用 ChatGPT + AlphaFold 给狗设计 mRNA 癌症疫苗，肿瘤缩小 75%——一个程序员拯救爱犬的故事

> 来源: https://www.theaustralian.com.au/business/technology/tech-boss-uses-ai-and-chatgpt-to-create-cancer-vaccine-for-his-dying-dog/news-story/292a21bcbe93efa17810bfcfcdfadbf7

> 详细报道: https://awesomeagents.ai/news/ai-mrna-vaccine-dog-cancer-rosie/

> UNSW 报道: https://www.unsw.edu.au/news/2025/06/paul-turns-to-ai-to-save-his-dog-from-terminal-cancer

> 日期: 2026-03-14

📌 一句话总结

悉尼 AI 创业者 Paul Conyngham 用 ChatGPT 规划研究路径 + AlphaFold 预测蛋白结构 + 自定义 ML 筛选新抗原，为他身患绝症的救助犬 Rosie 设计了个性化 mRNA 癌症疫苗。UNSW 实验室 2 个月内生产完成，注射后 1 个月肿瘤缩小 75%。这是全球首例为狗设计的个性化 AI 癌症疫苗。

🐕 故事背景

角色	信息
主人	Paul Conyngham，悉尼 AI 顾问，Core Intelligence 创始人，17 年 ML/数据科学经验
Rosie	斯塔福-沙皮混血，2019 年从收容所领养，7 岁
诊断	2024 年确诊肥大细胞癌（犬类最常见皮肤癌），后腿出现大肿瘤
常规治疗	多次手术 ❌ → 化疗 ❌ → 免疫治疗 ❌ → 只能减缓，无法治愈
预后	兽医估计剩余 1-6 个月

Paul 不愿放弃，决定用自己最擅长的工具——AI——来搏一搏。

🧬 AI 疫苗设计全流程


肿瘤活检 → DNA 测序（UNSW Ramaciotti 基因组中心）
    ↓
对比肿瘤 DNA vs 健康细胞 DNA → 找到驱动癌症的突变
    ↓
ChatGPT → 规划研究路径 + 建议免疫治疗方向 + 辅助分析基因数据
    ↓
AlphaFold → 预测突变蛋白的 3D 结构
    ↓
自定义 ML 算法 → 从突变中筛选最可能触发免疫反应的"新抗原"
    ↓
输出：半页纸的 mRNA 序列配方
    ↓
UNSW RNA Institute（Pall Thordarson 主任）→ 2 个月内合成 mRNA 疫苗
    ↓
University of Queensland（Rachel Allavena）→ 伦理审批 + 注射

三个 AI 工具的分工

AI 工具	角色	具体做了什么
ChatGPT	研究助手	规划整个管线、建议基因组测序方向、辅助数据分析、迭代疫苗设计
AlphaFold	结构预测	预测突变蛋白的 3D 结构（判断哪些突变暴露在蛋白表面，免疫系统能"看到"）
自定义 ML	新抗原筛选	从数百个突变中选出最有可能触发免疫反应的靶点

> "We took her tumour, sequenced the DNA, we converted it from tissue to data, and we used that to find the problem in her DNA and then develop a cure based off that. ChatGPT assisted throughout that entire process."

> — Paul Conyngham

📊 结果

好消息

2025 年 12 月：首次注射 + 加强针
约 1 个月后：目标肿瘤缩小 75%
2026 年 1 月：Rosie 跳过围栏追兔子——生病期间已经做不到的事

科学家的反应

科学家	机构	反应
Martin Smith	UNSW 计算生物学副教授	"Holy crap, it worked!"
David Thomas	UNSW 分子肿瘤学中心主任	"A very impressive thing"
Kate Michie	UNSW 结构生物学家	"Encouraging that a non-scientist could execute such a pipeline"
Pall Thordarson	UNSW RNA Institute 主任	"The first personalized cancer vaccine designed for a dog"

需要注意的

⚠️ 同一只狗的另一个肿瘤没有缩小 — 说明方法有局限性
⚠️ n=1 — 单一案例，不是临床证据
⚠️ AI 没有"独立设计"疫苗 — 人类判断 + 专业团队不可或缺

🤔 冷静分析

这个故事真的很好，但…

已证实	未证实
✅ AI 辅助管线确实能工作	❌ 是否可重复（n=1）
✅ 真实机构、真实审批、真实肿瘤响应	❌ 长期疗效（刚注射 3 个月）
✅ 从诊断到注射只需几个月	❌ 对不同肿瘤/犬种的效果
✅ 成本可能比传统药物开发低几个数量级	❌ 安全性（样本太小）
✅ 非专业背景的人可以执行	❌ 规模化和监管路径

关键洞察

1. 速度是最大的突破：传统个性化癌症疫苗从实验室到注射需要 1-2 年，这里只用了几个月。AI 压缩了文献综述、靶点筛选、结构预测的时间

2. 兽医 vs 人类：之所以能这么快，部分原因是兽医实验治疗的监管比人类轻得多。没有 FDA 三期临床试验要求

3. "公民科学"的可能性：一个没有生物医学学位的程序员，用公开可用的 AI 工具完成了通常需要专业研究团队做的事

4. mRNA 平台的灵活性：mRNA 技术（COVID 疫苗的同一技术）可以快速定制——给你一个序列，2 个月就能出产品

对人类癌症治疗的启示

个性化癌症疫苗（neoantigen vaccine）在人类身上已经有一些进展：

Moderna + Merck：mRNA-4157/V940（黑色素瘤个性化疫苗）已在 III 期临床
BioNTech：BNT111（黑色素瘤）已在 II 期

Paul 的方法跟这些药企的方法原理一样——测序 → 找新抗原 → 做 mRNA 疫苗。区别是他用 AI 加速了靶点筛选过程，并且在监管更宽松的兽医领域先验证了。

💡 与我们的关联

1. AI 作为"研究加速器"

这是一个教科书级的"AI augmented human"案例——不是 AI 替代医生，而是 AI 让一个有 ML 背景但没有生物医学训练的人能够执行复杂的生物信息学管线。这跟我们用 AI 做深度研究是同一个思路。

2. ChatGPT 的真实价值

ChatGPT 在这里不是"写论文"或"生成内容"，而是：

规划研究路径（"你应该做基因组测序"）
辅助数据分析（"这些突变中哪些最重要"）
迭代设计（"这个 mRNA 序列有没有问题"）

→ 这才是 LLM 的高价值应用场景。

3. "组织 → 数据 → 代码 → 疗法"

Paul 的一句话总结了整个范式转变：

> "We converted it from tissue to data"

从生物问题转化为数据问题，然后用 AI 工具解决——这个思维方式适用于很多领域。

4. 个人行动力

没有等药企做临床试验，没有等政府审批，一个人带着 ChatGPT 和 AlphaFold 就干了。这种"不等不靠"的精神本身就很 hacker。

📖 科学原理：mRNA 癌症疫苗是怎么起作用的？

三步机制

① 注射 mRNA → 细胞翻译成蛋白

mRNA 是一段"指令"，注射进体内后被细胞吸收，细胞的核糖体读取这段指令，翻译出对应的蛋白质片段（抗原）。

COVID 疫苗：mRNA 编码的是新冠病毒的刺突蛋白
Rosie 的疫苗：mRNA 编码的是她的肿瘤特有的突变蛋白（新抗原/neoantigen）

② 免疫系统识别 → "这不是自己人"

翻译出的蛋白片段被展示在细胞表面（通过 MHC 分子）。免疫系统的 T 细胞巡逻时看到这些"异常蛋白"→ 判定为外来入侵者 → 启动免疫攻击。

关键点：肿瘤细胞之所以能逃过免疫系统，是因为它们"看起来太像正常细胞了"。疫苗的作用是提前教会免疫系统认识肿瘤的独特标记。

③ T 细胞杀死肿瘤

被"教育"过的 T 细胞（尤其是 CD8+ 杀伤性 T 细胞）在全身巡逻，遇到表面带有同样突变蛋白的肿瘤细胞 → 直接杀死。


mRNA 注射 → 细胞翻译出肿瘤突变蛋白
    → 免疫系统学会识别这个蛋白
    → T 细胞去全身搜索带这个蛋白的细胞
    → 找到肿瘤细胞 → 杀死

为什么要"个性化"？

每只狗（每个人）的肿瘤突变都不同。Rosie 的肿瘤有 Rosie 特有的突变 → 所以必须测序 Rosie 的肿瘤 DNA → 找到Rosie 独有的突变蛋白 → 针对性设计 mRNA。

这就是 AI 发挥作用的地方：

一个肿瘤可能有几百个突变
不是每个突变都暴露在细胞表面（免疫系统看不到的没用）
AlphaFold 预测哪些突变蛋白暴露在表面
ML 算法预测哪些最能激发免疫反应
最终从几百个候选中选出最佳靶点

为什么另一个肿瘤没缩小？

很可能是因为那个肿瘤的突变谱不同，或者它的微环境抑制了 T 细胞进入（叫"冷肿瘤"——免疫细胞进不去）。这也是为什么需要多靶点疫苗 + 可能联合其他疗法。

mRNA 平台的核心优势

传统疫苗	mRNA 疫苗
需要培养病原体/蛋白	只需要一段序列（半页纸）
生产周期：月-年	生产周期：周
改一个靶点要重来	改序列就行，平台不变
固定配方	可以个性化定制

这就是为什么 Paul 从拿到序列到疫苗成品只用了 2 个月——mRNA 平台的灵活性是关键。

每个人的肿瘤突变都不一样吗？

是的，几乎每个人（每只动物）的肿瘤突变组合都是独一无二的。这是癌症最麻烦的地方之一。

两层突变

驱动突变（Driver Mutations）— 少量共有的

有一小部分突变是很多人共有的，叫"驱动突变"——它们是启动癌症的"开关"：

BRCA1/2 突变 → 乳腺癌/卵巢癌
KRAS 突变 → 肺癌/胰腺癌/结直肠癌
TP53 突变 → 几乎所有癌症类型

这些是"公共靶点"，传统靶向药物（赫赛汀、奥拉帕尼等）就是针对这些共有突变。

乘客突变 + 新抗原（Passenger Mutations / Neoantigens）— 每个人不同

肿瘤在生长过程中会不断积累随机突变（因为癌细胞的 DNA 修复机制出了问题）：

每个人的组合完全不同
同一个人身上不同部位的肿瘤也可能不同
甚至同一个肿瘤内部不同区域的突变也有差异（叫"肿瘤异质性"）

Paul 给 Rosie 做的疫苗，靶向的就是这些独特的突变蛋白。

不同癌症的突变数量

癌症类型	平均突变数/肿瘤
黑色素瘤	~200 个
肺癌（吸烟者）	~150 个
结直肠癌	~60 个
乳腺癌	~40 个
儿童白血病	~10 个

→ 突变越多的癌症，可选的新抗原靶点越多，个性化疫苗越有优势。这也是为什么黑色素瘤是 mRNA 癌症疫苗最先突破的领域（Moderna/BioNTech 都在做）。

所以为什么癌症这么难治？

1. 每个人不同 → 不能用一种药治所有人

2. 肿瘤内部不同 → 一种疫苗可能只杀掉部分癌细胞

3. 会进化 → 肿瘤在治疗压力下会产生新突变，逃避免疫攻击（叫"免疫逃逸"）

这也解释了为什么 Rosie 的一个肿瘤缩小了 75%，但另一个没有——两个肿瘤的突变谱可能不同，疫苗只靶向了其中一个的突变。

个性化疫苗的理想方案


测序肿瘤 → AI 分析所有突变 → 选 10-20 个最佳靶点 → 做成一支疫苗
    → 如果有肿瘤逃逸 → 再测序 → 更新疫苗（mRNA 平台几周就能改）

这就是为什么 mRNA + AI 的组合被认为是癌症治疗的未来——快速个性化 + 快速迭代。

关键术语

术语	解释
mRNA	信使核糖核酸，细胞用来翻译蛋白质的"指令条"
新抗原（Neoantigen）	肿瘤突变产生的异常蛋白，正常细胞没有，是免疫系统的"靶心"
MHC 分子	主要组织相容性复合体，细胞用来"展示"内部蛋白给免疫系统看的"展示架"
CD8+ T 细胞	杀伤性 T 细胞，免疫系统的"特种兵"，专门杀死异常细胞
肥大细胞癌	来源于肥大细胞（免疫细胞的一种）的恶性肿瘤，犬类最常见的皮肤癌
AlphaFold	DeepMind 的蛋白质结构预测 AI，可以从氨基酸序列预测蛋白的 3D 形状
冷肿瘤	缺乏免疫细胞浸润的肿瘤微环境，T 细胞进不去，免疫治疗效果差

📊 评分

维度	评分（/10）
故事性	10 — 绝对的好故事
科学可信度	7.5 — 真实机构+真实结果，但 n=1
技术深度	8.0 — ChatGPT + AlphaFold + 自定义 ML，完整 pipeline
话题热度	9.5 — Reddit/HN/主流媒体刷屏
与我们的关联	7.0 — AI 增强人类能力的范例
综合	8.5

报告由深度研究助手自动生成 | 2026-03-15

来源: https://www.theaustralian.com.au/business/technology/tech-boss-uses-ai-and-chatgpt-to-create-cancer-vaccine-for-his-dying-dog/news-story/292a21bcbe93efa17810bfcfcdfadbf7