9月29日，微软研究院发布名为Quine的研究系统，包含两部分：一个面向生物学的多模态世界模型，以及一层把模型与推理模型、科学工具、文献、湿实验室和研究团队连接起来的工具层。论文由微软研究院的副总裁与杰出科学家Nicolo Fusi、副总裁Jonathan M. Carlson等人撰写。公司同时宣布开放首批Quine Fellows的申请，并披露与麻省理工学院和哈佛大学共建的Broad Institute合作，用该系统对数千种化合物做了排序，其中排名靠前的若干候选在多项湿实验中得到验证。
微软给出的定义是，一个能够表示生物系统当前状态、预测该系统在受到干预后如何变化，并推演这些干预带来的多步后果的系统。这样的系统不会取代实验，它的作用是在投入有限的实验室资源之前，先用计算的方式探索、提出、排序并优选可能的方向。核心模型被训练来学习跨生物尺度与数据类型的共享表征，覆盖序列、结构、功能、细胞状态与成像，训练模态则横跨基因组学、蛋白质、化学、RNA与细胞状态以及生物成像。
公司强调，跨模态联合训练带来的不是性能稀释，而是增强。来自一个模态的证据可以帮助另一个模态做预测，捕捉到那些如果交由彼此独立的单域专家模型分头处理就会丢失的关系。这与当下流行的智能体编排思路形成对照：后者是把若干专用模型串起来，前者是在表征层面就完成融合。生物学本身是多尺度、多模态的，理解任何一个层级都需要其他层级的语境，这个判断构成了Quine设计的出发点。
生物学的进展长期受制于时间与复杂度。实验慢、迭代周期长，而最要紧的问题往往涉及相互作用、组合设计空间以及下游效应，规模大到无法靠实验穷举。与此同时，大规模机器学习尤其是具备迭代推理能力的通用基础模型，开始展现出超越模式识别的能力：跨领域整合信息、在抽象层面推理、支持迭代式问题求解。许多为人类语言开发的技术，被证明可以迁移到生物学的某些方面，让模型学会跨数据类型与尺度表征生物系统。
这引出了Quine试图回答的问题：要建一个生物学的世界模型，需要什么。微软的定位很清楚，模型不必完美，事实上它永远无法完全刻画生物学，它只需要能有效地指导实验设计。系统被设计成一个以科学家为起点和终点的循环：一个问题产生一组提案，提案变成值得测试的实验设计，实验返回的测量结果又同时修正科学家的下一个问题和模型本身。这条循环能否转起来，取决于模型在真实科研场景中的可用程度，包括面对不完整的证据、全新的问题以及有限的实验预算时，能否给出有用的优先级排序。
公告用胰腺导管腺癌作为落地案例。这是最常见的胰腺癌类型，也是治疗难度最高的实体瘤之一。微软与Broad Institute的研究者多年来一直在开发与应用患者来源的体外模型，用来检验一个长期假设：肿瘤的行为与药物反应不仅取决于基因，也取决于转录层面的细胞状态。在胰腺导管腺癌中，肿瘤细胞可以处在不同的细胞状态，而这些状态与治疗响应相关。
借助Quine，团队对数千种化合物做了打分与排序，评估它们把肿瘤细胞从一种状态推向另一种治疗相关状态的潜力。在聚焦经典态向基底态转变的湿实验中，Quine排名最高的化合物在多项检测中把细胞推得最远，其中几个效果最强的化合物具有意想不到的作用机制，公司把这视为AI能够发现药物重定位与发现机会的早期迹象。从缩小化合物搜索空间到选出少数候选送去做实验室验证，整个过程只用了不到一个周末，官方称这可能节省数月的实验时间与可观的研发成本。反向转变，也就是从基底态回到经典态，效果更弱，这一结果与Quine的预测一致。实验还确认了模型的另一项预测：若干化合物会反复把细胞推向一个不同的第三表型，这暗示胰腺癌的细胞状态图谱比简单的经典与基底二元轴更复杂。
过去两年，AI制药领域的进展大多集中在单点能力上，例如亲和力预测、蛋白质结构补全、分子胶设计或者抗体优化。这些工作解决的是链条上的某一环，评价标准清晰，但离完整的研究流程还有距离。Quine的野心更大，它试图把世界模型、工具层与研究计划三件事放在一起推进：模型负责连接跨蛋白质、细胞、组织与基因组的证据，工具层负责把问题拆解成步骤、调用模型与科学工具、权衡证据并修订计划，研究计划则让微软的科学家、访问学者、合作方与实验伙伴在真实生物学问题上测试系统。
这种组合式的定位也带来评价上的困难。单点模型的优劣可以用基准数据集衡量，而一套研究系统的好坏，取决于它在多轮迭代中能否持续给出值得做的实验。微软把项目页面上的研究脉络追溯到2021年至2026年，覆盖蛋白质、调控基因组、肿瘤微环境、组织病理、显微成像与生物数据等方向，试图说明Quine不是一次性的演示，而是二十多年计算与生物学交叉研究的收拢。对国内做AI4S的团队而言，这套打法提示了一个方向：与其只优化某个预测指标，不如把模型、工具与实验能力串成闭环，让每一轮实验都能反哺模型。
微软在公告中把Quine明确界定为实验性研究技术，仅供研究使用，不用于临床或医疗应用，并提示其输出可能不完整或不准确，需要合格研究者复核与实验验证。访问将分阶段、受控地开放：首批通过Quine Fellows计划，让入选科学家获得上手机会，同时为系统提供科学反馈；初期可用范围限于该计划与选定的研究合作。公司表示会随着系统演进应用内部评审与内置防护，并在技术成熟后，通过Microsoft Discovery等产品扩大访问范围。
后续工作被写得很具体：整合更多RNA数据集与任务，以更好地表示更丰富的细胞状态图谱；改进状态转变预测；提供经过校准的置信度估计，帮助研究者判断哪些假设值得优先送去做湿实验。这份清单本身也说明了当前阶段的真实水平：模型已经能在特定场景里给出有用的排序，但要让科学家放心把有限的实验预算押在它的建议上，还需要把不确定性量化做好。对任何一个想把AI引入实验设计的团队来说，这一步都不是可选项。