# AI在癌症战场捞针，这次它真的摸到针眼了

今天早上刷到一条消息，差点把咖啡洒键盘上。

《细胞》杂志刚发了一篇论文，宾夕法尼亚大学团队用AI筛出了一批新的CAR T细胞靶点。我盯着屏幕看了两遍，脑子里闪过的第一个念头是：这帮人是不是把实体瘤这道题的钥匙给找到了？

CAR T疗法这几年火得一塌糊涂，血液瘤那块已经被它翻了天，可一到实体瘤就卡壳。原因很简单——找不到靶子。肿瘤细胞和正常细胞长得太像了，你打个不准，副作用能把人送走；打得准了，可能连肿瘤都没清理干净。过去十年，无数团队在这个坑里摔过跟头，我也跟了好多家Biotech，眼睁睁看着他们拿着大把经费和一堆候选分子，最后灰溜溜地撤管线。

这次不一样。

宾州大学的方法很有意思，他们搞了个"人在回路"的框架——不是让AI自己去干，而是把大语言模型和人类专家绑在一起。团队整合了四个公开的单细胞RNA测序数据集，筛了一遍超过一万种潜在抗原，然后用多个大模型跑了1000次独立模拟，把噪音和幻觉挤出去，最后锁定了GPNMB这个靶点。

GPNMB，糖蛋白非转移性黑色素瘤蛋白B，名字拗口，但效果不拗口。动物实验里，靶向它的CAR T细胞不仅把黑色素瘤清干净了，顺手还把单核细胞白血病和结直肠腺癌的肿瘤也端了。一种靶点，三种瘤，这不是小概率事件，这是模式。

贝克博士说得好："发现一个好的CAR T靶点就像大海捞针，区别在于随着测序数据不断增多，大海也在持续变大。"这句话我深以为然。数据多了，海大了，但人眼也看不过来了。AI的优势恰恰在这里——它不疲劳，不审美疲劳，不会因为一个分子长得好看就多给两分。

不过我还是要泼点冷水。动物实验成功不等于临床成功。GPNMB CAR T现在还在临床前阶段，接下来还要过安全性和有效性的两道大关。CAR T在实体瘤里的老问题——肿瘤微环境的免疫抑制、T细胞浸润困难、抗原异质性——一个都没少。靶点找对了，只是万里长征走完了第一步。

说到国内，其实我们在这条路上并不落后。药明巨诺的RC18 CAR T在日本获批，是国内CAR T出海的一个标志性事件。但说实话，靶点发现这块，我们更多还是在追赶。宾州这次用的框架是可复制的，而且他们把完整方法放到了论文里，意思是"你们拿去用"。科济药业、传奇生物这些玩家，如果在靶点发现环节上能跟上这种AI驱动的节奏，差距是可以缩小的。

琼博士说这是大型语言模型在细胞和基因治疗领域的早期应用之一。阿拉尼博士更直接："这只是冰山一角，人工智能正在崛起。"

我倒觉得，AI在这件事上的价值不只是加速筛选。它改变的是发现靶子的逻辑——从"人力海选"变成"数据筛选+专家验证"的闭环。这种范式转移的影响，远不止多几个候选分子。

CAR T疗法能不能从血液瘤走向实体瘤，靶点问题是第一道门。今天这门，好像被人踹开了一条缝。