Trastuzumab Imbotolimod

抗体偶联药物，不只有ADC 抗体偶联药物的核心思想，是把抗体的靶向识别能力和另一种功能载荷连接起来。载荷可以是小分子毒素，也可以是放射性核素、免疫激动剂、细胞因子、核酸、酶、蛋白毒素，甚至蛋白降解剂。 一、先理解抗体偶联药物的共同逻辑 一句话概括：抗体偶联药物是“抗体 + 连接方式 + 功能载荷”的组合。抗体负责把药物带到目标细胞、组织或病灶附近，载荷负责真正产生杀伤、成像、免疫激活、基因调控或蛋白降解等作用。 很多人一提抗体偶联药物，首先想到ADC。这个理解没有错，因为ADC是目前最成熟、商业化最成功的一类。但从技术逻辑看，ADC只是“抗体递送载荷”这一大类中的一个分支。 抗体本身像导航系统，决定药物主要去哪里；linker像安全锁，决定载荷什么时候、在哪里释放；载荷则决定最后产生什么生物学结果。把载荷从小分子毒素换成放射性核素、免疫激动剂、核酸、细胞因子或降解剂，就会形成完全不同的药物类型。 二、抗体偶联药物的主要类型 下面按载荷类型来分。每一类都给一个代表药物或代表项目，并标明成熟度。这里的“代表”不是说同类中一定最好，而是便于理解这一类技术路线。 1. 抗体-小分子毒素偶联物：ADC 代表：Enhertu已上市HER2 ADC ADC是最成熟的抗体偶联药物。抗体识别肿瘤细胞表面抗原，linker连接细胞毒载荷，药物进入细胞后释放毒素，杀伤肿瘤细胞。Enhertu的通用名是fam-trastuzumab deruxtecan，它由HER2抗体、可裂解linker和拓扑异构酶I抑制剂DXd组成，是近年最具代表性的ADC之一。 2. 抗体-放射性核素偶联物：RIC / Radioimmunoconjugate 代表：Zevalin曾获批CD20放射免疫治疗 这类药物用抗体把放射性核素带到肿瘤细胞附近，通过局部辐射杀伤细胞。Zevalin的核心成分是ibritumomab tiuxetan，靶向CD20，并与钇-90等放射性核素配套使用，是放射免疫治疗的经典代表。它说明抗体不一定只递送化学毒素，也可以递送辐射能量。 3. 抗体-免疫刺激分子偶联物：ISAC 代表：BDC-1001临床阶段代表项目HER2 + TLR7/8激动剂 ISAC希望把免疫激动剂集中递送到肿瘤局部，让先天免疫在病灶附近被激活，而不是在全身广泛激活。BDC-1001是HER2靶向的免疫刺激抗体偶联物代表项目，载荷为TLR7/8激动剂。它的核心想法不是直接毒杀细胞，而是把肿瘤从免疫冷环境推向更容易被免疫系统识别和攻击的状态。 4. 抗体-细胞因子偶联物：Immunocytokine 代表：L19-IL2临床阶段代表抗体融合/偶联边界 免疫细胞因子通常把抗体或抗体片段与IL-2、IL-12、TNF等细胞因子连接，使细胞因子更集中作用于肿瘤或炎症组织。L19-IL2是常被讨论的代表，它利用L19抗体片段靶向肿瘤血管外基质中的EDB纤维连接蛋白，再递送IL-2信号。严格说，许多免疫细胞因子是融合蛋白，不一定是传统化学偶联，但属于广义“抗体递送功能载荷”的重要方向。 5. 抗体-寡核苷酸偶联物：AOC 代表：AOC 1001临床阶段代表TfR1 + siRNA AOC把抗体和寡核苷酸药物连接起来，试图解决核酸药物递送难的问题。AOC 1001，也被称为delpacibart etedesiran，是Avidity开发的抗体寡核苷酸偶联物代表项目，利用靶向转铁蛋白受体1的抗体把siRNA递送到肌肉细胞，用于强直性肌营养不良1型等方向研究。 6. 抗体-酶偶联物 / ADEPT系统 代表：MFECP1临床研究代表系统抗体递送酶 + 前药 ADEPT的思路比较特别：先用抗体把酶带到肿瘤附近，再给予一个无活性或低活性的前药，由局部酶把前药转化为活性毒性分子。MFECP1是这一类研究中常被提到的代表系统，使用抗CEA抗体片段与羧肽酶G2相关酶组分。它的理论选择性很强，但系统复杂，临床转化难度也很高。 7. 抗体-蛋白毒素偶联物：Immunotoxin 代表：Lumoxiti曾获批后退市/停用CD22免疫毒素 免疫毒素把抗体或抗体片段与细菌、植物或工程化蛋白毒素连接起来。Lumoxiti的通用名是moxetumomab pasudotox，靶向CD22，曾获FDA批准用于复发/难治性毛细胞白血病。它证明了免疫毒素可以成为药物，但这类分子也面临免疫原性、毒性管理和商业可持续性等挑战。 8. 抗体-降解剂偶联物：Degrader-antibody conjugate 代表：ORM-5029 / ORM-6151类项目早期临床/研发代表抗体递送蛋白降解剂 这类药物试图用抗体把蛋白降解剂递送到特定细胞内，使目标蛋白被泛素-蛋白酶体系统或其他降解路径清除。ORM-5029、ORM-6151等项目常被用来说明抗体递送降解剂的方向。与传统ADC相比，它们不一定追求直接DNA损伤或微管毒性，而是希望用靶向蛋白降解改变细胞命运。整体仍处于早期探索阶段。 三、为什么这些类型成熟度差异很大 从技术上看，抗体偶联药物都像“抗体带货”。但不同载荷的成药难度完全不同。小分子毒素已经有成熟的细胞毒机制、linker化学和药代分析方法，所以ADC最快走向产业化。放射性核素有清楚的杀伤机制，但牵涉放射药生产、物流、半衰期和治疗中心能力。 免疫激动剂、细胞因子和核酸药物的挑战则更多来自生物学窗口：递送到肿瘤局部是否足够集中？全身免疫激活能否避免？核酸进入目标细胞后能否逃逸内体并发挥作用？这些问题决定了它们很难简单复制ADC的开发路径。 抗体-酶系统、免疫毒素和抗体-降解剂偶联物，则更多体现了平台工程的复杂性。它们的科学想象力很强，但临床开发必须同时回答安全性、免疫原性、载荷释放、组织分布、制造一致性和成本问题。 四、从发现到成药，真正难在哪里 1. 靶点不是越特异越好，而是要能递送 ADC和AOC等药物通常需要抗体结合后发生内吞，否则载荷很难进入细胞。放射免疫治疗则不一定要求强内吞，关键是抗体能否在病灶局部富集。不同载荷对靶点的要求不一样。 2. Linker决定安全锁是否可靠 linker太稳定，载荷释放不足；linker太不稳定，血液中提前释放会增加全身毒性。ADC、ISAC、AOC和降解剂偶联物都绕不开这个问题。 3. 载荷强度必须匹配递送效率 抗体递送不可能让每个分子都精准进入目标细胞。因此载荷通常要有足够强的药效，但载荷越强，全身暴露和非靶组织释放的风险也越高。 4. CMC不是后期问题，而是早期设计的一部分 偶联位点、DAR或载荷数、聚集体、游离载荷、连接稳定性、批间一致性，都会影响药物能否进入临床和商业化生产。一个漂亮的分子概念，如果生产不可控，也很难成为药物。 五、怎么看这个领域的未来 未来抗体偶联药物不会只沿着ADC一条路往前走。ADC仍会继续升级，包括更优靶点、更高治疗窗、更可控linker、更强旁观者效应和更合理联合治疗。但更大的变化，是抗体递送平台正在把载荷从“杀伤肿瘤的毒素”扩展到“调控免疫、递送核酸、激活局部反应、降解特定蛋白”的工具箱。 判断一个新型抗体偶联药物是否有价值，核心不在于名字是否新，而在于三个问题：抗体是否真的能把载荷带到该去的地方？载荷是否必须由抗体来递送？这种复杂设计是否带来了足够大的治疗窗，足以抵消制造和临床开发难度？ 免责声明 本文仅用于生命科学和生物医药科普、行业研究与信息交流，不构成医学建议、诊断建议、治疗建议、处方指导、投资建议或商业背书。文中药物或项目状态可能随监管更新、公司公告、临床试验结果和商业决策发生变化；具体适应证、禁忌证、安全性和用药方案应以官方标签、临床指南和专业医生意见为准。 参考来源 - FDA / DailyMed：药品标签与批准信息数据库 - Enhertu美国标签与FDA批准信息 - Zevalin美国标签与放射免疫治疗信息 - FDA：Lumoxiti获批用于毛细胞白血病 - Avidity Biosciences：AOC平台与AOC 1001相关管线信息 - Bolt Biotherapeutics：ISAC平台与BDC-1001相关资料 - Beck A, Goetsch L, Dumontet C, Corvaia N. Strategies and challenges for the next generation of antibody-drug conjugates. Nat Rev Drug Discov. 2017. - Drago JZ, Modi S, Chandarlapaty S. Unlocking the potential of antibody-drug conjugates for cancer therapy. Nat Rev Clin Oncol. 2021.

AI4Science / 研究方法 / 公开数据 这篇文章真正想回答的不是 AI 能不能提效，而是个人研究者如何借助语义分析、公开数据和专业判断，搭出自己的 evidence base，找到真正值得做的研究 niche。AI4Science 真正改变的，不是写综述的速度 如果要问，AI对科研最大的改变是什么，很多人会先想到两个答案：更快写综述，或者更快处理数据。 但我越来越觉得，这两个都不是最重要的。 AI4Science 真正改变的，是另一件事：个人研究者第一次有机会低成本搭建自己的 evidence base。 过去，很多“整理性工作”天然属于机构、团队和数据部门。你需要人手、时间、流程和预算，才能把分散在文献、会议摘要、临床试验和公开数据库里的信息拉到一起，再从中提炼出一个像样的判断。五年前，这种活更像一个 data team 一个 quarter的工作量；现在，在合适的工具栈下，一个人一周可以做出第一版，而且还能边跑边调、边看边修。 如果只是把 AI 当成一个更会说话的搜索框，或者一个能帮你润色文字的助手，那它的价值其实很有限。但如果把它当成一个可以参与知识抽取、语义聚类、模式识别和证据组织的工作流组件，它带来的就不是“省一点时间”，而是把原本只有机构能做的 landscape analysis，下放给个人研究者。 前几天我扫到一篇 Nature Careers 的稿子，讲昆士兰大学博士生 Rhys Parry（个人账号：https://x.com/rhyshparry）怎么做“公开数据二次挖掘”：没新实验、没大经费，靠 SRA 里别人存好的序列挖出病毒新发现，还因此拿到合作和 grant。读的时候我挺有共鸣。原文在这里：https://www.nature.com/articles/d41586-026-00434-x 我做的不是virome，也不是SRA二次挖掘，而是另一个方向：把ASCO/AACR摘要、ClinicalTrials、PubMed，以及会议期间的X讨论这些公开材料系统地串起来看。我的问题不是“再采一次数据”，而是： 当这些公开信息第一次能够被个人系统地组织起来，我们到底能从中得出什么判断？ 我越来越相信，这会成为 AI4Science 里非常重要的一种能力。数据并不稀缺，稀缺的是结构和判断 今天的科研世界并不缺数据。 真正稀缺的，是三样东西： 第一，把分散语料组织成结构的能力。第二，从结构里识别早期信号的能力。第三，把这些信号转化成研究或转化判断的能力。 公开存档数据、论文、会议摘要、临床试验注册信息，这些年一直在累积。变少的不是信息，反而是“看不过来”的耐心。与此同时，embedding、聚类、LLM 抽取和归纳能力，让过去成本很高的整理性工作第一次变得便宜。 这意味着，个人研究者的工作方式也在变化。 未来真正拉开差距的，未必是谁更早学会和AI对话，而是谁能把公开语料、垂直数据和专业判断接在一起，垂直数据如何用AI4Science分析我已经分享了另外一帖想要参与AI4Science，怎么上手？。 下面我想用三个例子，讲讲我自己怎么用这套方法找研究线索、识别前沿信号，并把它推到更接近决策的一步。第一个例子：语义聚类的价值，不是分类，而是找到“结构” AACR 结束之后，我和几位小伙伴讨论了一些想法，也受了不少启发。后来索性把 AACR 2025 和 2026 的 13,698 条 abstract 全部做了 embedding、聚类，再和同期在读的几篇 CNS 论文串起来对照看。 但真正值得讲的，不是“我把abstract聚出来了”，而是聚完以后你到底看到了什么。 因为我做的是肿瘤转化，焦点自然会落到一个概念上：冷肿瘤向热肿瘤的转化，也就是cold-to-hot。 如果只是做一个表面分类，你会得到很多熟悉的主题：innate activation、antigen presentation / priming、immunosuppression relief。这些主干当然都还在，很多团队也还在沿着这些老轴线继续往前推。 但我后来越看越觉得，真正有意思的不是“大家都在做同一件事”，而是以前会被当成边角料的一些东西，开始慢慢成形了：vascular normalization、B-cell / TLS、NK engagement、metabolic rewiring、epigenetic rewiring。比如 B-cell / TLS 这条线，5 月 Linghua Wang 组刚在 Science 发了一篇很强的工作，DOI 是 https://www.science.org/doi/10.1126/science.adz2742 这背后的含义其实很清楚：cold-to-hot 已经不再只是“把 T cell 弄进来”这么简单。它越来越像一个系统工程，要同时改造肿瘤细胞、髓系、血管、基质、Bcell、NK 这些层面的免疫生态。 我最开始把这些机制粗分成 15 层，从 tumor extrinsic 到 tumor intrinsic。后来我自己再 review 一遍，也觉得其中不少层其实还可以并类，没必要永远按最初版保存。但我没有把这件事再修成一个“看起来很完美”的 taxonomy，因为我反而觉得，一个真实的分析过程，比一个被反复抛光到失去痕迹的结果更有参考价值。 语义分析真正有价值的地方，不是告诉我们“哪些路有人在走”，而是告诉我们： 哪些原本分散的机制，开始在同一批研究里反复被绑在一起。 这一步非常关键。 因为一个方向从“概念成立”走向“可被药物、平台和组合策略反复利用”，中间往往有一个早期信号，就是机制之间开始稳定共现。 在这批 AACR abstract 里，我最有结构感的共现对主要是这几组： B-cell / TLS + NK priming B-cell / TLS + endothelium / angiogenesis endothelium / angiogenesis + hypoxia / stress death-program rewiring + endothelium / angiogenesis 这些组合比单独的 STING / checkpoint，更像下一阶段的“工程化免疫重编程”。 图 1｜肿瘤内与肿瘤外 cold-to-hot 转化机制联系图。该图总结了 cold-to-hot 转化相关的主要机制，并按肿瘤内在程序与肿瘤外部微环境两部分进行组织，突出两者之间的相互作用及其对免疫炎症化状态形成的共同贡献 (这个并不是最终版，里面的机制还可以有进一步缩减合并的可能性)。 方法上，我用 LLM 做的是语料结构化：把几千上万条 abstract 按机制聚类、提取共现关系、做语义归纳。但我没有把“科研判断”直接交给 deep research 去生成。 Claude、ChatGPT、Gemini 的 deep research 我都试过。它们的问题往往不是不够广，而是不够深，也不负责划边界。比如： 哪些东西真的属于 cold-to-hot，哪些只是广义 IO 热点？ viral mimicry、ICD、TLS-B cell、vascular access、myeloid rewiring 这些层次，能不能拆得足够清楚？ 一个方向下一步应该做靶点、做组合治疗、做 biomarker，还是只是叙事好听？ 这三件事上，AI 现在还替代不了人。 所以我更愿意把它理解成一个小型研究操作系统：有点像Wiki、RAG、NotebookLM，再加上可以编程做统计分析和画图的agent。它帮我组织证据、压缩搜索成本、加快整理速度，但真正的判断仍然得由人来做。第二个例子：把顶刊和会议摘要叠在一起，才能看到“什么正在长出来” 有了 semantic clustering 这个底子之后，我又做了一件我觉得很有意思的事。 我把最近几周读到的 CNS 相关文章，和 AACR abstract 里的 ADC 聚类结果叠在一起看，问的是同一个问题： 顶刊在确认什么？会议摘要又在预告什么？ 这两个东西单看都不够。 顶刊往往在讲已经被确认、被打磨、被讲清楚的宏观格局；会议摘要里则更容易出现更早、更细、更不成熟，但也更前沿的信号。只有把两者叠起来，才看得出哪些是真正的苗头。 我会用 AI 每日更新最近的 CNS 文章，再从里面挑出 5 篇我觉得特别值得盯的，并追问它们为什么能上CNS。放在一起读，我越来越明显地感受到一个共同转向：大家争论的“靶点”正在外移。 它不再只停留在癌细胞表面的一个蛋白，而是逐渐转向生态位、状态，以及真正执行功能的免疫细胞本身。换句话说，越来越多工作在说同一件事：实体瘤是系统问题，不能再只盯抗原。 我当时摘出来的几篇里，最有代表性的包括：Cas12a2：第一次把 selectivity 的来源从抗原差异挪到 transcriptional state，在 RNA 层定义“该死的细胞”。uPAR CAR-T：把靶向单位扩到跨 CAF / senescence / immunosuppression 的复合生态位。它定义的是边界扩展，不是又一个 target。Cysteine / NFS1 与 CD8 T 细胞：把 FeS cluster 生物合成连到 effector 持久性，把 immunometabolism 从描述性科学拽进 cell therapy 的设计变量。Spatial ecotypes + cfDNA：尝试把 TME 结构从组织活检搬到 cfDNA。若能复现，TME 第一次可能成为非侵入式、动态可读的临床变量。Microproteins / peptideins：把“可成药蛋白组”整体扩一圈并给出系统性功能筛选，定义的是新空间边界，不是新分子。 放在一起看，意思很明确：以前争的是“哪个靶点打得准”，现在慢慢变成“哪个状态可定义、哪个生态位可干预、哪个免疫细胞才是真正在做事的单位”。 这个判断，在 AACR 的摘要层也有很直接的呼应。 比如，DLL3 在 ADC / CAR-T 相关语料中的密度，已经从 14.6 涨到 19.9 / 千篇；2026 数据还不完整，这个数字却还在往上走。它说明“非抗原靶点”不再只是少数前沿团队的概念，而是在日常增量工作里开始渗透。 再比如，ADC 簇和 spatial / single-cell 簇在向量空间里的距离，从 2025 到 2026 有明显拉近；而 2026 abstract 里，FAP + tumor antigen 的双靶点 ADC / bispecific 也开始批量出现，不再只是单 FAP-ADC 的 POC。前沿已经不满足于二选一，而是想在同一个分子上两手都要。 我当时最直接的感受是：CNS 在讲 redefining，AACR 在讲 implementing，而且时间差比预想的短。 但同样重要的是反面信息。 比如 Cas12a2 这类“RNA 触发执行”的工作，在 AACR 里几乎找不到明显对应。这恰恰也有价值，因为它告诉我们：哪些方向更像 3 到 5 年内可以工程化推进的问题，哪些则可能是 10 年尺度的基础方向。 Cas12a2 难的不是“能杀”，而是“敢不敢只杀该杀的”；uPAR / FAP 难在 CAF 不是一块铁板；T 细胞代谢最怕被当万能旋钮；cfDNA 读 TME，论文强不等于临床流水线强；新肽段能检测到，不等于值得做成药。 这也是我非常看重的一点：语义分析不只是帮你找热点，更是在帮你区分时间尺度。 一个方向现在热，不等于它能转化；一个方向还没热，也不代表它不重要。真正有价值的，是把“新奇”“可做”“可转化”这几件事拆开看。第三个例子：从语义整理走向产业判断 再往前一步，语义分析不只可以服务科研选题，也可以服务更偏产业和转化的问题。 我最近系统整理过 ADC 方向的数据，覆盖了 2000 到 2026 年所有 IF>3 的 ADC research 文献、377 个在研临床试验，以及 157 个回撤或终止的临床项目。数据肯定还有不全和描述不准的地方，但已经足够支撑一些底层判断浮出来。 例如，payload 的代际更替已经发生，但并没有走完。 图2｜临床管线 Payload 子类：Active vs Discontinued 并列对比 从 Mylotarg（2000）到 Adcetris（2011）再到 Enhertu（2019），Topo I 在已上市产品和晚期实体瘤管线里已经形成主导势能。但如果你把全量临床试验拉开看，会发现 Auristatin 仍有 100+ 在跑，Camptothecin 也还有 80+。这不是简单的“旧一代被替代”，而是不同代际在不同适应症和阶段里并存、消化。 风险信号也很清楚。MMAF 的角膜毒性，本质上是对角膜上皮细胞的微管脱靶抑制，linker 优化最多只能降低暴露，很难从根上解决。PBD / Tesirine 的问题也类似，不是设计不够精，而是治疗窗口本来就窄，肿瘤和正常组织的剂量差不够。 再比如，linker 从来不是独立变量。 图3｜临床管线 Linker 类别：Active vs Discontinued 并列对比 VC 成为黄金标准，并不是因为它在化学结构上“天生优雅”，而是因为它碰巧踩中了实体瘤里更普适的生物学条件。GGFG 的表现看起来也很好，但背后很大一部分反映的是平台整合能力，而不是某个 linker 本身可以脱离 payload、DAR 和 bystander effect 被独立复制。 VC 成为黄金标准，并不是因为它在化学结构上“天生优雅”，而是因为 cathepsin B 在大多数实体瘤溶酶体里普遍存在，这种生物学普适性带来了稳定性。GGFG 的数据看起来也很好，但几乎全部来自 Daiichi Sankyo，更多反映的是平台整合能力：payload + linker + DAR + bystander 的协同设计，而不是某个 linker 本身可以脱离 payload 被独立复制。 再往下看，真正的矛盾其实出现在冷肿瘤。 理论上，ADC应该补上免疫治疗覆盖不到的那部分空白。但CLDN18.2、FOLR1、DLL3 这些方向的临床失败率并不低，大约仍在 30–40% 这个量级。问题到底是表达异质性导致筛选失准、FAP+基质造成物理阻断、低增殖对化疗型 payload 不敏感，还是患者本身是 IO 失败后的负向筛选，目前数据还不能彻底分清。 FAP开始进入设计，本质上是在回应“进不去”这个工程问题，而不只是继续加码杀伤：不是单纯提高火力，而是先解决递送和可达性。 前沿方向里，我觉得一个很值得看但又不能过度乐观的方向，是降解剂偶联。PROTAC卡在分子量和DAR，分子胶MAC反而提供了更现实的路径，ORM-6151 是目前少数真正逼近临床验证边界的例子之一。 AOC（siRNA偶联）在文献里很热，但癌症适应症仍缺少真正硬的临床验证，神经肌肉领域的成功不能直接外推。ISAC / STING 的问题更像系统性约束，而不是单点设计失误。像 BDC-1001 在 2024 年被终止，就是一个足够扎眼的信号：不是靶点选错，而是 FcγR 介导的系统性免疫激活很难被抗体靶向精确约束。 图4｜Top 50 markers: year-over-year change in doc rate ADC subset | red=up. blue=down vs 2025 baseline 做到这一步时，我对 AI 的定位反而更清楚了。 语义分析在这里做的，不是“帮我写一篇 ADC review”，而是把文献、临床试验、终止项目这三类语料拉到一起，再按靶点、payload、linker、癌种等维度切开，让底层分布结构先显形。 至于 payload 的代际更替是不是真的成立、linker 到底是不是独立变量、FAP 值不值得追、冷肿瘤里的失败到底是谁在主导，这些仍然是人的工作。 AI 负责把结构摊开，人负责下判断。AI 真正放大的，是“做判断之前的证据组织能力” 我真正想分享的，不是“一周做完这些事情”有多厉害。 说到底，这并不是我突然变聪明了，而是工具栈到了。 Embedding 跑在笔记本 Ollama 上 3 小时；UMAP 调一轮 5 分钟；某个单点比如 DLL3，从 raw 到出图半小时。过去很多需要 data team 才能做的整理性工作，现在开始变成个人可及。 但这里最容易被误解的一点是：门槛降低，不代表价值自动浮现。 这些 insight 并不是和 AI 聊聊天就会自己掉出来。你仍然要从 raw 数据开始收集、清洗、入库、分析、总结、判断；仍然要反复回到原始材料里校正；仍然要花时间盯住细节，直到你觉得这个判断大体站得住。 从这个意义上说，AI4Science 至少有两个层面。 一个是数据层：帮助我们更快处理、组织和压缩信息。另一个是文字层：让 LLM 从文献和语料里抽取知识、总结现状、提出假设。 后者确实是 LLM 的强项。但它本质上做的，仍然是把人类已经知道的东西结构化。它能帮助我们更高效地理解“已知”，却不能直接替我们发现“未知”。 所以我现在越来越喜欢用一句话概括这件事： 语义分析告诉我们“该看什么”，垂直数据告诉我们“值不值得做”，专业判断决定“下一步该怎么做”。 三者不是先后关系，而是迭代关系。整理门槛在下降，判断力的价值在上升 有时会有人问，既然这些方法有用，为什么不自己闷头做，非要拿出来分享？ 我的想法其实很简单。 我不希望看到的人拿去灌水，但我确实希望更多同行因此少走一些弯路。基础科学探索和医药研发，本来就是一条漫长、孤独、而且充满不确定性的路。如果 AI 能让更多人以更低成本组织证据、尝试形成自己的判断，那这件事本身就有意义。 AI 改变的，不是我们能不能更快写出一篇 review。 它改变的是：个人研究者能不能以更低的实证成本，做出过去只有机构团队才能完成的 landscape analysis。 整理性工作的门槛在降低，perspective 的价值在上升。真正拉开差距的，依然是你在这个领域沉淀了多少、想清楚了多少、敢不敢做自己的价值判断。 这些 AI 还替不了。 但它的确把“敢做判断”之前的证据组织成本，压得比过去低了很多。 这也是我为什么越来越想在临床转化上多做实践，同时也在科学信息传播和平权上多下功夫。希望这些关于 AI4Science 的分享，能给你带来一点启发：不是把 AI 当成替你思考的机器，而是把它变成你建立判断、发现研究 niche、推进真实问题的一套工具。 如果它能让更多人愿意动手去试、去搭自己的 evidence base、去形成自己的问题意识，那这篇分享就值了。