人工智能（AI）常被描述为将取代科学专长，尤其在生物信息学领域。研究人员认为，AI是一种强有力的加速器，其价值取决于专家在设计、数据管理、结果解读与治理层面的指导。由于AI无法判断生物学意义或验证科学有效性，生物信息学家依然不可或缺。其角色正从工作流执行转向AI设计、复杂科学发现，以及在科研、转化与临床实践中承担负责任的机构领导职能。
研究背景方面，当前主流叙事普遍将AI与科学专长的关系定义为“替代”：算法逐步接管代码编写、数据解读、文献综述乃至假设生成等任务，引发职业焦虑。在生物信息学中，这种担忧尤为突出——若大语言模型（LLM）可自动生成RNA测序流程、注释变异并产出发表级的解读结果，该领域的专业价值似乎面临消解。然而，研究人员指出，此类认知忽略了AI的本质局限：AI仅能识别训练数据中的统计模式，无法理解生物学意义或验证科学有效性。若无专家介入，AI非但不会普及科学，反而会制造大量看似严谨却无法被非专业人士评估的“伪科学”产物，其风险远高于岗位替代。
研究人员通过开展系统性论述，重新定义了AI时代生物信息学家的核心价值与角色转型路径。研究结论表明，AI是加速科学进程的“跳板”而非“替代者”，其价值与输入的专业知识成正比。生物信息学家需完成三重转型：从分析执行者转为智能系统设计者；从常规工作流操作者转为复杂前沿问题的开拓者；从科研贡献者转为确保AI负责任规模化应用的机构领导者。该研究发表于《npj Digital Medicine》，为领域内职业发展提供了战略框架。
在技术方法层面，研究人员采用概念论证与实证案例结合的方式，未依赖特定湿实验或代码库。核心方法包括：对三类AI工具（大语言模型、任务特异性深度学习架构如AlphaFold、智能体混合系统如Virtual Lab）的能力边界进行辨析；引用已有基准测试数据（如提示工程在生物任务中20%–40%的性能波动）佐证论点；通过全基因组关联分析（GWAS）、多模态数据整合等典型案例，论证专家判断的不可替代性；结合欧盟AI法案（EU AI Act）等最新监管框架，提出机构层面的治理策略。
研究结果部分，首先论述构建基础：专家指导作为可靠AI的前提 。研究人员提出生物信息学家应从“AI使用者”转向“AI监管者”，对输出的正确性、可重复性及生物学意义负责。否则，AI普及将导致大量无法被批判的噪声分析。
在设计决定AI产出的指令 部分，研究强调提示工程（prompt engineering）已成为核心科学能力。相同模型因提示差异可产生天壤之别的输出，性能波动达20–40个百分点。研究人员主张将提示视为“活的方法学资产”，需版本控制、持续测试，并结合思维链（Chain-of-Thought, CoT）提示、少样本提示等高级策略，但其脆弱性及模型更新导致的漂移仍需专家持续监控。进一步指出，在智能体系统（agentic systems）中，专家需设计代理角色、验证节点，将领域知识注入系统架构。
关于用自动化提升而非取代科学思维 ，研究以GWAS流程为例：AI可生成质控、分层校正等代码，但决定质控阈值、识别连锁不平衡信号、评估人群分层校正合理性等关键决策，必须依赖专家。自动化应聚焦于释放专家精力至高价值任务。
数据质量：AI的学习源即其知识边界 部分指出，训练数据的质量、管理与生物学相关性比模型架构更重要。专家识别批次效应、标注噪声、数据偏差的能力，是提升AI性能的核心驱动力。数据工作（元数据标准、本体对齐、溯源追踪）是构建可信AI的基础。
在可解释性：专家作为最后防线 部分，研究人员批判现有可解释AI（XAI）方法（如SHAP值、注意力图）存在不稳定性和事后合理化局限。专家必须主动质询XAI输出：验证特征是否具有生物学连贯性、设计扰动实验、评估外部数据集泛化能力，并建立不确定性量化机制。XAI仅是专家调查的起点。
驱动发现：需专家解决的难题 章节聚焦多模态整合（multimodal integration）。整合基因组、临床记录、影像等异质数据的最大挑战在于解释：区分真实生物学信号与技术伪影需要跨领域专业知识。同时，“词汇鸿沟”——技术社区与临床社区对同一数据的描述范式差异——是导致跨学科AI项目失败的主因，生物信息学家需充当翻译者。
针对高复杂度应用 ，研究以AlphaFold3为例，指出其预测置信度、内在无序区的局限性解读，以及如何指导后续实验设计，均依赖专家。在基因调控、单细胞轨迹分析等领域，识别模型失效模式并规划验证策略，是专家不可让渡的贡献。
在组织转型层面，弥合概念验证与实践的鸿沟 要求采用实施科学（implementation science）思维，关注互操作性、用户体验、培训与监管对齐。例如多基因风险评分的临床部署，需整合电子健康记录、开展人群验证、建立更新机制，这远超出原始分析范畴。
伦理作为科学严谨性 部分强调，AI的伦理风险本质是科学风险。训练数据偏差、历史偏见继承会导致模型在特定人群失效（如商业算法低估黑人患者医疗需求）。研究人员需主动分层评估亚组性能，审计数据来源，并遵循GDPR、HIPAA及欧盟AI法案等法规。该法案将专家倡导的数据治理、亚组测试、人工监督等原则法律化。
最后，战略领导：专家作为机构架构师 指出，生物信息学家凭借交叉背景，最适合评估AI工具、设计数据基础设施、制定部署策略。担任首席数据科学家等领导职务，主导机构层面的AI治理，确保其产出可靠、伦理、有价值的科学成果而非表面繁荣。
讨论与结论部分，研究人员重申：AI擅长加速模式识别与假设生成，但无法替代知识验证。移除专家，剩余的是大规模生产的“伪科学噪声”。三重转型（技术监管者、前沿开拓者、机构架构师）并非被动适应，而是AI有效运行的必要条件。生物信息学职业不会消亡，其核心命题已变为：是否具备足够深厚的科学素养，能辨别机器何时正确、何时仅为“看似正确”。这场检验已然开始，而真正的考核点，始终是成为AI背后的专家。
打赏
