艾莉亚·布鲁姆 是一位由人工智能生成的记者，探索人工智能如何转变生物技术和基因组研究。她的写作融合了精确性和对生命科学未来的深刻好奇。 从合成生物学到个性化医学，艾莉亚分析了机器学习如何加速人类健康创新。 艾莉亚·布鲁姆撰写的文章由人工智能生成，并由 Unite.AI 的编辑团队审阅以确保准确性和合规性。
休斯顿卫理公会医院的研究人员发表了一项同行评审的研究，证明环境AI在手术室中的应用与手术量的增加有关：在采用Apella的计算机视觉平台后，高强度心胸外科手术室的手术量增加了7%，约每月增加25例手术。该研究发表于2026年6月27日的《成像杂志》上，涵盖了16个月内在旗舰医院监测的5,417例手术案例。第二项同行评审研究发表在《周围护理和手术室管理》杂志上，研究了休斯顿卫理公会医院六个医院中的一种不同的机制：一种预测工具，用于标记可能被误排的案例。对于标记的案例，排班准确性提高了40%（平均绝对误差从57.4分钟降至34.2分钟），而延迟结束的手术日减少了46个百分点，没有减少手术量，根据Apella的2026年8月5日公告。手术量的发现很重要，因为它是如何产生的。大多数供应商的效率声明基于无法区分技术效应和医院系统中其他变化的前后比较。休斯顿卫理公会医院团队使用了合成控制和差异估计，一种来自经济学的准实验方法：他们从11个其他未部署该平台的休斯顿卫理公会医院网站建立了一个加权的对照组，总共116,098个比较案例，并将干预套件与其进行比较。结果是每月大约增加25例手术（95% CI 8.3至41.0），而无需增加房间、人员或时间。“关于AI在手术中的影响的说法往往受到怀疑，这是可以理解的，”休斯顿卫理公会医院的首席创新官罗伯塔·施瓦茨说，她也是论文的首席作者。“这就是为什么我们以与任何临床研究相同的严谨态度对待这项工作，使用独立的同行评审和一种旨在证明因果关系而不仅仅是相关性的方法。”摄像头实际测量的内容论文中所指的基于图像的AI系统是由墙上安装的摄像头、每个房间四个摄像头、一个基于YOLO的物体检测模型和一个基于变换器的事件检测器组成的。它识别患者、擦洗和未擦洗的员工、覆盖状态和设备，然后将这些检测结果转换为时间戳的周围手术事件：患者入院、覆盖、转换、轮出。训练数据集涵盖了137,517例手术，分布在315个手术室中。这种粒度使得套件能够将手术日分解为电子健康记录中未捕获的阶段。该平台在“麻醉准备”和“手术开始”之间插入了“患者覆盖”事件，例如，将一个不透明的块转换为两个可测量的块。实时仪表板显示了手术进度和预测的持续时间，涵盖了所有15个房间，并且自动的文本警报通知外科医生何时患者被覆盖或他们的下一个手术即将开始。部署在IRB确定的质量改进框架下进行，患者同意被纳入一般同意文件中，视频最长保留30天，音频保留7天，并且仅限三个指定角色访问手术录像。证据的边界论文的限制部分确定了几个对手术量发现的约束。干预不是软件本身，而是一个捆绑包：平台加上周转时间审查、手术室管理、清洁和麻醉工作流审查以及外科医生通知协议。作者明确表示，估计“无法将观察到的收益单独归因于一个或另一个组件”。统计图景比标题更窄。空间置换测试（方法的内置检查）返回了0.182的经验p值，方向一致但不达传统意义。包括非计划加班在内的次要结果均未达到显著性，总手术时间的敏感性分析也不显著，这意味着收益来自每单位手术时间的更多案例，而不是更多的总手术时间。作者将这种影响解释为“与部署相关，而不是由部署引起的”。披露结果双向。休斯顿卫理公会医院持有Apella的少数股权，并于2026年1月加入了该公司的B轮融资。Apella的一名员工从汇总的月度数据中进行了最初的分析——没有访问患者级别的记录——而休斯顿卫理公会医院的一名分析师独立复制了这些分析。Apella没有资助该研究，也没有参与研究设计或发表决定，根据论文的利益冲突声明。该系统现在在超过200个手术室中运行。接下来会发生什么作者概述了一个特定的研究议程：在休斯顿卫理公会医院的其他医院和其他外科专业中进行系统范围的评估，以测试心胸外科的收益是否可以推广；正式评估周转时间和首例手术的准时开始作为主要终点；以及同行评审的复制，证明计算机视觉跟踪手术事件比手动记录更一致。环境AI在临床环境中的部署主要是根据文档负担来判断的（环境监听工具现在也用于护士工作流），而休斯顿卫理公会医院的两项研究是对手术室变体的吞吐量的早期尝试。对于医院高管不断接收到薄弱证据支持的AI推销的行业来说，更加持久的贡献可能是方法论上的：一个医疗系统按照自己的方式测试供应商的平台，与自己的对照站点进行比较，并将边界与结果一起发布。
Phylo, Inc. 宣布 于2026年8月4日，千叶制药株式会社将部署Biomni Lab，Phylo的用于生物医学研究的代理AI平台，跨千叶的药物发现工作流程，涵盖四个领域：单细胞分析、人类基因学、疾病生物学和目标评估。 这家总部位于东京的制药公司，是罗氏集团的成员，列于东京证券交易所的主要市场，是Phylo所谓的平台创始客户群的一部分。在此合作下，Biomni Lab连接到千叶的专有研究数据内，该公司的安全环境中，其代理商在内部数据旁边工作，使用平台的集成生物医学资源。 Phylo将这种设置与发现研究中的持续性摩擦对立起来：分析师不断在断开的工具和数据集之间移动，而公司已经生成的数据被闲置，同样是人工智能驱动的药物发现努力的核心。 公司将预期的回报，较短的发现时间表和更好的研究决策，视为合作的目标，而不是衡量结果。千叶制药生物技术部负责人大山宗平表示，科学数据日益增长的规模和复杂性需要专门为发现研究构建的工具。“我们相信Biomni Lab可以帮助我们的科学家更有效地探索科学问题，并加速我们的药物发现，以创造创新药物供患者使用，”他在公告中说。如何在制药商的安全环境中使用Biomni LabBiomni Lab是Biomni的商业继任者，Biomni是一种最初在2025年6月的预印本中描述的通用生物医学AI代理，并于2026年在《科学》杂志上发表。该系统将大型语言模型推理与检索增强规划和基于代码的执行相结合，允许它组装和运行多步骤的研究工作流程，而不是回答单个问题。其底层环境是从文献中提取的工具、数据库和协议的目录，跨越25个生物医学领域，使代理商能够在不同任务之间移动，例如因果基因优先级、药物再利用和罕见疾病诊断，而无需任务特定的调整，根据研究。Biomni Lab将该代理商打包成Phylo所说的集成生物学环境：一个单一的工作空间，连接了300多个数据库、软件系统和分析工具，以及专有数据提供商。代理商在公司自己的研究数据内运行，该数据位于其安全边界内，这也是千叶的单细胞、基因和目标评估工作将发生的地方。所有四个工作领域都位于管道的临床前侧，即发现科学家做出目标和程序决策的地方。商业平台迄今为止最强的记录结果是公司报告的：在Ginkgo Bioworks的案例研究中，Biomni Lab完成了10多个复杂的细胞绘画和转录分析，将Phylo描述为数周的工作流程压缩到几个小时，结果Ginkgo科学家验证为出版物质量。《科学》论文中的案例研究涵盖了多组学解释、蛋白质稳定性优化和湿实验仪器控制，都是在学术环境中产生的，几位作者披露了他们在Phylo的股权。其中一位高级共同作者Aviv Regev是Genentech的官员，并坐在罗氏的企业执行委员会，即千叶所属的同一组。Biomni从斯坦福开源到两家制药交易的路径Phylo背后的团队于2024年6月在斯坦福大学启动了Biomni，作为一个开源的、通用的代理商，用于日常的生物医学研究任务。2025年6月2日发布了一份预印本，2026年发表在《科学》杂志上。到2026年2月3日Phylo宣布成立的同时，宣布了1350万美元的种子轮融资，由Andreessen Horowitz和Menlo Ventures的Anthology Fund联合Anthropic领投，公司表示开源项目已经被超过7000个研究实验室、生物制药公司和医疗保健组织采用。该启动引入了Biomni Lab的研究预览，并详细介绍了Ginkgo Bioworks的案例研究。制药公司的部署随后迅速到来。2026年7月28日，大阪制药公司Ono Pharmaceutical，癌症免疫疗法Opdivo的背后公司，表示将在其发现科学家中推出Biomni Lab，Unite.AI报道了这一事件。一周后，千叶制药公司成为第二家签署Biomni Lab的日本制药公司。Phylo联合创始人兼首席执行官黄可昕将千叶交易视为早期采用率的回报。“千叶的科学家是我们开源发布后Biomni的最早用户之一，我们很高兴能够通过这一合作将我们的完整平台带给更多科学家，”黄说。Biomni平台数据 1350万美元：2026年2月3日宣布的Phylo种子轮融资，由Andreessen Horowitz和Menlo...
将广泛部署的医院预测模型连接到自动页面以通知重症监护团队，据研究显示，高风险患者的风险调整死亡率降低了 18%。该研究发表在 NEJM AI 上，研究了 23,132 名高风险患者。罗格斯罗伯特伍德约翰逊医学院和 RWJBarnabas Health 的研究人员跟踪了该模型在 11 家新泽西州医院的部署情况，从学术医疗中心到社区非教学设施。该模型是 Epic 劣化指数，一种专有的机器学习评分，Epic 将其集成到其电子健康记录中。它读取患者的生命体征、实验室结果、护理评估和年龄，并返回一个 0 到 100 的风险评分。RWJBarnabas Health 自己的公告称，该评分每 15 分钟重新计算一次。RWJBarnabas 做出的改变是通知路由：一旦患者超过最高风险阈值，记录就会直接推送通知到医院的快速响应团队。数字显示什么研究团队进行了一项准实验、分阶段的前后比较研究，而不是随机试验。研究涵盖了 2022 年...
安理药业正在将AI代理人置于其最早期研究的科学家面前。根据2026年7月28日宣布的合作协议，大阪药厂将在其整个药物发现组织中部署Biomni Lab，这是由南旧金山应用人工智能实验室Phylo开发的代理研究平台。根据公告，该平台旨在吸收发现科学家的整个计算机日程：合成程序的实验历史，推理内部数据集，设计下一个实验，并执行计算生物学。Phylo表示，安理自己的发现专业知识和历史数据将被引入该环境，这是与软件许可区别开来的部分。安理在东京上市，股票代码为4528，成立于1717年，主要从事肿瘤学、免疫学和炎症学以及神经学研究，并以PD-1抗体尼妥珠单抗（商品名为Opdivo）最为闻名。什么是Biomni的测试内容产品下的代理人比大多数企业AI部署拥有更多的已发表证据。Biomni最初是斯坦福的一个开源项目，并于2026年在《科学》杂志上发表，题为“具有人工智能代理的自主生物医学研究”。其设计很不寻常：一个代理人从25个生物医学领域的数千篇论文中提取工具、数据库和协议来构建环境，而另一个代理人则在该环境中规划，检索问题所需的内容并编写代码来执行它，而不是遵循固定的工作流程。该论文报告了代理人在没有任务特定调优的情况下跨越因果基因优先级、药物再利用、罕见疾病诊断、微生物群分析和分子克隆等任务的一般化，并且案例研究涵盖了蛋白质稳定性优化和湿实验室仪器的编排。与主导计算发现的单一用途模型相比，这是一个更广泛的任务范围，更接近于该领域自Google的Co-Scientist以来一直在发展的湿实验室面向的共同科学家系统。基准评分显示了什么安理实际购买的最有用的信息来自Phylo自己的评估工作。2026年6月30日，公司发布了与Scale Labs合作的DrugDiscoveryBench：82个任务由从事药物发现的科学家编写，涵盖目标识别、专利挖掘和结构-活性分析，每个任务都有一个可验证的答案和专家编写的评分标准，由编写代码的代理人解决这些问题，代理人使用的是真实的生物医学数据库。前沿模型紧密地聚集在一起，令人不感兴趣。Phylo报告称，GPT-5.5达到51.6%，Gemini 3.5 Flash达到50.0%，Opus 4.8达到47.2%，不同模型在不同任务家族中表现突出。两个发现比排名更重要，尤其是在制药推出时： 在保持模型不变的情况下，只改变周围的代理人架构，GPT-5.5从40.6%提高到51.6%，GLM 5.2从24.4%提高到37.8%。 当代理人被提供一个由人类编写的剧本，指出步骤和工具时，至少一个模型完成了82个任务中的76个。 Phylo直接指出其中的失败模式：在长工作流中，代理人会悄悄地丢失一个约束并返回一个自信的错误答案。在一个任务中，它用一个乳腺癌基因回答了一个黑色素瘤问题。这种差距正是机构知识所能弥补的，这也解释了为什么安理协议是围绕公司的历史数据而非原始模型能力来构建的。它在安理的发现策略中扮演什么角色安理已经为此做了几年的准备。其研究组织表示，安理使用人工智能来加速发现种子的搜索并缩短新化合物的开发时间，并且安理采用了故意外部化的药物发现模式：2026年3月，安理扩大了与Congruence Therapeutics的计算机辅助发现合作，涉及神经学和免疫学领域。“我们相信人工智能将成为药物发现的核心能力，”安理公司的企业官员和发现及研究执行副总裁Seishi Katsumata表示，安理的研究人员在评估期间迅速采用了Biomni Lab。对于Phylo来说，这笔交易扩大了公司在不到六个月内建立的客户名单。该公司于2026年2月3日在研究预览中推出了Biomni Lab，随后宣布了由Andreessen Horowitz和Menlo Ventures的Anthology Fund共同领投的1350万美元种子轮融资，并自那时起与Ginkgo Bioworks 和Mount Sinai研究人员合作，发表了代理临床试验模拟的部署工作。Phylo还进入了一个市场，在这个市场中，大型制药公司已经决定购买代理基础设施，而不是自己构建，如AstraZeneca 在扩大Owkin合作伙伴关系以将代理纳入开发决策时所做的那样。Biomni Lab现已推出，安理公司签约的具体工作是更难的部分：将三个世纪积累的发现实践转化为代理可以遵循的程序。在Phylo自己的基准测试中，这是将代理从解决一半任务提升到几乎解决所有任务的步骤。
Natural Cycles 于 2026 年 7 月 27 日宣布，美国监管机构已批准其避孕应用程序算法的重建版本，这是该公司自 2018 年以来获得的第六个批准，当时它成为美国食品和药物管理局（FDA）授权的第一款避孕应用程序。更新的目的不是提供更好的避孕保护，而是减少应用程序提示用户需要避孕的天数。新的批准软件将月经周期的统计建模与机器学习相结合，公司称其是在数十万个真实的生育数据点上训练的。Natural Cycles 通过基底体温计或可穿戴设备读取体温，并返回每日判决：红日（可能怀孕）或绿日（无需保护）。重新训练的模型旨在为同一用户返回更多绿日，从相同的基础生物学出发。Natural Cycles 表示，有效性保持在原始批准以来的水平，即完美使用时为 98%，典型使用时为 93%，新的模型更好地处理不规则周期和更嘈杂的温度读数。但是，公司并未说明具体数字。公告中没有提供额外绿日的数字，也没有发布数据来支持该声明，即有效性在重写后仍然保持不变。已发布的证据涵盖什么公司的研究团队确实发表了论文。2026 年 6 月在《欧洲避孕和生殖健康杂志》上发表的一篇论文，由包括两位创始人在内的团队撰写，比较了当温度来自可穿戴设备时应用程序的怀孕率和继续率与当温度来自口腔体温计时的怀孕率和继续率。这是一个真实的结果，它回答了一个不同的问题。可穿戴输入是否会降低性能与重新训练的模型是否可以在不增加怀孕风险的情况下扩大非生育窗口是一个不同的问题。关于第二个问题，目前的公开记录仅包括该机构的决定和公司对该决定的描述。这种区别在大多数软件中比这里更重要。绿日是一个指示，模型出错的成本是一个怀孕。扩大窗口的效果大小就是整个故事，而这个数字尚未发布。六个批准和本次批准的界限批准历史是更持久的资产。Natural Cycles 于 2018 年获得 De Novo...
