NVIDIA 开放蛋白质数据集计划瞄准下一场尚未开始的大流行病

NVIDIA 于 2026 年 9 月 24 日宣布启动开放蛋白质数据集计划，与 Google 及全球研究机构一道，在下一场大流行病到来前展开准备。该联盟希望研究人员能在未知病原体开始传播之前，研究可能具有危险性的蛋白质。这一思路直面一个棘手现实：COVID-19 疫苗的开发得益于此前多年积累的冠状病毒研究，而下一次疫情暴发未必拥有这样的基础。

NVIDIA 开放蛋白质数据集计划将部分大流行病防范工作从紧急应对转向提前开展的生物学图谱构建。研究人员不必等到新病毒出现后才行动，而是可以在疫情暴发前整理蛋白质序列、预测结构及相关证据。

这一承诺也带来了核心矛盾。开放的计算预测可以扩大获取范围、缩短早期研究时间，但无法替代实验、具有代表性的采样或可信赖的国际协调。该联盟正在建立先发优势，而不是完成一套防御体系。

COVID-19 提供了历史参照。科学家并非在 2020 年第一次接触冠状病毒。此前对 SARS、MERS、刺突蛋白和疫苗平台的研究，帮助研究人员在新病毒出现后更快推进工作。

下一种引发大流行病的病原体，可能来自一个知识积累少得多的家族。NVIDIA 及其合作伙伴押注，开放蛋白质数据可以在紧急情况开始前缩小这一劣势。

NVIDIA 开放蛋白质数据集计划带来了什么改变

关键变化在于科学工作开始的时间：在疫情暴发之前，而不是研究人员拿到病原体基因组之后。

在其联盟公告中，NVIDIA 将开放科学定位为应对缺乏类似冠状病毒研究历史的病原体的一种准备方式。该计划使公司加入了一个更广泛的团体，其中包括 Google 和国际研究机构。

该项目聚焦于蛋白质——这类生物分子在生物体和病毒中承担许多功能。蛋白质的三维形状会显著影响其与细胞结合、逃避免疫反应或对药物作出反应的方式。

因此，蛋白质结构可为疫苗、抗体、诊断方法和抗病毒化合物提供可能的起点。然而，通过实验确定这些结构可能需要专业设备、细致的样本制备和大量时间。

AI 系统提供了另一条路径。它们可以根据蛋白质的氨基酸序列预测其可能结构；氨基酸序列是由基因编码的分子构件有序链条。这些预测可帮助科学家优先确定哪些蛋白质和实验最值得先行关注。

该联盟的开放数据方法之所以重要，是因为没有任何一家实验室能够研究与每一种可能病原体相关的全部蛋白质。共享数据集将起始材料分发给大学、公共卫生机构、生物技术公司和独立研究团队。

这种分发在疫情暴发最初几周尤其重要。研究人员最初面对的是不完整的监测数据、不确定的传播模式和有限的实体样本。一条相关的蛋白质记录可以帮助他们更早形成可检验的假设。

NVIDIA 开放蛋白质数据集计划也反映了计算生物学更广泛的变化。AI 基础设施公司正不再局限于提供硬件和软件，而是开始协助组织模型所依赖的科学数据集。

NVIDIA 在这一转变中显然具有自身角色。现代蛋白质模型在训练和推理阶段都需要大量计算；推理是指从训练完成的模型生成预测的过程。GPU 可以加速这两个阶段。

然而，这并不只是一个 NVIDIA 计算故事。只有当病毒学家、结构生物学家、流行病学家和公共机构能够解读并验证其内容时，数据集才会变得有用。

因此，该公告将三种通常被分开讨论的资源联系起来：开放数据、AI 计算和实验室科学。它的真正价值将取决于这些资源能否作为一个研究系统协同运作。

这一系统还必须保留语境。缺少来源序列、置信度指标、方法论和版本历史的预测结构，可能误导研究人员。开放获取本身并不能让科学记录变得完整。

这一区别解释了为何该联盟比又一次模型发布更具意义。其目标是持久的研究基础设施，在疫情之间仍能保持可用——而在这段时期，政治关注和紧急资金通常会下降。

为什么蛋白质知识让 COVID-19 研究人员获得先发优势

COVID-19 疫苗开发得以快速推进，是因为科学家带着相关知识进入了 2020 年，而不是从零开始、一次性解决所有问题。

研究人员已对人类和动物冠状病毒研究数十年。2003 年 SARS 暴发后的工作，以及 2012 年 MERS 被发现后开展的研究，阐明了冠状病毒刺突蛋白如何帮助病毒进入宿主细胞。

刺突蛋白成为 COVID-19 疫苗的关键靶点。研究人员还知道，将这种蛋白质稳定在特定形态，可能帮助免疫系统更有效地识别它。

疫苗平台提供了另一项优势。信使 RNA 疫苗利用遗传指令让细胞产生目标抗原，继而训练免疫系统。早在 SARS-CoV-2 出现之前，科学家就已开发出底层递送和生产方法。

这些背景并未消除临床试验、生产验证或安全性监测的需要。它缩小了可行方案的范围，并为团队提供了具体起点。

下一种具有高度后果的病原体，可能不属于这样一个经过充分研究的家族。其表面蛋白可能几乎没有实验结构、注释不足，或根本没有已确立的疫苗靶点。

这一可能性正是世界卫生组织主导的病原体规划的核心。WHO 使用“疾病 X”一词，指由尚未被发现会导致人类疾病的病原体引起的严重国际流行病。

疾病 X 并不是对某一种特定病毒的预测。它是一种规划概念，促使机构为不确定性做准备，而不是仅针对熟悉的威胁进行优化。

开放蛋白质数据集契合这一战略，因为它扩充了可供比较的生物学可能性库。当出现陌生序列时，科学家可以搜索相关结构、保守区域和潜在的功能相似性。

保守区域是指在相关生物体之间变化相对较少的一段。此类区域可能成为有用靶点，因为即便病原体其他部分发生演化，它们仍可能保持可识别性。

研究人员还可以利用现有预测来选择实验室实验。与其将每一种新蛋白质都视为同等神秘的对象，他们可以优先研究与细胞进入、复制或免疫逃逸有关的蛋白质。

这一过程不会立即产出疫苗。它减少了整理基础信息和决定测试方向所耗费的时间。

这一理念支持100 天使命背后的更广泛目标，即在确认大流行病威胁后的 100 天内提供安全有效的应对措施。实现这一目标，需要在计时开始前就开展有价值的研究。

蛋白质数据只是其中一个组成部分。监测系统必须发现病原体，实验室必须共享样本，监管机构必须评估产品，制造商则必须扩大生产。

不过，早期生物学知识能够影响每一个下游阶段。对蛋白质靶点认识不足，会延误检测方法设计、疫苗选择和药物筛选。更好的初步图谱可以让这些活动更聚焦。

因此，NVIDIA 开放蛋白质数据集计划针对了大流行病防范中的一个具体弱点。紧急资金可以增加计算能力，却无法即时重建多年有组织积累的生物学知识。

开放蛋白质数据如何缩短首个研究周期

支持开放蛋白质数据的最有力理由并非完美预测，而是围绕最有前景的问题更快协调行动。

蛋白质研究通常经历多个相互关联的阶段。科学家识别序列、推断其功能、估计其结构、与已知蛋白质进行比较，并通过实验检验重要主张。

AI 可以加速这一链条的中间环节。DeepMind 的 AlphaFold 工作表明，机器学习能够以单靠实验生物学无法匹敌的规模，生成有用的结构预测。

AlphaFold 数据库通过 Google DeepMind 与 EMBL 欧洲生物信息学研究所的合作，使预测结构能够被公开检索。其公开模式为分发计算生物学成果树立了重要先例。

开放存储库也早于现代 AI 出现。蛋白质数据银行长期保存经实验确定的三维结构及其支持记录。这些测量结果仍是评估预测时不可或缺的参考点。

新的联盟介于这两种传统之间。它可以利用计算方法扩大覆盖范围，同时保留围绕实验档案发展起来的开放科学实践。

这种结合创造了几条实际的研究路径。

首先，研究人员可以将新病原体的蛋白质与先前预测的结构进行比较。结构相似性有时能揭示仅凭序列比较难以发现的关联。

其次，团队可以识别潜在结合位点。结合位点是另一种分子可附着的区域，并可能改变蛋白质的行为。这些位点可以指导早期药物筛选工作。

第三，疫苗研究人员可以检查免疫反应可能识别的暴露蛋白质区域。这些预测有助于候选方案排序，不过实验室研究必须确认这些区域是否稳定且可接近。

第四，诊断方法开发者可以寻找具有区分度的分子特征。有用的诊断靶点必须能够区分该病原体，同时不产生过多假结果。

第五，科学家可以研究整个蛋白质家族，而非单个实例。广泛比较可能揭示哪些特征保持稳定，哪些特征快速演化。

开放获取正是在这里改变了参与的经济条件。缺乏训练大型模型资源的大学实验室，仍可分析已发布的预测。公共卫生团队则可以将其与本地监测记录结合。

生物技术公司可以将同一基础用于更聚焦的应用工作。共享输入并不会消除围绕分子、递送系统、生产方法或临床执行的竞争。

开放数据反而能够建立一个共同的起始层。这一层更像公共基础设施，而不是一件完成的商业产品。

对研究人员而言，实际挑战转向信息管理。蛋白质记录可能包括序列、结构、置信度评分、注释、模型版本、论文和实验更新。

团队需要在每项结论与其来源之间建立清晰的链条。可检索的知识库可以帮助团队在论文、实验方案和本地分析中保留这种溯源信息。

溯源意味着了解一条记录来自何处、如何生成，以及何时发生变化。当多个模型针对同一序列生成不同结构时，这一点变得至关重要。

研究人员也需要负面结果。一个未通过实验室验证的候选项，可以避免其他团队重复同一路径。然而，失败的实验往往更难发表和检索。

因此，有效的开放数据集应当支持修订，而不是将预测呈现为永久性的答案。新的实验证据必须能够纠正先前的模型输出。

它还应在有用的粒度上展示置信度。模型可能对蛋白质的某个结构域预测得很有把握，但对柔性区域或相互作用仍存在不确定性。

单一汇总评分可能掩盖这种差异。在条件允许时，研究人员需要残基级或区域级置信度，以决定哪些主张值得立即测试。

NVIDIA 的开放蛋白质数据集项目可以通过让这些工作流程更快、更易获取来创造价值。其成功与否，较少取决于生成文件的数量，更多取决于它们在科学上的可用性。

主要竞争在于开放准备与应急追赶

该联盟真正的对手，是只有在危险病原体已经开始传播后才启动的被动式研究模式。

被动式研究并非粗心的科学家做出的选择。它往往反映出公众关注、资金、样本获取和机构紧迫性会在紧急事件期间集中。

在疫情暴发之间的时期，针对冷门病原体家族的研究可能难以获得持续支持。疫苗或抗病毒药物的预期商业市场，在危机开始前可能仍不明朗。

这一循环造成了可预见的延迟。当公共卫生官员已在就检测、旅行、治疗和防护措施作出决定时，科学家还必须对病原体进行表征。

开放准备改变了这一顺序。研究人员可以在危机前相对平静的时期建立参考数据集、对模型进行基准测试，并研究蛋白质家族。

压力落在政府、科研资助方、制药公司和卫生机构身上。他们必须决定，在没有迫在眉睫的紧急情况时，准备基础设施是否仍值得持续投资。

AI 公司同样面临压力。发布令人印象深刻的预测数量相对容易。通过版本管理、质量控制、文档和长期访问来支持数据集则更为困难。

Google 的参与为该联盟带来了大规模蛋白质预测和公开分发方面的经验。NVIDIA 则提供计算基础设施，以及不断扩展的计算生物学工具组合。

这些角色具有互补性，但该项目必须避免沦为计算供应商的展示平台。病毒学家和实验室研究人员应当参与决定哪些蛋白质获得关注，以及应随附哪些证据。

与 AlphaFold 的比较颇具启发性。AlphaFold 扩大了预测结构的获取渠道，而 Protein Data Bank 仍继续作为实验结构的记录库。

两条路径都没有使另一条变得多余。预测拓宽了搜索空间，而实验仍是许多重大决策的标准。

大流行准备需要同样的分工。模型可以提名靶点并生成假设。实验室必须检验相关蛋白质在生物系统中的行为是否如预测所示。

公共机构随后必须将科学证据与政策连接起来。一个在结构上看似合理的靶点，并不能回答某种疾病是否高效传播、是否导致重症，或是否威胁特定人群。

这使该联盟的开放科学承诺尤为重要。准备数据集应当能在疫情发生的国家使用，而不只是服务于富裕的研究中心。

访问不只是获得下载文件的许可。研究人员还需要足够的带宽、兼容的格式、文档、培训，以及无需最大规模集群的计算选择。

开放模式也带来了协调挑战。不同机构可能采用不一致的名称、元数据标准或质量阈值。

互操作性，即独立系统交换和解读记录的能力，必须被设计进数据集。否则，开放文件仍可能分散在彼此不兼容的存储库中。

治理将决定有争议的记录能以多快速度得到纠正。该联盟需要透明的流程，用于报告错误、更新模型输出和保留先前版本。

它还必须明确许可条款。研究人员和企业应了解，他们是否可以再分发记录、将其用于商业发现，或与其他数据集合并。

这些细节听起来像行政事务，但它们决定科学研究的速度。在紧急情况下，团队无法花费数天处理不确定的标识符、许可证和数据历史。

因此，准备工作需要耐心的基础设施建设。如果 NVIDIA 的开放蛋白质数据集项目在发布公告后仍持续推进，并成为常规研究的一部分，它的意义将进一步提升。

开放预测仍面临实验室与治理缺口

开放的蛋白质结构可以加速提出假设，但无法证明该假设在生物学上真实，或在临床上有用。

预测结构是模型输出。它基于学习到的模式和提供的输入，估计蛋白质可能的形状。真实分子在细胞内的表现可能不同。

蛋白质可能因温度、酸度、周围分子、化学修饰或与其他蛋白质的相互作用而以不同方式折叠。有些蛋白质具有柔性，而不是固定在一种稳定构型中。

病毒蛋白质也可能形成复合体。对单个孤立组分的模型，可能无法捕捉多个组分在感染过程中如何相互作用。

置信度估计有帮助，但无法覆盖每一种误差来源。模型可能对某个结构很有信心，而其生物学解释仍可能是错误的。

当科学家选择疫苗靶点或候选药物时，这种不确定性至关重要。错误的假设可能会在速度最重要的时期，将稀缺的实验室能力引向错误方向。

数据集的构成带来了另一种风险。模型从可获得的序列和结构中学习，而它们反映了历史研究优先事项和不均衡的监测覆盖。

如果某些地理区域、动物宿主或病原体家族的采样不足，最终的数据集可能会保留这些缺口。大规模并不会自动产生具有代表性的覆盖范围。

数据质量同样重要。错误序列、错误标注的物种、污染或重复记录，都可能流入后续分析，除非维护者采取严格验证措施。

开放参与能够更快暴露错误，因为更多研究人员可以检查记录。但如果修正无法可靠传播，它也可能让质量较差的记录广泛扩散。

生物安全提出了一个更棘手的政策问题。详细的生物学数据集支持正当研究，但某些信息可能具有双重用途潜力，即可能支持有害活动。

这并不意味着应把所有蛋白质研究视为机密。但它确实要求治理机制能够区分广泛有益的科学信息与敏感的操作细节。

挑战在于避免两种代价高昂的极端。过度限制可能减缓公共卫生研究，并将能力集中在少数机构内部。草率发布则可能忽视可信的滥用风险。

国际信任同样重要。如果各国或实验室担心共享序列不会带来认可、获取机会或收益，大流行数据集将是不完整的。

WHO 的大流行病协定反映了围绕病原体获取、惠益分享、融资和公平分配的更广泛讨论。蛋白质预测无法解决这些政治问题。

因此，对 NVIDIA 联盟的评判不应只看技术产出。它需要来自在不同地区采集样本和应对疫情的机构的有意义参与。

署名与归属是这一安排的一部分。生成序列或表征病原体的当地科学家，应在最终形成的研究链条中保持可见。

惠益分享也很重要。一个提供关键数据的国家，不应在获得由该贡献衍生的诊断工具、治疗方法或疫苗时面临延迟。

还存在持久性风险。当资助到期、企业优先事项变化，或危机从新闻头条中消失时，公共研究基础设施可能会削弱。

长期管理需要稳定托管、明确的机构所有权、备份和迁移计划。研究人员需要确信，标识符和引文在数年后仍能继续解析。

最后，该联盟的主张需要独立评估。有用的衡量指标包括预测准确性、对被忽视病原体家族的覆盖、更新速度和实验室采用情况。

仅靠下载量几乎说明不了什么。一个数据集可以吸引好奇心，却未必改善实验选择或疫情应对。

最有力的证据将来自前瞻性测试。研究人员可以选择此前尚未表征的蛋白质，发布预测，并将其与后续实验结构进行比较。

这类研究将揭示系统在哪些方面表现良好，以及哪些方面的不确定性仍然过高。它们也将帮助团队制定规则，决定何时应将预测升级为实验室工作。

这种审慎观点并不否定该项目。它界定了开放蛋白质数据何时会成为准备能力，而非宣传。

三个信号将显示该联盟是否兑现承诺

下一项考验在于，该联盟能否将一个有说服力的前提转化为持续维护、经独立验证的研究系统。

第一个信号是具有明确文档范围的具体公开发布。研究人员应关注所包含蛋白质的数量和类型、选择标准、许可证、元数据以及模型置信度字段。

一项有用的发布应标明底层序列和预测方法。它还应说明用户如何报告错误并获取更新版本。

如果这些要素出现，该项目将更像科学基础设施。如果发布强调规模却缺少文档，核心主张将被削弱。

第二个信号是独立实验室验证。外部团队应能够测试选定结构，并公布预测在哪些地方成功或失败。

验证应包括困难蛋白质，而不只是那些已与充分表征记录相似的示例。对被忽视病原体家族的表现将尤其具有参考价值。

持续一致的前瞻性结果将强化这样一种论点：开放预测能够指导早期疫情研究。大规模且无法解释的失败，则会缩小数据集的实际作用。

第三个信号是在不同地区和机构中的采用。证据应包括公共卫生实验室、大学以及联盟核心技术合作伙伴之外的研究人员对其的使用。

这种采用将揭示实践中的访问是否真正开放。如果用户缺乏文档、兼容工具，或没有参与治理的话语权，那么文件是否可用意义不大。

读者还应关注该项目如何处理更正。透明的修改、保留的版本历史以及清晰可见的贡献者署名，都将有助于建立信任。

NVIDIA 开放蛋白质数据集计划本身无法决定下一场大流行病的走向。病原体监测、公共沟通、临床试验、生产制造和公平分配依然不可或缺。

但它仍可能改变起点。面对陌生威胁的科学家，或许可以从一张可检索的、涵盖合理结构的地图出发，而不是面对几乎空白的一页。

这正是该项目站得住脚的承诺。开放科学能够在紧急压力到来之前，让首轮研究获得更多信息支撑、更好的协同，以及更广泛的可及性。

更棘手的问题是，当没有危机占据新闻头条时，机构是否仍会维持这份准备。研究人员、资助方和公共卫生领导者应持续关注项目发布，检验其记录，并要求提供可衡量的验证结果。

如果该联盟能够兑现这三个信号，开放蛋白质数据将不止是一份档案。它将成为应对下一种科学家尚未知晓病原体的共享准备基础层。