9月4日，Decoding Bio發(fā)布《Projections at the Frontier: Snapshot 2025》，這份長達97頁的報告，描繪了生物技術在未來五年的發(fā)展圖景。

Decoding Bio是一個由記者、科學家、創(chuàng)始人和投資人組成的社群，致力于探索生物的邊界，提升人們對前沿生物技術發(fā)展的理解。

其定期發(fā)布的內容是亞馬遜、谷歌、英偉達、安進、阿斯利康、禮來、麥肯錫、微軟、諾華、諾和諾德、Recursion、a16z、Flagship Pioneering、華爾街日報等知名公司的重要信息來源。

在今年的報告中，Decoding Bio聚焦于AI與生物技術的交叉領域，對多個重大方向進行了分析與展望，包括：

• 虛擬細胞：通過整合大規(guī)模單細胞擾動數(shù)據與AI基礎模型，虛擬細胞正從概念走向現(xiàn)實，有望在2030年實現(xiàn)對細胞行為的精準預測與干預設計。

• 數(shù)據基礎設施：下一代生物研發(fā)的競爭力取決于統(tǒng)一、可追溯、AI-ready的數(shù)據基礎設施，其核心是從數(shù)據孤島邁向可查詢、可組合的“數(shù)據資產化”時代。

• 自主化實驗：AI驅動的閉環(huán)實驗系統(tǒng)正在重塑研發(fā)范式，實現(xiàn)“設計-合成-測試-分析”的全自動化，將科學發(fā)現(xiàn)從人工試錯轉變?yōu)闄C器持續(xù)探索。

• 合成生物學：模塊化、可編程的基因電路與磷酸化信號網絡的突破，正推動細胞療法向規(guī)?；?、低成本制造邁進。

• 診斷與生物標志物：AI正從輔助工具躍升為自主決策者，精準醫(yī)療進入“去中心化、高效率、早干預”的新階段。

• 情緒與行為：精準的神經調控技術正在成為可能，突破性腦機接口產品落地，邁向個性化、實時調節(jié)的情緒健康管理。

• 生殖健康：全基因組胚胎篩查與體外配子生成技術的突破，正在重新定義生育的可能性。

• 植物工程：通過基因編輯與AI技術，植物工程正擺脫傳統(tǒng)育種限制。

這份報告就像一張未來生物科技的路線圖，它不僅記錄了當前的進展，更描繪出未來可能的發(fā)展方向。

它提供了一個實際的框架，幫助我們思考、規(guī)劃并參與下一個五年的前沿發(fā)展。

虛擬細胞：硅基制藥不是夢

虛擬細胞（Virtual Cell）領域已從理論構想邁向可擴展的初步實現(xiàn)階段，核心進展體現(xiàn)在AI驅動的多尺度建模和大規(guī)模數(shù)據基礎設施的構建。

AI原生建?？蚣艹尚?/strong>：科學家們正利用 生物基礎模型（bioFMs） 來學習和理解從DNA、蛋白質到整個細胞狀態(tài)的各種生物信息，并以此作為構建虛擬細胞的核心技術。

細胞級建模初具雛形：

• Arc Institute 發(fā)布首個可擴展的虛擬細胞模型 STATE，基于數(shù)億單細胞和擾動數(shù)據，能預測細胞對干預的響應，在差異基因表達識別和擾動效應檢測上顯著超越基線模型。

• Noetik 推出 OCTO-vc，專注于空間生物學，利用來自2500+患者腫瘤樣本的近7700萬細胞空間轉錄組數(shù)據，模擬虛擬T細胞在腫瘤微環(huán)境中的行為。

數(shù)據基礎設施與生態(tài)建設：

• Arc Institute 構建了包含1億個細胞的 Atlas 數(shù)據庫 和 scBaseCount 公開數(shù)據集，推動數(shù)據標準化與共享。

• “虛擬細胞挑戰(zhàn)賽”被發(fā)起，聯(lián)合英偉達、10x Genomics等企業(yè)，推動模型評估與社區(qū)協(xié)作。

主要挑戰(zhàn)

數(shù)據瓶頸：缺乏“生物學的互聯(lián)網”：現(xiàn)有生物數(shù)據分散、異構、標注不足，難以支撐復雜細胞狀態(tài)的建模；細胞級生物基礎模型（cellular bioFMs）表現(xiàn)不佳，部分原因在于高質量、大規(guī)模、多模態(tài)擾動數(shù)據的稀缺。

模型復雜性與整合難題：細胞行為受多尺度因素影響（如基因、代謝、激素信號等），從“自下而上”建模極為困難；如何有效整合分子、細胞、組織和系統(tǒng)層面的模型，實現(xiàn)跨尺度預測，仍是未解難題。

驗證與可信度問題：虛擬細胞的預測結果需要與真實生物學實驗高度一致，但目前缺乏標準化的驗證框架；模型的“黑箱”特性使其在臨床或藥物研發(fā)中的可解釋性和可信度受到質疑。

值得關注的機構

未來展望

虛擬細胞的興起標志著藥物研發(fā)正進入一個以計算為核心、實驗為驗證的全新時代。

“目前，細胞生物學90%依賴實驗，10%依賴計算……我認為10年內，我們可以實現(xiàn)90%依賴計算，10%依賴實驗的生物學發(fā)展?！薄狢ZI Science負責人Steve Quake

• 從“試錯”到“預測”：傳統(tǒng)藥物發(fā)現(xiàn)依賴高通量篩選和動物實驗，成本高、周期長。虛擬細胞允許在硅基環(huán)境中模擬數(shù)千種藥物候選物對細胞的影響，大幅縮小實驗范圍。

• 從“單一靶點”到“系統(tǒng)調控”：虛擬細胞能模擬藥物對整個細胞網絡的影響，預測脫靶效應和耐藥機制，實現(xiàn)更安全、更有效的設計。

• 從“靜態(tài)”到“動態(tài)”：結合時間序列數(shù)據，虛擬細胞可模擬藥物作用的動態(tài)響應過程，優(yōu)化給藥方案。

虛擬細胞不僅是技術工具，更代表生命科學研究范式的根本性轉變，加速“在硅基世界中模擬生命、預測治療、設計藥物”的新時代。

數(shù)據基礎設施：為生物學搭建操作系統(tǒng)

生物數(shù)據基礎設施（Data Infrastructure）正處于從碎片化、文檔化系統(tǒng)向集成化、AI原生平臺的轉型關鍵期。

AI驅動的數(shù)據整合成為新范式：

• 大型語言模型（LLMs）和智能代理（agentic systems）展現(xiàn)出處理非結構化實驗筆記、PDF報告、電子實驗記錄本（ELN）等“混亂數(shù)據”的潛力

• 數(shù)據基礎設施正成為AI-native生物研發(fā)的基石，為LLM提供高質量、上下文保留（context-preserving）的數(shù)據源

新興平臺推動標準化與可追溯性：

工具如 Lamin 正在構建湖倉一體（lakehouse）架構，旨在統(tǒng)一管理代碼、數(shù)據、模型和元數(shù)據，實現(xiàn)端到端的可追溯性；目標是將零散的數(shù)據點轉化為可查詢、可復用、可組合的“數(shù)據資產”，支持下游建模與分析。

數(shù)據價值認知提升：

行業(yè)認識到，數(shù)據的質量、一致性與可訪問性直接決定AI模型的性能和研發(fā)效率；數(shù)據基礎設施不再被視為“后臺支持”，而是提升研發(fā)生產力的戰(zhàn)略核心。

主要挑戰(zhàn)

數(shù)據異構性與標準化難題：生物數(shù)據類型極其多樣（基因組、蛋白組、影像、流式、病理等），格式不一，缺乏統(tǒng)一標準，如何設計既能通用又能保留領域特性的數(shù)據模型是巨大挑戰(zhàn)。

數(shù)據質量與治理：“垃圾進，垃圾出”（Garbage in, garbage out）問題突出。未經驗證、標注錯誤或元數(shù)據缺失的數(shù)據會嚴重影響AI模型；缺乏有效的數(shù)據驗證、標準化和注釋工具鏈。

商業(yè)機密與數(shù)據共享的矛盾：生物醫(yī)藥公司的核心競爭力依賴于專有數(shù)據和設計，如何在利用AI的同時，防止敏感數(shù)據泄露或被用于訓練競爭對手的模型，是重大信任挑戰(zhàn)

值得關注的機構

未來展望

數(shù)據基礎設施的終極目標是成為生物研發(fā)的“操作系統(tǒng)”——一個能讓數(shù)據自由流動、被AI智能理解、并驅動科學發(fā)現(xiàn)的底層平臺。

自主化實驗：AI接管臟活累活

自主化實驗（Autonomous Experimentation）已從概念驗證邁向多路徑并行、閉環(huán)系統(tǒng)初現(xiàn)的實用化階段。

范式轉變：從“人類主導、間歇性試錯”轉向“AI驅動、連續(xù)性探索”，通過閉環(huán)實驗（Lab-in-the-loop）、全年24小時無間斷實驗，大幅縮短假設-驗證周期，解決生物學實驗長期存在的可復現(xiàn)性危機。

技術整合初現(xiàn)：機器人平臺（物理自動化）、AI模型（認知自動化）和數(shù)據系統(tǒng)（工作流集成）開始融合，形成初步閉環(huán)。

多路徑發(fā)展：大型云實驗室如Emerald Cloud Lab和Ginkgo Bioworks，提供遠程、并行化實驗服務；專用CRO如Intrepid Labs和Lila Sciences，聚焦高復雜度任務（如酶工程、LNP篩選）。

軟硬件協(xié)同進化：

• Li Lab的 LUMI-lab實現(xiàn)全閉環(huán)SDL（設計-合成-測試-分析），自主發(fā)現(xiàn)新型高效脂質；King Lab的“機器人科學家”Adam和Eve已能自主提出假說并驗證。

• 硅基芯片（如 Nuclera, Avery Bio）集成微流控與傳感器，支持并行DNA/蛋白質合成與實時數(shù)據采集。
  

模塊化與標準化：自動化實驗正在形成“模塊化任務代碼庫”，支持拖放式實驗設計，為AI自動生成協(xié)議鋪路。

主要挑戰(zhàn)

系統(tǒng)集成瓶頸：認知自動化（AI決策）與物理自動化（機器人執(zhí)行）尚未完全協(xié)同，全閉環(huán)自驅動實驗室（SDL）仍屬少數(shù)；不同設備、軟件和數(shù)據格式之間缺乏互操作性，形成“自動化孤島”。

生物學復雜性：細胞培養(yǎng)、組織工程、類器官等系統(tǒng)對環(huán)境敏感，機器人難以完全復制人類操作的精細度和適應性；高變異性和時間敏感性實驗（如活細胞成像）仍是自動化難點。

數(shù)據質量與規(guī)模：自主系統(tǒng)依賴高質量、結構化的數(shù)據進行學習，但現(xiàn)有生物數(shù)據普遍存在元數(shù)據缺失、標注不一致等問題。

成本與可及性：高端自動化平臺和云實驗室成本高昂，中小企業(yè)和學術機構難以負擔；投資回報周期長，阻礙大規(guī)模采用。

值得關注的機構

未來展望

到2030年，自主化實驗將實現(xiàn)全集成、全閉環(huán)、全時域的運行，徹底改變生命科學的研發(fā)模式。

未來的實驗室不是由人類“操作”的，而是由AI“思考”、機器人“執(zhí)行”、數(shù)據“驅動”的智能生命系統(tǒng)。

合成生物學：低成本編程生命前景廣闊

合成生物學（Synthetic Biology）正從“基因編輯工具”邁向“可編程生命系統(tǒng)”的新階段，核心進展體現(xiàn)在模塊化設計、實時響應與規(guī)?；瘧萌蠓较?。

復雜遺傳回路工程成熟：

• 2019年發(fā)表在《Science》上的里程碑論文，建立協(xié)同調控組裝體（cooperative regulatory assemblies）的原理，實現(xiàn)復雜信號處理和非線性遺傳回路構建。

• 2025年合成磷酸化網絡（synthetic phosphorylation networks）突破進展，使工程化細胞能在數(shù)秒內響應信號，而非傳統(tǒng)遺傳回路的數(shù)小時延遲，實現(xiàn)實時細胞響應。

工程化細胞療法邁向規(guī)?；?/strong>模塊化、自下而上的蛋白域設計方法，為大規(guī)模制造治療性細胞鋪平道路，有望將細胞療法成本降至抗體療法水平。

消費級工程微生物商業(yè)化成功：ZBiotics 作為全球首家推出基因工程益生菌的公司，已實現(xiàn)商業(yè)化突破，證明了轉基因生物產品的市場接受度。

主要挑戰(zhàn)

監(jiān)管框架滯后：現(xiàn)有監(jiān)管體系缺乏有效框架，需建立針對“活體生物藥”或“工程微生物”的新分類與評估標準

公眾對轉基因的負面認知：但市場仍普遍偏好“非轉基因”標簽，尤其在健康領域。

技術可預測性與標準化：同一遺傳回路在不同細胞環(huán)境或宿主中表現(xiàn)不一

制造標準化難題：多組分復雜回路的精確組裝與質量控制在規(guī)?；a中極具挑戰(zhàn)。

值得關注的機構

展望未來

合成生物學已從理論走向現(xiàn)實，展現(xiàn)出重塑醫(yī)療、環(huán)境與制造業(yè)的巨大潛力。

然而，其發(fā)展必須與公眾溝通、倫理討論和前瞻性監(jiān)管同步推進，以確保這項強大技術能夠安全、公平、可持續(xù)地造福人類。

診斷與生物標志物：加速精準醫(yī)療變革

診斷與生物標志物（Diagnostics & Biomarkers）正經歷由AI、多模態(tài)數(shù)據整合與消費者需求驅動的深刻變革。

AI診斷進入自主決策時代：SkinAnalytics 的 DERM AI于2024年獲得歐盟III類CE認證（MDR法規(guī)），成為全球首個無需醫(yī)生監(jiān)督即可自主做出皮膚癌臨床決策的AI醫(yī)療設備
多模態(tài)診斷與分層篩查：血液檢測（如GRAIL的Galleri）、糞便檢測（Cologuard）等構成分層篩查體系；數(shù)字生物標志物（如語音、步態(tài)、睡眠）通過可穿戴設備和智能手機采集，拓展了監(jiān)測維度。
消費者驅動的集成健康平臺興起：Level Zero Health提供一體化健康評估，整合血液生物標志物、全身體檢、可穿戴數(shù)據和AI分析，通過直接面向消費者（D2C）模式建立需求，再向臨床系統(tǒng)整合。
主要挑戰(zhàn)
從數(shù)據到臨床決策的轉化瓶頸：

• 生物數(shù)據爆炸，但將數(shù)據轉化為真正影響臨床決策的洞察仍是核心挑戰(zhàn)。

• 診斷價值不僅取決于靈敏度/特異性，更取決于是否能改變治療路徑或改善結局。