本周值得看
- MHS 为实验室仪器提供了一套 AI 可读的通用接口。 这项硬件标准允许 AI Agent 通过统一驱动协调移液工作站、机械臂和酶标仪。本周，MHS 开放研究预览，并展示了蛋白定量、qPCR 和剂量—反应实验的概念验证。
- MAPL-EMIT 自动从卫星高光谱数据里找甲烷点源。 模型在专家标注羽流上达到 84% 召回率，并同步开放全球羽流数据、模型权重、合成训练数据和推理代码。
- 机器学习筛选稀土永磁材料后，预测结果得到实验验证。 研究者使用 18 种模型与优化算法的组合预测多项磁性能，并通过实验验证了混合稀土铁硼的候选成分区间。
技术突破：高影响期刊与正式科研成果
蛋白质、微生物和遗传数据分析正在走向更细粒度的解释，模型输出也越来越多地接受材料实验和环境观测的验证。部分研究已有实验或真实观测支持，另一些仍以公开数据集上的计算评测为主。
symclatron：从十万余个微生物基因组寻找共生生活方式
共生体分类器 symclatron 由美国能源部联合基因组研究所等机构开发。它根据基因组中的蛋白家族特征，判断微生物更可能是自由生活、与宿主相伴，还是必须生活在宿主细胞内。8 月 31 日发表于 Nature Biotechnology 的研究使用 6,751 个经专家标注的基因组训练模型，并进行分支留出验证。随后，研究团队建立了包含 107,067 个细菌和古菌基因组的 Symbiont Genomes（SymGs）目录，其中包括 14,070 个高置信度共生体预测。结果显示，约 15%—23% 的未培养微生物可能参与共生关系。这些候选微生物分布在约一半已知的细菌和古菌门中，为合成微生物群落、生物修复和酶资源研究提供了可检索的起点。论文同时提醒，在与训练数据系统发育距离最远的一组样本中，总体准确率由 94.1% 降至 72.7%，宿主相关类别的召回率由 73.6% 降至 7.2%。因此，目录中的生活方式分类仍属于基因组层面的预测。
图：symclatron 的特征构建、标注数据和生活方式分类流程。（来源：Nature Biotechnology 原文）。
相关资源： symclatron 代码；SymGs 数据目录；Zenodo 数据快照。
来源： A genomic catalog of Earth’s bacterial and archaeal symbionts｜Nature Biotechnology｜https://www.nature.com/articles/s41587-026-03213-1｜2026-08-31｜访问时间：2026-09-03 11:40（Asia/Shanghai）｜来源类型：同行评议研究论文（Resource，机器学习分类与大规模基因组目录）
MotifAE：把蛋白质语言模型里的序列模式拆出来看
MotifAE 是哥伦比亚大学团队提出的序列模式解释框架，利用稀疏自编码器拆解蛋白质语言模型的内部表示。9 月 2 日发表于 Nature Communications 的论文在模型中加入平滑约束，使相邻氨基酸位置的特征更加连贯。模型得到的潜在特征既能对应已知功能基序，也能覆盖部分结构域。研究者进一步将这些特征与实验数据对齐，识别出与结构域折叠稳定性相关的表示，并据此预测稳定性相关的适应度图景。这样一来，模型不仅能给出蛋白质功能或突变分数，还能尝试定位影响分数的序列片段。
来源： Unsupervised discovery of functional sequence patterns from protein language model with MotifAE｜Nature Communications｜https://www.nature.com/articles/s41467-026-77333-2｜2026-09-02｜访问时间：2026-09-03 11:40（Asia/Shanghai）｜来源类型：同行评议研究论文早期版本（Article，蛋白质语言模型解释与计算评测）
PFNet：把肽段级质谱信号换算成单残基稳定性
常规氢交换质谱（HX-MS）只能给出肽段级信号，PFNet 则利用机器学习将其换算为每个氨基酸残基的开放自由能 ΔGop，是一套局部蛋白质稳定性计算模型。9 月 1 日发表于 Nature Communications 的论文显示，该模型能够快速处理蛋白质和复合物，且不受固定尺寸上限约束，从而将原本以肽段为单位的实验读数细化到残基层面。研究使用 NMR 数据以及 SARS-CoV-2 刺突蛋白/ACE2 的原始 HX-MS 数据检验了分析流程。配套代码同时提供基于完整同位素包络和质心摄取量的两种模型。PFNet 并不生成新的蛋白质结构，而是帮助结构生物学实验获得更局部、更易比较的热力学读数。
相关资源： PFNet 代码；基准数据与模型快照。
来源： A machine learning method for calculating highly localized protein stabilities｜Nature Communications｜https://www.nature.com/articles/s41467-026-75590-9｜2026-09-01｜访问时间：2026-09-03 11:40（Asia/Shanghai）｜来源类型：同行评议研究论文（Article，机器学习与氢交换质谱分析）
Geo-Hete-HyperGNN：同时读取分子几何、化学语义和高阶关系
分子超图可以用一条超边连接两个以上的原子，从而表达普通原子—键图难以完整描述的键角、共轭体系等关系。Geo-Hete-HyperGNN 正是一种等变分子超图神经网络。9 月 1 日发表于 Communications Chemistry 的论文将三维几何信息与四类光谱相关的语义超边结合，并通过自监督预训练学习可迁移的分子表示。模型在 8 个 MoleculeNet 基准上均较既有方法有所提升，还在 QM9S-QM9NMR 数据集上评估了紫外—可见吸收、红外频率和核磁化学位移预测。这些结果均来自公开数据集上的计算评测，其主要价值是为性质预测和分子筛选提供更完整的结构表示。
来源： Geo-Hete-HyperGNN as a prior-free molecular hypergraph representation learning strategy｜Communications Chemistry｜https://www.nature.com/articles/s42004-026-02167-4｜2026-09-01｜访问时间：2026-09-03 11:40（Asia/Shanghai）｜来源类型：同行评议研究论文早期版本（Article，分子表示学习与计算基准）
稀土永磁材料：18 种模型组合筛选后再做实验核对
这项研究利用机器学习同时预测稀土永磁材料的居里温度、剩磁、饱和磁化、矫顽力和最大磁能积，旨在降低逐一试制多成分合金的成本。9 月 1 日发表于 npj Computational Materials 的论文组合了 6 种模型和 3 种超参数优化算法。在居里温度预测任务中，14 种组合的 R²>0.9；在样本量较少的剩磁和饱和磁化任务中，8 种组合的 R² 仍保持在 0.79 以上。随后，研究者利用 XGBoost 和灰狼优化器锁定混合稀土铁硼 MMxFeyB100-x-y 的高性能成分区间，并通过实际制备样品进行验证。矫顽力和最大磁能积的平均误差分别为 0.317 kOe 和 0.016 MGOe。这一步将研究从历史数据拟合推进到候选成分的实验验证，为材料发现提供了较为直接的闭环证据。
来源： Machine learning driven multi-property prediction for rare earth permanent magnet materials｜npj Computational Materials｜https://www.nature.com/articles/s41524-026-02299-0｜2026-09-01｜访问时间：2026-09-03 11:40（Asia/Shanghai）｜来源类型：同行评议研究论文早期版本（Article，机器学习预测与材料实验验证）
精神分裂症遗传风险：端到端模型开始显式寻找非线性交互
这项研究利用全外显子组测序数据预测精神分裂症遗传风险，重点比较能够学习非线性交互的神经网络与传统加性模型。9 月 2 日发表于 Nature Communications 的论文纳入 6,135 名病例和 6,245 名对照。结果显示，当样本量足够时，非线性网络的预测表现显著优于加性模型。研究者还将可解释 AI 与生物学先验引入模型，既识别出已知风险基因，也提出了与神经发育相关但研究相对不足的候选基因 BASP1。该研究的 AI4S 价值在于，将高阶等位基因和变异之间的交互作用纳入风险建模。需要说明的是，这只是基于队列数据的预测评测，并非临床诊断试验。
来源： End-to-end deep learning methods for genetic risk prediction of schizophrenia｜Nature Communications｜https://www.nature.com/articles/s41467-026-76663-5｜2026-09-02｜访问时间：2026-09-03 11:40（Asia/Shanghai）｜来源类型：同行评议研究论文早期版本（Article，全外显子组队列与深度学习评测）
MAPL-EMIT：从卫星高光谱辐亮度自动定位甲烷点源
MAPL-EMIT 是 Google Research 与 NASA JPL 合作开发的甲烷羽流检测、定量和源点定位模型，可直接读取国际空间站 EMIT 仪器采集的高光谱辐亮度数据。9 月 1 日发表于 PNAS 的研究使用 Swin Transformer 同时处理完整光谱和邻近空间纹理，并将 360 万个物理模拟羽流注入真实地表场景用于训练。模型在约 1,100 个 EMIT 数据块中识别出 84% 的专家标注羽流，发现的可信候选比人工流程多约 50%，还识别出全球 25 个高排放填埋场中的 24 个。该模型将依赖人工判读的遥感分析转化为可批量运行的环境监测流程，并同步开放数据、模型和代码。原文指出，模型在复杂地形中仍可能出现误报，因此数据产品为每个羽流标注了高或中等置信度。
图：同一场景中，普通影像、传统匹配滤波增强结果与 MAPL-EMIT 分离出的甲烷羽流对照。（来源：Google Research）。
相关资源： Earth Engine 全球羽流数据；训练权重；合成羽流数据；推理代码。
来源： Global monitoring of methane point sources using deep learning on hyperspectral radiance measurements from EMIT｜Proceedings of the National Academy of Sciences（PNAS）｜https://www.pnas.org/doi/10.1073/pnas.2612145123｜在线发表 2026-09-01｜访问时间：2026-09-03 11:40（Asia/Shanghai）｜来源类型：同行评议研究论文；Mapping global methane emissions from space with deep learning｜Google Research｜https://www.research.google/blog/mapping-global-methane-emissions-from-space-with-deep-learning/｜2026-09-01｜访问时间：2026-09-03 11:40（Asia/Shanghai）｜来源类型：官方研究博客（含评测说明与开放资源）
行业资讯与应用进展：从研究到落地
AI 不再局限于处理离线数据，而是开始进入实验设备、地理建模流程和受控医疗信息入口。这些应用的成熟度不一，既包括已经正式发布（GA）的只读插件，也包括处于研究预览阶段的系统和由企业披露的研发管线进展。
Model Hardware Standard：让 AI Agent 用统一接口操作实验设备
Model Hardware Standard（MHS）是 Anthropic 与 HHMI Janelia Research Campus 发起的AI—硬件共享规范。它通过标准化驱动描述设备的功能、当前状态和必须遵守的安全边界，并支持通过 MCP、命令行或 API 调用设备。Anthropic 于 8 月 27 日开放首批研究预览。目前，MHS 与具体模型无关，可连接显微镜、移液工作站、机械臂、酶标仪等具有可编程接口的设备，但尚未正式开源。在早期合作中，华盛顿大学团队用一周时间连接了 6 台设备，并演示了由 AI 监测 qPCR 和执行无碰撞换板的流程；卡内基梅隆大学则用约 8 小时搭建好驱动和编排层，由 Claude Opus 4.8 执行串联稀释，速度提高到原来的约 3 倍。MHS 试图将设备互操作、安全约束和 Agent 编排整合在同一层中。不过，这些展示仍属于概念验证，复杂实验协议还需进一步优化。
图：卡内基梅隆大学概念验证中接入 MHS 的移液工作站和酶标仪。（来源：Anthropic 官方发布）。
来源： Previewing the Model Hardware Standard｜Anthropic｜https://www.anthropic.com/news/model-hardware-standard-research-preview｜2026-08-27｜访问时间：2026-09-03 11:40（Asia/Shanghai）｜来源类型：公司官方研究预览与合作案例（概念验证）
Planetary Prediction Engine：用自然语言组装地理预测流程
Planetary Prediction Engine（PPE）是 Google Research 推出的自动化地理空间建模系统。用户用自然语言描述问题后，系统会自动查找数据、整理特征、选择模型、开展评测并生成报告。8 月 27 日的官方文章公布了公共卫生、灾害风险、粮食安全和疫情预测四类评测结果：在 21 个 CDC 健康指标上，PPE 的平均 R² 为 76.8%，人工专家流程为 60.0%；在尼日利亚粮食安全降尺度任务中，PPE 的结果为 66.1%，基线为 31.5%。在针对刚果民主共和国埃博拉疫情开展的五次周度预测中，系统通过 Recall@10 找到了 18 个新受影响卫生区中的 15 个，较公开基线高出 10.3 个百分点。PPE 将分散的数据检索、多模态融合和 AutoML 串联为一套可重复的 AI4S 工作流。不过，PPE 目前仍处于早期研究阶段，相关论文仅为 arXiv 预印本。
图：PPE 与对照基线在五类空间预测任务上的表现。（来源：Google Research）。
相关资源： PPE 预印本。
来源： Planetary prediction engine: Automating global models via Earth AI｜Google Research｜https://www.research.google/blog/planetary-prediction-engine-automating-global-models-via-earth-ai/｜2026-08-27｜访问时间：2026-09-03 11:40（Asia/Shanghai）｜来源类型：公司官方研究博客（基准结果；论文为未同行评议预印本）
OpenAI 医疗插件：把公共资料和 Epic 病历分成两条只读通道
Healthcare plugins for ChatGPT and Codex 是 OpenAI 面向医疗工作流提供的只读数据访问组件，包括两条彼此独立的通道：一条用于查询公共医疗资料，另一条用于在授权范围内读取 Epic 电子病历。9 月 1 日，Healthcare Public Data 向符合条件的美国 ChatGPT for Clinicians 用户开放，可检索来自 9 类公共来源的研究、临床试验、药物、Medicare 和医疗服务者记录，但不会访问患者病历。符合条件的 ChatGPT for Healthcare 工作区和已启用 HIPAA 的 ChatGPT Enterprise 工作区还可接入 Epic，但需要由管理员配置 EHR 应用，并依赖用户的 Epic 登录信息和既有病历访问权限。这类组件的 AI4S 价值主要在于，让检索和分析能够在明确的权限边界内连接原始医疗数据。官方同时要求，公共来源查询不得包含受保护健康信息；在 Epic 场景中，则需签署相应的业务伙伴协议，并使用获批的工作区配置。
来源： Healthcare plugins for ChatGPT and Codex｜OpenAI Release Notes｜https://openai.com/products/release-notes/｜2026-09-01｜访问时间：2026-09-03 11:40（Asia/Shanghai）｜来源类型：公司官方产品发布说明（GA，只读医疗数据插件）
Bayer CropKey：AI 设计的广谱大豆杀菌剂进入研发二期
R&D-CropKey 是 Bayer 用于发现新作用机制并设计候选农化分子的 AI 研发平台，可在研发早期同时评估药效、安全性和可持续性。Bayer 在 9 月 2 日更新作物科学研发管线时表示，CropKey 已推动 15 种以上新型作物保护作用机制进入研究阶段，其中一款面向大豆的广谱杀菌剂已进入公司研发管线的第二阶段。相比单纯进行虚拟筛选，这一进展表明，由 AI 生成或筛选的分子已经开始进入企业内部的分阶段开发流程。不过，项目数量、研发阶段和性能描述均来自 Bayer 自报，尚无独立评测数据。
来源： Bayer advances combined seed and crop protection pipeline and enters phase of blockbuster launches｜Bayer｜https://www.bayer.com/media/en-us/bayer-advances-combined-seed-and-crop-protection-pipeline-and-enters-phase-of-blockbuster-launches/｜2026-09-02｜访问时间：2026-09-03 11:40（Asia/Shanghai）｜来源类型：公司官方研发管线新闻稿（企业自报）
政策动态与专家观点：规则、资金与方向
国家自然科学基金将 AI 纳入再生医学交叉资助体系，NIH 则将时间语境列为生物医学知识图谱实现可信推理的核心要求。与此同时，水文研究者提醒，观测能力增强后，数据由谁使用、由谁参与解释，同样会影响技术的实际作用。
国家自然科学基金：再生医学重大研究计划把 AI 写入交叉技术体系
“组织器官再生修复的信息解码及有序调控”是国家自然科学基金委员会发布的再生医学重大研究计划年度指南，围绕细胞状态演变、修复障碍和干预策略组织跨学科项目。9 月 2 日公布的 2026 年指南明确提出，要整合单细胞多组学、空间组学、人工智能、类器官、器官芯片、3D 生物打印和高通量功能筛选，构建多维数据分析与动态预测体系。年度计划拟资助 12—14 个集成项目，每个项目的直接费用约为 300 万元，资助期限为两年，且至少需要两个独立实验室或课题组共同参与。对国内 AI4S 团队而言，这份指南将算法、实验模型、工程平台和临床问题纳入同一申请框架。申请窗口为 9 月 30 日至 10 月 8 日 16 时。
来源： 关于发布组织器官再生修复的信息解码及有序调控重大研究计划2026年度项目指南的通告｜国家自然科学基金委员会｜https://www.nsfc.gov.cn/p1/3381/2824/141461.html｜页面日期 2026-09-02，文件签发 2026-08-28｜访问时间：2026-09-03 11:40（Asia/Shanghai）｜来源类型：政府科研资助项目指南
NIH 时间推理挑战：让生物医学知识图谱分清“何时成立”
“It’s About Time”是美国国立卫生研究院（NIH）面向生物医学知识图谱的时间表示与推理发起的两阶段挑战赛，要求模型记录事件顺序、持续时间、有效区间和证据演变。挑战赛于 9 月 1 日启动，总奖金为 100 万美元。第一阶段主要评估概念与可行性；第二阶段则要求参赛者提交可运行的原型，并与静态知识图谱基线比较推理正确性、时间一致性和可解释性。官方列出的应用场景包括诊疗路径、传染病监测、药物警戒，以及随证据更新的临床指南。第一阶段将于 10 月 5 日开放提交。该挑战针对的是生物医学 AI 中一个常见却容易被忽略的问题：同一种关系在不同时间点可能有效、已经失效或尚未成立，因此知识图谱需要保留这一层时间语境。
来源： It’s About Time: Temporal Reasoning in Biomedical Knowledge Graphs Challenge｜National Institutes of Health（NIH）｜https://www.nih.gov/challenges/its-about-time-temporal-reasoning-biomedical-knowledge-graphs-challenge｜挑战启动 2026-09-01，页面复核 2026-09-02｜访问时间：2026-09-03 11:40（Asia/Shanghai）｜来源类型：美国政府科研挑战赛公告与规则
水文数据公平：卫星与 AI 扩大观测能力，也可能扩大使用差距
这篇 Nature Water 评论讨论了地球观测与 AI 时代的水文数据公平问题。作者包括乌普萨拉大学水文学教授 Giuliano Di Baldassarre、KTH 皇家理工学院的 Luigia Brandimarte 等五位研究者。8 月 28 日发表的文章指出，卫星和 AI 能够将淡水监测扩展到过去难以覆盖的区域，但算力、设备和专业能力的集中，以及由英语和西方语境主导的训练数据，也可能导致地方经验被忽略。作者以印度和孟加拉国交界处的孙德尔本斯三角洲为例，说明海岸线变化、洪水等大尺度信号，还需要与当地居民观察到的盐水入侵、潮汐范围和资源变化相结合。文章主张让不同群体公平地获得高质量数据、真正参与数据生产与解释，并拓宽对知识和专业能力的定义。需要说明的是，这些内容属于专家观点，并非监管要求。
图：孟加拉国水道中的现场观察场景，原页以此配合水文监测公平问题的报道。（来源：乌普萨拉大学新闻页）。
来源： Towards equitable hydrological data in the age of Earth observations and artificial intelligence｜Nature Water｜https://www.nature.com/articles/s44221-026-00706-w｜2026-08-28｜访问时间：2026-09-03 11:40（Asia/Shanghai）｜来源类型：同行评议期刊评论（Comment，专家观点）；New water monitoring technology is creating global inequalities｜Uppsala University｜https://www.uu.se/en/news/2026/2026-09-02-new-water-monitoring-technology-is-creating-global-inequalities｜2026-09-02｜访问时间：2026-09-03 11:40（Asia/Shanghai）｜来源类型：作者所在机构新闻解读
）
