斯坦福团队用37075个AI Agent搭出一家虚拟生物科技公司登上《Science》：锁定肺癌候选靶点CD276
斯坦福大学James Zou团队在《Science》发表研究，构建由最多37075个自主AI Agent组成的虚拟生物科技公司，由首席科学官Agent指挥分工不同的员工Agent。系统分析了55000多项已发表临床试验的公开结果，发现靶向在特定细胞类型中活跃蛋白的药物上市概率高出近50%；另一项任务中确认CD276可作为肺癌治疗靶点，并设计出识别CD276的抗体偶联药物策略。评审方指出该系统尚未在真实药物发现中被检验。
37075个AI Agent开了一家虚拟药企：斯坦福把组织本身当成了实验变量
技术路径解构视角 × 科研一线研究者 ｜ 深度研报
一家不需要发工资、不用租工位、也没有作息表的公司，员工最多时有37075名。 2026年9月17日，斯坦福大学计算机科学家James Zou团队在《Science》发表了这套名为Virtual Biotech（虚拟生物技术公司）的系统：全员由自主AI Agent（人工智能智能体）构成，底层调用Anthropic的Claude系列大语言模型，但团队强调任何先进大语言模型都可替换，包括研究人员可在本地运行的开源模型。这家虚拟公司接了两项真实任务——从55000多项已发表临床试验中提炼成功规律，以及判断CD276能否作为肺癌靶点并给出靶向策略。
三万七千个员工，没有一个人需要吃饭
把Agent堆到三万多个，并不是为了刷新数字。可以把这件事想成一次极端的人力实验：现实中一家药企的部门设置、汇报链条、亚专业分工，是几十年产业演化磨出来的组织形态；Zou团队所做的是把这套形态原样搬进软件，然后看看换掉“材料”——把人换成大语言模型——之后，组织这台机器还能否产出同等专业的判断。背景是，过去一年左右，能力日益增强的AI科学家已经在多个领域落地，在生物医学中展现出从基因组数据分析到假设生成与实验设计的复杂任务能力。既有研究大多聚焦单个Agent的能力上限，Virtual Biotech把变量换成了“结构”本身。
组织即方法：为什么要把公司结构复制进AI系统
系统内部设有一名首席科学官Agent（CSO），负责指挥不同部门的员工Agent，各部门再按靶点识别、临床试验设计等亚专业切分。这个设计的要害在于分工约束：单个大模型面对开放式科学问题时容易泛泛而谈，而当它被指派为某一部门里负责某一具体环节的“职员”，上下文被压缩，职责边界清晰，输出也就更容易被核验。首席科学官Agent在其中扮演的不是知识库，而是调度层——它决定谁该做什么，也决定不同员工的结论如何被汇总成一句可执行的话。整套安排把人类公司百年积累的组织智慧当成先验，直接注入了软件。
这里还有一个容易被忽略的工程含义：组织是可以被版本管理的。 一家真实药企想验证某种新架构是否更有效，代价是招人、重组、试运行数年；而在Virtual Biotech里，调整汇报关系只是改几行配置，同一个任务可以用不同组织架构反复跑，然后比较产出差异。对研究者来说，这意味着分工方式从管理议题变成了可测量的参数；对企业来说，这也是一种廉价的组织压力测试。
第一项任务：55000个试验与那个近50%的上市概率差
第一份作业规模很大。系统分析了55000多项覆盖各类疾病的已发表药物临床试验结果，由首席科学官Agent指派37075个Agent，各自负责一项后期临床试验。与此同时，其他虚拟员工开始在展示不同细胞类型中哪些基因活跃的数据集里寻找成功预测因子。交叉之后浮出一条规律：靶向在特定细胞类型中活跃蛋白的药物，上市概率比其他药物高出近50%。 翻译过来就是：如果一个靶点的活性集中体现在某一类细胞上，药物打过去的目标更明确，脱靶带来的毒性空间更小，成功可能性也就更高。它并非因果证明，却是一个可以直接用于排定研发优先级的可操作信号。把方向拨回到现实：这类细胞类型层面的活性证据并不罕见，罕见的其实是把几万份试验结果、若干基因表达数据集和每个环节的结论串在同一张表里比对——而人力很难承担这种跨源整理的枯燥。虚拟员工在这里扮演的是阅读与归纳的劳动力，规律本身仍然写在公开数据里，只是过去没有人手去翻完。
第二项任务：CD276与一条抗体偶联药物的设计路径
第二份作业换成了具体的靶点决策。团队让首席科学官Agent评估CD276是否适合作为肺癌治疗靶点——既有研究已经提示CD276会抑制免疫反应，并且在肺肿瘤中高表达，两条线索叠加让它在肿瘤免疫方向上格外可疑。系统利用既有数据确认CD276为候选靶点，随后给出靶向策略：把能够识别CD276的抗体与抗癌药物偶联，构成抗体偶联药物 (Antibody-Drug Conjugate)。在外部评审的协助下，Zou与合作者认定这是一个有前景的方向。需要留意这一步的产出粒度：它被验证的是策略而不是分子。 从方向被认可到候选药物真正成型，中间的化合物工程与实验验证并未包含在这篇论文里。
冷静观察：从预测因子到真正获批上市，中间还隔着什么
其他科学家的提醒相当直接：这套虚拟生物科技公司尚未在真实药物发现的试炼中被检验，它的预测既没有通过实验验证，更没有经过临床试验。换句话说，这里被检验的是“组织能否生成合理假说”，而不是“假说是否为真”。 Zou本人的表态保持着同样的分寸——他希望看到这些AI科学家团队究竟能在多大程度上真正加速药物发现与开发。把这句话放回产业语境：药物研发的成本大头在后端临床验证，前端假说再便宜，也不改变后端的时间常数。Virtual Biotech真正的价值也许不在于替代某一家药企，而在于提供一台可以反复改写组织架构的实验装置——从此以后，“公司该怎么搭”这件事本身，有可能被一格一格地调参。
原文链接：Nature 新闻
千方医数集编辑部 出品
