AI算法发现病毒“暗物质”，颠覆传统认知

2025年10月，中山大学医学院施莽教授团队联合阿里云团队在《细胞》杂志发表了一项突破性研究——利用AI算法“LucaProt”从全球生物样本中鉴定出180个RNA病毒超群，包含超过16万种全新病毒。这一发现相当于为病毒学研究打开了一扇“新大门”：传统方法依赖已知病毒序列进行比对，而AI算法通过深度学习直接识别病毒基因组🌻·中国登录入口登录的特征模式，成功捕捉到23个无法通过传统方法识别的病毒超群，被科学家称为病毒圈的“暗物质”。更惊人的是，研究团队还发现了迄今最长的RNA病毒基因组（47250个核苷酸），并揭示了RNA病毒基因组结构的灵活性。这一成果不仅扩展了人类对病毒多样性的认知，也为未来新发传染病的防控提供了关键技术储备。

从“大海捞针”到“精准定位”：AI如何破解病毒溯源难题

在新冠疫情期间，数据挖掘技术曾展现出强大的溯源能力。中国信息通信研究院联合多家机构分析200余个案例发现，通过整合电信运营商、交通部门和互联网公司的数据，AI模型能精准刻画病患的行动轨迹。例如，某省利用手机信令数据，结合病患确诊前的活动范围，成功定位出潜在感染者，将密切接触者追踪效率提升了40%。这种“时空碰撞点”分析方法，正是基于深度学习对海量轨迹数据的模式识别。施莽教授团队的研究也印证了这一点：AI不仅能发现新病毒，还能通过分析病毒基因组的变异模式，反向推演其传播路径。例如，研究团队通过比较不同样本中病毒序列的相似性，发现某些RNA病毒可能存在跨物种传播的“跳跃”现象，这一发现为理解病毒进化机制提供了新视角。

药物研发的“加速引擎”：AI挖掘稀疏数据中的“金矿”

传统药物研发需要数年时间、数亿美元投入，而AI驱动的数据挖掘正在改变这一局面。2025年4月，《细胞报告物理科学》杂志发表了一项研究：科学家利用机器学习模型，仅通过108个实验样本就成功预测出抗肠道病毒71型（EV71）的活性化合物。🍑研究团队将传统化学指纹特征与变分自编码器生成的潜在特征结合，构建混合特征集，使模型预测准确率提升至82%。更关键的是，AI模型能快速筛选出8783种化妆品原料中的潜在抗病毒成分，其中硫化钠、氢氧化钾等化合物的实验验证活性与预测结果高度一致。这种“小样本学习”能力，解决了传统药物研发中“数据稀缺”的痛点。施莽教授指出：“AI就像一个超级实验室，能在虚拟环境中模拟数百万次实验，大幅降低试错成本。”

数据隐私与伦理：病毒挖掘的“双刃剑”如何平衡？

病毒数据挖掘的潜力巨大，但隐私风险同样不容忽视。2025年新冠疫情期间，社交媒体上曾出现大量阴谋论推文，部分原因是数据滥用导致公众信任危机。施莽团队的研究严格遵循伦理规范：所有样本数据均经过匿名化处理，且仅用于科研目的。这一实践为行业树立了标杆。未来，随着联邦学习、差分隐私等技术的发展，数据挖掘有望在保护隐私的前提下实现更大价值。例如，医院之间可通🌍·中国登录入口登录过加密数据共享，联合训练AI模型，而无需暴露患者个人信息。这种“数据可用不可见”的模式，或将成为病毒研究的主流方向。

从发现病毒“暗物质”到加速药物研发，从精准溯源到隐私保护，AI驱动的数据挖掘正在重塑病毒研究的范式。施莽教授团队的成果证明，当生物学遇上人工智能，我们不仅能更深入地理解病毒的本质，还能在疫情爆发时抢占先机。正如研究团队所言：“病毒的多样性远超人类想象，我们目前所看到的仍是冰山一角。”而数据挖掘技术，正是那把揭开冰山秘密的钥匙。未来，随着算法的持续优化和跨学科合作的深化，这场“病毒与AI的对话”必将为⛵️人类健康带来更多惊喜。