知蛋白做一轮全库比对,排除“残缺同源”的干扰。
另一个坑是做宏基因组挖掘时,忽略了宿主DNA污染。土壤样本尤其容易混入植物线粒体和叶绿体序列,这些序列在某些特征上和细菌基因很像,结果筛出来的所谓“新系统”,最后被证明是植物自带的逆转录酶片段。所以每次拿到新数据集,我都建议先用Bowtie2把数据比对到宿主的参考基因组,做一轮硬过滤再进入后续流程。
6. 我的一些想法,以及对后续的关注方向
6.1 对开源生态的审视
这次Anthropic的发现,让我重新审视了科研开源这件事。过去大家习惯认为,学术论文发表得越早,数据公开得越全,对科学进步越有利。但类CRISPR这类双重用途技术的情况更微妙。理想状态是在透明和安全之间找一个折中点:论文可以发机制、发流程、发验证方法,但可能不公开具体序列,或者延迟开放结构文件。
这个争论短期内不会有标准答案,但我个人更倾向支持“分级开源”模式。比如把挖掘工具和基础方法论完全开源,让所有人都能学会这套AI工作流;但对新发现的蛋白序列,设置一个访问申请机制,由内部伦理委员会审核申请者的资质。这么做,既能保持科研活力,也不会让关键组件在没有任何评估的情况下裸奔。
6.2 后续我会重点留意什么
对我来说,接下来有几个信号值得持续跟踪。第一,Anthropic是否会把这次发现写成预印本或正式论文,论文里的实验数据能透露这个系统到底属于哪一类功能机制。第二,是否有其他AI实验室复制同样的“宏基因组+蛋白质大模型”挖掘流程,一旦这个模式被广泛采用,类CRISPR系统可能会迎来一波爆发式发现期。第三,关注有没有国内的研究机构或初创公司跟进做类CRISPR的早期专利布局,因为这一轮竞赛的胜负手很可能不在发现本身,而在“谁能先把工具做成能稳定交付的产品”。
最后说一点个人体会。这些年我看过太多被标题放大的科研新闻,但“类CRISPR系统”这个方向,我认为值得认真对待。它不只是又一把分子剪刀,更是AI与生命科学深度融合的一个缩影。以后判断一个AI实验室的硬实力,可能不再只看它能跑多大的模型,还要看它能不能用模型在未知世界里挖出真正的宝藏。Anthropic这次抛出的,也许只是这块宝藏地图上的第一个标记点。
如果你也是搞计算生物学或者AI应用的,我建议你找一个周末,把这套宏基因组挖掘流程自己跑一遍。不需要花很多钱,也不需要大型团队,只要一台服务器、一套公开数据和几个开源模型,你就能体会到那种“从海量序列里捞出一条全新蛋白”的兴奋感。那种感觉,和训练完一个模型看到测试集指标上涨是完全两回事。这套流程里的每一步都值得你亲手折腾一次。