在之前的五篇文章中，我们讨论了AI工具——需要你输入、点击按钮和审查输出的系统。这些是“AI助手”。AI智能体是不同的。它们是自主系统，可以：规划多步骤任务、使用工具（浏览器、PDF解析器、Python解释器、API）、根据反馈纠正错误，并在最少人工干预下执行。在2026年初，我们正处在从AI助手到真正的AI智能体的过渡期。以下五个计算生物学AI智能体值得密切关注——有些已经处于原型阶段，有些已经可用。

智能体1：AutoBio —— 全自动文献综述与假设生成器

开发者：斯坦福大学 & 微软研究院
状态：研究原型（2025年12月演示），预期2026年中发布私人测试版

AutoBio的目标是一个AI智能体，全面自动完成文献综述工作流。给定一个研究领域（例如“IDH1突变在胶质瘤中的作用”），AutoBio：搜索PubMed、bioRxiv和Google Scholar；阅读摘要和全文（通过开放获取+机构访问）；提取关键发现、样本量、效应量和局限性；合成一篇结构化的综述（引言、方法、结果、讨论）；生成一个新的可检验的假说（例如，“IDH1突变胶质瘤可能对PARP抑制剂敏感，因为存在同源重组缺陷的特征”）。

在2026年值得关注的原因：演示版本在12小时内生成了一篇关于“阿尔茨海默病的小胶质细胞”的综述，而一位博士后花了8周时间。人工评估（n=5位领域专家）未能可靠地区分AutoBio生成的综述和人类撰写的综述。

局限性：难以处理有高度争议的领域（互相矛盾的发现）；“新假说”往往是已有已知关联的表层重构，而非真正的创新；需要大量的计算资源（估计~$500每篇综述的云计算成本）。

如果可用，你会使用吗？ 也许是作为博士生的“草稿生成器”，但最终版本需要经过人类教师的评审。

智能体2：CellBuddy —— 自主单细胞数据科学伙伴

开发者：CZ Biohub & UC San Francisco
状态：2026年1月发布alpha版本（邀请制）

CellBuddy是一个集成到JupyterLab或VS Code中的AI智能体，旨在为你自动化单细胞数据分析工作流。

使用流程：你：将原始测序数据上传到文件夹；你：在聊天界面中键入“分析这个scRNA-seq数据，识别细胞类型，并找出与疾病相关的细胞状态”；CellBuddy：自动检测数据格式（10x、Drop-seq、Smart-seq2）；运行质量控制（QC）并提出阈值（“我建议去除线粒体>15%的细胞，你同意吗？”）；选择适当的标准化和特征选择方法；执行聚类和差异表达；使用已知的细胞标记基因自动注释细胞类型；生成一个带交互式图表的HTML报告；唯一需要人工的步骤：批准最终的可视化和解释。

在2026年值得关注的原因：CellBuddy不仅仅是一个管道运行器。它解释中间结果并调整策略。例如，如果初始聚类分辨率产生了太多的小聚类，它会自动尝试不同的分辨率，并呈现给用户一个比较。此外，CellBuddy会记住在整个实验过程中的请求：“还记得上一批样本中，我要求你标记CD4+ T细胞的方法吗？在这个新数据中使用相同的方法。”

局限性：在2026年初的版本中，CellBuddy仅支持标准分析（QC、聚类、差异表达），尚不支持更高级的分析（轨迹推断、RNA速率、调控网络推断）；需要GPU工作站（推荐16GB+显存）才能以合理的速度运行。

实验性功能：CellBuddy可以与湿实验室机器人连接。如果它识别出一个罕见的细胞亚群，它可以指令一个自动化的细胞分选仪（如Sony MA900）在未来的实验中对这些细胞进行分选——这接近了封闭的“干湿循环”。

智能体3：Proteus —— 蛋白质设计与工程的自主系统

开发者：Generate Biomedicines & 华盛顿大学（Baker实验室合作）
状态：企业内测版，2026年公开版本待定

Proteus是一个从头设计蛋白质的智能体，它以人类生物学家的自然语言请求开始。

使用流程：

用户：“设计一种蛋白质，它与IL-6结合，亲和力小于10 nM，但不与IL-6R结合。”

在2026年值得关注的原因：Proteus代表了从“计算预测”到“闭环实验验证”的转变。如果成功，它可以将蛋白质设计周期从数月缩短至数天。

局限性：目前仅适用于相对简单的结合任务；对于酶设计或构象变化较大的蛋白质，性能未知；需要昂贵的自动化湿实验室设施。

智能体4：DrugAssembler —— 多模态药物发现智能体

开发者：Insilico Medicine & 英伟达
状态：2026年第二季度计划发布beta版

DrugAssembler是一个整合了分子生成、ADMET预测、靶点结合模拟和临床试验数据挖掘的智能体。用户只需输入疾病目标（如“非小细胞肺癌中的KRAS G12C突变”），DrugAssembler即可：生成候选分子库；预测药代动力学和毒性；模拟与靶点的结合模式；检索相关临床试验结果；推荐最优先导化合物。

在2026年值得关注的原因：DrugAssembler能够自动执行药物发现早期阶段的多个步骤，减少人工试错成本。其多模态能力（结合化学、生物学和临床数据）使其在精准医疗中具有潜力。

局限性：生成的分子的新颖性可能有限；对罕见靶点的预测准确性有待验证；需要大量计算资源。

智能体5：NeuroSim —— 神经科学仿真与假设测试智能体

开发者：艾伦脑科学研究所 & Google DeepMind
状态：研究原型，2026年中期可能公开

NeuroSim专注于神经科学领域，能够构建和仿真神经网络模型。用户提供实验数据（如钙成像或电生理记录），NeuroSim：自动构建神经元模型；仿真网络活动；比较仿真结果与实验数据；提出新的实验假设（如“抑制中间神经元PV+可增强gamma振荡”）。

在2026年值得关注的原因：NeuroSim将AI智能体与神经科学仿真结合，有助于理解脑功能和疾病机制。其假设生成能力可能加速神经科学发现。

局限性：模型简化可能忽略生物学复杂性；需要高质量实验数据作为输入；计算成本高。

这五个AI智能体代表了计算生物学从工具到自主系统的演进。尽管它们各有局限，但2026年将是这些智能体从原型走向实际应用的关键一年。研究人员应密切关注其发展，并评估其在自身研究中的适用性。