怎么读 AI × 生物论文：先查数据，再看模型

读 AI × 生物论文，我通常不会从模型结构开始。

一个网络画得再复杂，如果训练集和测试集泄露、baseline 太弱，或者评价指标和真实科学问题对不上，后面的模型创新都很难解释。相反，一篇方法并不花哨的论文，只要数据和验证设计扎实，往往更值得信。

第一遍：先判断这篇论文值不值得细读

我会先看四处：摘要、Figure 1、主结果表和数据来源。

目标不是记住细节，而是回答四个问题：

作者到底想解决什么生物学或工程问题？
输入数据是什么，标签从哪里来？
模型比什么 baseline 好？
最终“好”是由哪个指标定义的？

这四个问题说不清，先别急着研究模型结构。

第二遍：重点查数据划分

AI × 生物论文最常见的高风险点之一，是训练集和测试集并不真正独立。

序列任务

要看是否控制了同源序列。随机按序列切分，很可能让高度相似的蛋白或 DNA 片段同时进入训练集和测试集。

单细胞和多组学

要看同一个体、同一批次或同一实验条件是否跨集合泄露。按 cell 随机切分，往往比按 donor 或实验批次切分容易得多。

植物和育种

要看家系、年份、地点和品种结构。随机拆材料可能测到的只是亲缘关系，而不是跨群体泛化能力。

数据划分是否模拟真实使用场景，通常比模型多一层注意力更重要。

第三遍：看 baseline 是否够强

一篇论文说“显著优于现有方法”，先看比较对象。

合理的 baseline 至少应该覆盖：

一个简单、可解释的传统方法；
一个该领域公认的强基线；
如果声称某个模块有效，最好有对应 ablation。

如果新模型只和很弱的旧方法比，或者不同方法使用了不同数据和调参预算，性能差距就很难归因于模型本身。

第四遍：看评价指标有没有偷换问题

分类准确率、AUROC、Pearson 相关、RMSD、loss 都只是代理指标。

需要继续问：

类别不平衡时为什么用 accuracy？
相关系数提高一点，是否改变实际排序或实验选择？
结构更接近参考，是否真的意味着功能更好？
生成模型的“有效率”是由模型自己打分，还是独立工具或实验验证？

好的论文会把模型指标和最终科学问题连接起来，而不是停在一个更漂亮的数字上。

第五遍：把“预测”与“验证”分开

AI 论文里很容易出现一条滑坡：

模型预测某候选
→ 候选看起来合理
→ 论文开始把它写成生物学发现

中间其实缺了验证层。

对不同任务，验证可能是独立数据集、跨物种测试、外部队列、结构实验、遗传学证据或湿实验。模型输出更适合被视为候选优先级，而不是事实本身。

几个我会直接警惕的信号

测试集与训练集高度同源，却没有讨论泄露；
只和弱 baseline 比；
超参数在测试集上反复挑；
只报告最好的一次运行；
没有说明随机种子或数据版本；
把模型预测直接写成“验证了机制”；
代码公开了，但关键数据处理步骤没有公开。

这些问题不一定让论文失效，但会明显降低结论强度。

AI 伦理在生物研究里更具体

“AI 伦理”如果只停在公平、隐私、碳排放几个词上，很容易变成附录式讨论。对实际研究，更值得逐项检查的是下面这些边界。

数据是否允许这样用

人类基因组、临床数据和可识别表型需要严格的数据治理。即使是公开数据库，也要看原始同意和使用条款是否覆盖模型训练与再分发。

植物和微生物数据通常没有同样的个人隐私问题，但仍可能涉及育种材料、未公开资源、商业品种和数据库许可证。

模型是否对某些群体系统性失效

训练数据集中在哪些物种、群体、组织或实验平台，会直接影响模型边界。平均性能很好，并不代表长尾群体也可靠。

结果是否可追溯

科研模型至少应该能回答：用了哪个数据版本、哪个代码版本、什么参数、哪次运行。否则“AI 给出的结果”很难进入可重复的科学证据链。

生成结果的责任边界

序列、蛋白和分子生成进入实验之前，需要明确安全评估、知识产权和用途约束。模型能生成，不等于实验室就应该无条件合成。

一个更实用的阅读顺序

以后拿到一篇 AI × Bio 论文，可以按这个顺序读：

问题定义 → 数据来源 → 数据划分 → baseline → 评价指标 → 独立验证 → 模型结构 → 伦理与可重复性。

把模型放到后面，不是低估算法，而是为了先确认算法比较的地基是稳的。