本文介绍 Google 正在使用的一系列人工智能模型和研究工具，这些工具用于加速药物发现、基因组分析、脑图谱绘制，以及改进癌症诊断和疾病暴发预测。该公司展示了研究成果与合作项目，但大多数应用仍处于研究或临床支持阶段，并非完全替代专家。
Google 在医学研究的多个阶段使用人工智能，从分子层面分析疾病机制，到支持诊断和公共卫生规划。该公司表示，其团队在过去五年中发表了 90 篇关于理解和治疗疾病的同行评审论文，获得了超过 9 万次引用。
这篇文章由 Google 副总裁兼 Google Research 总经理 Yossi Matias、Google DeepMind 科学副总裁兼 Google Cloud 首席科学家 Pushmeet Kohli 撰写，介绍的是一系列研究工具和合作项目，而不是宣布某一款单独的医疗产品。
从基因组到脑图谱
Google 将 AlphaGenome Atlas 平台介绍为一个索引，用于预测基因组中单碱基变化对分子生物学的影响。University of Exeter 的研究人员利用该平台分析了超过 5.4 万人的数据，并确定了与多种蛋白质水平相关的变异，其中包括与衰老相关的 PLA2G7，以及 EGLN1（一种细胞氧传感器）。
在药物发现领域，巴塞罗那 Institute for Global Health 的研究人员使用 AlphaFold 模型虚拟筛选了 3 万种化合物，以寻找对恰加斯病的抗病活性。这项工作促成了两种已获 FDA 批准的药物的确定，以重新用于治疗该疾病。恰加斯病影响约 800 万人，如果不接受治疗，可能导致严重并发症。
此外，Google 与 Harvard 的 Lichtman Lab 合作，以纳米级精度重建了人类大脑的一部分，并通过 Neuroglancer 开放了相关数据；同时还提供了果蝇、幼年斑马鱼和鸣禽大脑的图谱。
缩短研究与应用之间的距离
在与 Stanford University School of Medicine 合作开展的一项临床试验中，DeepVariant 和 DeepConsensus 两个模型帮助研究人员在时间紧迫的病例中，通过全基因组测序于不到八小时内完成基因诊断。Google 表示，这项成果也获得了 Guinness World Record 的认可。
该公司还介绍了 AlphaProtein Novo，这是一种从第一性原理出发设计新型酶的机器学习路径。在实验室测试中，该系统设计出了用于合成药物关键组成部分的酶，以及用于在严苛条件下分解有毒环境塑料的酶。
支持诊断和公共卫生
在与 Imperial College London 和 National Health Service 合作、发表于 Nature Cancer 的两项研究中，一个乳腺 X 线摄影系统接受了对 12.5 万名女性的数据测试。该系统发现了 25% 的间隔癌病例，即历史上漏诊的病例，并显示出将专科医生阅片负担降低最高 40% 的潜力。这些是研究结果，并不意味着该系统已获准替代放射科医生。
在儿童白血病病例中，DeepSomatic 确认了已知变异，并在应用于 Children’s Mercy Hospital 此前已经完成测序的真实病例时，发现了 10 个此前未被检测到的突变。Google 还利用结合环境、天气和移动数据的地理模型，帮助预测疾病暴发；在 WHO AFRO 和 INRB 于刚果民主共和国开展的一项研究中，地理对话模型帮助更快确定了接触和传播埃博拉病毒的风险。
这一趋势为何重要？
这里真正发生的变化，并不只是把语言模型用于诊所，而是扩大人工智能的作用范围，使其覆盖药物发现、遗传变异解释、诊断图像处理和公共卫生资源配置。不过，来源从 Google 的角度介绍了这些成果，本文没有说明监管批准的具体情况，也没有阐明每个模型能否推广到不同人口群体和医疗卫生系统。
Google.org 表示，该组织在 2026 年向使用先进模型开展疾病研究的机构提供了超过 6000 万美元，其中包括 Makerere University 和 University of Pennsylvania。这些倡议的价值仍取决于能否将研究成果转化为可靠的临床工具，同时保持独立验证和医疗监督。