如果你是正在学生物的学生，
或未来想进入生命科学：
现在的时机，
可能是近几十年里最好的。
☑️基因编辑正在从“能剪DNA”走向更精准、更安全的写入；
☑️AI已经从蛋白质结构预测，进一步进入蛋白质、抗体和药物设计；
☑️单细胞与空间组学，则让我们开始在“哪个细胞、什么位置、发生了什么”的尺度理解生命。
很多同学把「学生物」等同于背名词。但面向未来的研究，地基是三套语言的叠加。
第一套，分子与细胞的核心语法。
中心法则、基因调控、信号通路，这些是读写生命的字母表。我们专门做了一门 生命的密码 课程，原因很简单：它恰好是这套语法的合成——你理解 RNA 如何定位、Cas 蛋白如何切割，就理解了「序列即指令」这件事本身。而 2026 年涌现的新工具（见下文）几乎都在改写这门语法的「安全边界」。
第二套，是结构的语言。
AlphaFold之后，我们不仅能更快理解蛋白质“长什么样”，还开始进一步追问：能不能设计它？蛋白质结构、结合口袋、分子相互作用，正在成为理解药物研发和AI生物设计的重要入口。
第三套，是数据与计算的语言。
基因组、多组学、单细胞、医学影像带来的数据越来越庞大。Python、统计、数据分析和机器学习，正在从少数方向的附加技能，逐渐变成现代生命科学的重要工具。
未来真正稀缺的，很可能是既理解生命科学问题，又能使用数据、计算和AI解决问题的人。
1. 基因编辑：从“剪开”走向更精准的“写入”
经典Cas9依赖DNA双链断裂完成许多编辑任务，但双链断裂也可能伴随插入缺失、染色体易位等风险。
2026年7月发表在《Nature》的KNIT（CRISPR kilobase-scale nickase-targeting）提供了另一条路线：研究团队把Cas9切口酶与供体DNA招募系统结合，在不制造DNA双链断裂的情况下，实现约0.7 kb到超过10 kb的可编程大片段插入。论文报告其在不同位点和细胞类型中有效，部分条件下效率最高达到89%，同时显著降低非预期插入缺失、易位和脱靶编辑。
值得关注的不是某一个数字，而是编辑思路本身正在改变：从“切断后修复”，逐渐向更精细的定点写入推进。
2. Cas12a2：CRISPR不只编辑，也可能“识别并清除”
2026年的另一项《Nature》研究展示了Cas12a2非常不同的一面。
它可以通过向导RNA识别目标RNA；一旦被特定转录本激活，就会触发广泛的DNA切割，使目标细胞停止增殖并死亡。研究者已经在酵母和人类细胞中验证了这种“按转录特征选择细胞”的能力，包括清除携带HPV的细胞、未成功完成预期编辑的细胞，以及带有特定KRAS突变的细胞。
随后发表的研究还进一步探索了利用Cas12a2识别TP53、EGFR等癌症相关转录特征，并在小鼠肿瘤模型中验证其潜力。
这意味着CRISPR工具箱正在扩展：不只是“找到一个位点并修改”，还可能根据细胞的分子身份决定“留下谁、清除谁”。
3. AI设计基因编辑工具：从寻找天然酶，到创造新工具
基因编辑还有一个长期难题：工具本身怎样做得更小、更适合递送？
TnpB是一类比Cas9紧凑得多的RNA引导核酸酶，蛋白大小约400个氨基酸，而常用Cas9约1300—1400个氨基酸。更小的体积，对AAV等递送载体尤其有吸引力。
近期研究进一步尝试利用AI和结构、进化信息设计新的合成TnpB变体（SynTnpBs）。一些设计在人体细胞中的编辑活性超过天然参考版本。
这里真正重要的变化是：过去我们常常从自然界寻找一个“已经存在的工具”，现在开始尝试反过来问——能不能根据需要，直接设计新的生物工具？
4. AI蛋白质与抗体设计：从大规模筛选走向可编程设计
同样的变化也发生在蛋白质和抗体领域。
2026年，分子之心团队公布MMDesign技术报告：从靶蛋白及指定表位出发，通过生成式序列—结构优化、MMFold结构预测以及多层计算筛选，把大量候选压缩到每个靶点仅需实验测试数十个。
报告显示，在11个具有治疗意义的靶点中，仅测试14—50个候选分子/靶点，就在10个靶点上获得经实验确认的纳米抗体结合分子，最佳亲和力达到皮摩尔至纳摩尔水平。
这代表一种值得关注的范式变化：
过去更多是“先造出海量候选，再去筛”；未来越来越可能变成“先计算设计和排序，再把最值得验证的少数候选送进实验室”。
AI负责缩小搜索空间，实验负责回答真实世界是否成立。
技术越强，越需要承认未知。
大量非编码基因组区域究竟承担什么功能？
一次基因编辑会不会改变更复杂的调控网络？
蛋白质不是静止的三维模型，它在真实环境中如何运动和瞬时结合？
为什么某个方案在细胞中有效，到了动物或人体却可能失效？
微生物组与疾病之间究竟是相关还是因果？
我们拥有的数据越来越多，但距离真正理解复杂生命系统仍然很远。这些没有答案的问题，恰恰也是未来二三十年的科研机会。
与其只问“哪个方向最热门”，不如问：哪里还有重要问题没有解决？
1. 一个明显缺口，是能够连接计算与实验的人
会做实验的人不少，会分析数据、跑模型的人也越来越多，但真正理解生物问题，又能把计算预测转化为实验验证的人依然稀缺。
2. 另一个缺口，是能从“相关”走向“机制”的人
看到A和B相关之后，还要继续追问：为什么？改变A以后B是否真的变化？有没有其他解释？怎样设计实验验证？
3. 黑箱之外，是更现实的「缺口」——这些地方最欢迎年轻人：
· 临床转化与真实世界证据。 bench 到 bedside 的鸿沟巨大，能在动物模型之外做严谨临床前/临床研究的人极度稀缺。
· 非模式生物与多样性。我们过度依赖小鼠、酵母、大肠杆菌。植物、昆虫、海洋生物、极端环境微生物里藏着大量未被开采的机制。
· 可重复性与开放科学。阴性结果、原始数据、可复现的流程——这些「不性感」的基础工作，决定了整个领域会不会建在沙子上。
· 定量建模 vs 描述性观察。太多论文停留在「A 和 B 相关」，却提不出可检验的机制模型。会建模、会做对照实验设计的人，价值持续走高。
· 安全性与伦理的长期研究。尤其基因编辑进入人体后，长期随访与伦理框架是政策与科学共同的需求。
未来真正重要的，不只是掌握某一种技术，而是能提出问题、分析证据，并把不同工具连接起来解决问题。
不要等“全部学完”才开始。科研本身就是一种学习方式。
本科阶段，可以尽早进入实验室、参加暑研、跟着导师完成一个小课题；也可以从公开数据开始，尝试复现论文中的一张图、分析一段序列，或者围绕一个具体问题完成一次小型研究。
第一次科研不一定要追求多大的成果，更重要的是走完一次完整闭环：
提出问题→ 阅读文献 → 建立假设 → 获取数据 → 分析 → 设计验证 → 得出结论。
同时，别只训练“做实验”，还要训练“为什么做这个实验”。
作者为什么提出这个问题？为什么这样设置对照？数据真的支持结论吗？有没有另一种解释？
到了研究生阶段，则需要逐渐从执行任务走向独立研究：提出课题、设计路线、处理复杂数据、写作、交流，以及与计算、实验、临床、化学等不同背景的人合作。现代生命科学越来越像一场团队运动。
公开数据库、科研软件和AI工具的发展，让学生比过去更早接触真实科研问题成为可能。你可以从一个蛋白质突变、一个疾病靶点、一组基因数据或一张病理图像出发，查阅论文、寻找数据、分析序列与结构、使用AI辅助分析，再提出假设并思考如何验证。
所以，对于今天的学生来说，真正值得提前接触的，并不是某一个AI软件，而是一次完整的科研过程。
这也是我们设计AI × 生命科学科研训练与实践项目的出发点。
我们并不希望只是教学生使用几个AI工具，而是希望从真实生命科学问题出发，把生命科学知识、AI工具、数据分析、科研思维与实验实践连接起来。
根据不同基础，可以逐步接触基因与蛋白质分析、蛋白质结构、生物信息学、AI数据分析、病理图像、药物研发、DNA设计、合成生物学等方向。
刚开始接触科研的人，可以先完成一个小而完整的科研任务；
已经具备生命科学基础的本科生、大学生和科研入门者，则可以进一步进入数据分析、课题设计、模型应用与实验验证。
因为模型会不断更新，工具也会不断变化。
真正能够长期带走的，是理解问题、判断证据、分析数据、建立假设和设计验证的能力。
写在最后 上面提到的这些前沿工具，正好对应了我们 AI × 生命科学科研训练营里会重点训练的几类能力：从基因编辑原理与靶点设计，到蛋白质结构预测、科研数据分析、AI 辅助文献阅读，再到如何提出一个真实科研问题、设计研究方案，并完成属于自己的科研项目。
本文结合 KuqiLabs @ CodeLifeAI 初级、中级、高级 AI × 生命科学科研训练营课程体系整理，内容涵盖 AI 科研入门、生命科学数据分析、机器学习与深度学习、LLM 与知识库、多模态及 Agent 应用，以及真实科研项目实践。
多家权威媒体报道，AI+生物科技 重塑生命科学教育新范式
