简介
以AlphaFold、ESM和单细胞多组学大模型为代表的AI技术，正深度介入生物信息学。AI已从数据分析工具扩展为假说生成、机制推断与实验设计的重要力量，在蛋白质结构预测、基因调控推断、药物靶点发现等任务中持续突破。与此同时，繁荣背后的认识论风险更加凸显：模型识别的模式究竟对应真实生命机制，还是高维数据中的统计相关？当研究者越来越依赖AI输出进行科学判断，我们是在加速理解生命复杂性，还是把解释权交给更精密却更不可知的黑盒？ 本论坛聚焦AI深潜生物信息学引发的机理解释、可信验证与技术路线问题，讨论如何在预测能力、机制理解和实验验证之间建立可持续的科学范式。
简介为官网原文，部分内容可能未写完。
人员
主席
- 王爽 · 中国石油大学（华东）
- 辛鑫 · 山东大学
嘉宾
- 洪鑫 · 清华大学智能产业研究院（AIR）
- 刘元盛 · 湖南大学
- 原发杰 · 西湖大学
- 孟琪 · 中国科学院数学与系统科学研究院
报告安排
From AI4S to AI Scientist: How AI is revolutionizing drug discovery?
洪鑫 · 清华大学智能产业研究院（AIR）
简介
人工智能正在深刻改变科学研究的范式，并为传统药物研发周期长、成本高、成功率低等难题带来新的解决思路。从 AlphaFold 实现蛋白质结构预测的重大突破，到科学基础模型、生成式人工智能与自主智能体（Agentic AI）的快速发展，AI 正在从辅助科研的工具逐步走向深度参与科学发现的智能系统。本报告将以药物发现为切入点，系统梳理人工智能驱动科学发现的技术演进与前沿进展，重点介绍自监督学习、生成式人工智能和智能体技术在药物靶点发现、超大规模虚拟筛选、分子性质预测及药物分子设计等关键环节中的应用，并结合基因基础模型 GET、超高速虚拟筛选模型 DrugCLIP 等代表性研究成果，展示 AI 如何突破传统药物研发方法的效率与能力边界。在此基础上，进一步探讨从 AI for Science 迈向 AI Scientist 所面临的因果推理、分布外泛化、多目标优化及实验验证等核心挑战，并展望以探索、决策和经验演化为核心的闭环智能（Loop Intelligence）如何推动科学发现范式的下一次变革。
双链协同建模的基因组语言模型
刘元盛 · 湖南大学
简介
基因组语言模型通过在海量DNA序列上进行预训练，能够学习到序列的语法与语义规律，进而为调控元件识别、变异效应预测、序列设计等下游任务提供通用表征。然而，现有gLM大多将DNA视为静态单链序列，忽略了双链之间在转录、复制与表观遗传等关键过程中的动态信息交互。本报告将介绍我们提出的基因组语言模型——CrossDNA。该模型在架构层面显式建模DNA双链的动态交互机制，通过双分支交叉视图输入、链间信息通信、Comba与滑动窗口注意力协同实现长程上下文建模，并结合自蒸馏约束提升表征稳定性。CrossDNA在调控元件分类、染色质图谱预测、增强子独立测试、跨物种泛化以及长序列eQTL预测等多项任务中均取得领先性能，展现出更强的方向鲁棒性、参数效率与零样本表征能力。该工作为从静态序列近似走向动态生物过程建模提供了新路径。
基于自然语言理解的蛋白质挖掘与设计系统
原发杰 · 西湖大学
SPDEBench: A Benchmark for Learning Regular and Singular Stochastic PDEs
孟琪 · 中国科学院数学与系统科学研究院
简介
Stochastic partial differential equations model rough spatio-temporal phenomena across turbulence, quantum dynamics, materials and other complex systems, yet machine learning for SPDEs lacks unified evaluation tools that handle stochasticity, discretization and singular behavior with sufficient care. I will introduce SPDEBench, a benchmark for learning both regular and singular SPDEs through controlled data generation, renormalization-aware simulation, representative baselines, and metrics that go beyond pointwise error. I will discuss what SPDEBench reveals about current neural operators and SPDE-aware models, where existing method succeed or fail, and how principled benchmark design can guide the next generation of learning methods for rough, noisy, and physically significant dynamical systems.