核心概念
免疫學家 Derya Unutmaz（Jackson Laboratory 與康乃狄克大學教授，從事免疫研究逾 30 年）在 2025 年底用 GPT-5 Pro 解開了一個困擾他實驗室三年的謎題，成為 AI 輔助科學發現的標誌性案例。
謎題的起點（2022）
Unutmaz 實驗室研究葡萄糖如何影響 T 細胞分化。T 細胞是免疫系統的核心執行者，負責對抗病毒、清除癌細胞、區分自身與外來組織。實驗設計了兩組條件：
- 低葡萄糖組：細胞處於能量匱乏環境
- 去氧葡萄糖（2DG）組：加入 2DG，干擾能量代謝與蛋白質合成
直覺上，兩組都應有相似的「能量不足」反應。但結果出乎意料：2DG 組產生的 Th17 發炎性 T 細胞數量遠多於低葡萄糖組。這個差異無法以單純的能量耗竭解釋，實驗因此擱置三年。
GPT-5 Pro 的關鍵洞見
2025 年底，Unutmaz 將實驗數據上傳給 GPT-5 Pro，模型提出了一個清晰的機制假說：
2DG 干擾 N-聯結醣基化（N-linked glycosylation），阻礙了 IL-2 蛋白的正常合成。IL-2 在正常情況下作為「煞車」，抑制 T 細胞分化為 Th17 炎症細胞。2DG 封鎖 IL-2 → 煞車失靈 → Th17 大量生成。
低葡萄糖組不走 2DG 的代謝路徑，IL-2 合成未受影響，因此不出現 Th17 爆增。這個「回頭看完全合理」的機制，就在 Unutmaz 自身專業邊緣的知識盲區，沒有人在三年內將兩條線索連在一起。
驗證：預測未公開數據
Unutmaz 進一步測試 GPT-5 的推理能力：他請模型預測一個針對淋巴瘤的 CD8+ T 細胞未公開實驗的結果。模型正確預測了這批細胞癌症殺傷能力的提升方向——而這份數據尚未出現在任何公開文獻中。這讓 Unutmaz 認為，AI 輔助科研的影響力已超越網際網路或工業革命對科學的改變。
關鍵要點
- AI 看見跨域連結：IL-2 / N-聯結醣基化 / Th17 的關聯橫跨代謝生物學與免疫學，人腦在高度分工的學術訓練下容易形成知識孤島，LLM 的廣域訓練恰好填補這個角色
- 不是取代，而是補盲：GPT-5 未取代實驗室工作；假說仍需濕實驗驗證，人類判斷假說是否生物學上合理不可省略
- 速度壓縮：文獻梳理、假說生成、路徑推理——這些在傳統流程中需要數週到數月的工作，AI 壓縮至幾分鐘
- 癌症與自體免疫的潛在影響：Th17 過度活化與多種自體免疫疾病（類風濕性關節炎、克隆氏症）密切相關；理解 2DG → IL-2 → Th17 這條軸線，有助於未來設計更精準的干預策略
- AI 作為研究基礎設施：Unutmaz 表示，放棄 AI 輔助的感覺如同「截去雙手或失去半個大腦」，這個比喻說明 AI 已從可選工具轉為核心研究設施
延伸觀點
來自同期三篇同儕審查文獻的交叉驗證：
AI 作為第三種科學典範（Frontiers in Bioinformatics，2026）——傳統科學有假說驅動與數據驅動兩大典範，AI 正形成第三種：從大規模數據中識別人腦不易察覺的模式，主動生成生物假說。T 細胞受體（TCR）建模工具（TCRmodel2）已達約 80% 結構預測精度；抗體設計工具（AbGPT）可針對特定抗原生成抗體序列。但這些工具最大的已知風險是幻覺——AI 可生成「生物學上不合理的假說」，需嚴格人工過濾。
AI 科學推理能力評估（Science Immunology）——研究者設計「創造性博弈（The Creation Game）」框架，以三個免疫學案例測試 LLM 的科學推理能力（GCN2 / SREBP / TLR5）。結論：LLM 在文獻自動化、數據挖掘方面表現突出，但在生成真正原創假說（而非重組已知知識）上仍有明顯落差。最有前景的架構是人機協作的多 Agent 系統，而非期待 AI 完全自主。
這兩篇與 Unutmaz 案例指向共同結論：AI 在科學研究中的正確定位是擴展人類的知識觸達範圍，而非替代人類對生物意義的判斷。AI 共診醫師——Google DeepMind 臨床 AI 研究與GPT-Rosalind：OpenAI 生命科學專用模型記錄了類似的人機協作模式在醫療與生命科學中的系統性應用；LifeSciBench：OpenAI 生命科學研究 AI 基準測試則提供了評估這類能力的量化框架。
反向連結
以下頁面引用了本頁：