ChatGPT与Codex加持：AI将抗生素筛选缩至数小时

耐药菌感染已成为全球日益严峻的公共卫生危机。2021年，全球约有500万人死因与细菌耐药性相关，预计到2050年这一数字还将翻倍。然而，传统药物研发耗时漫长，人类已有近半个世纪未曾发现全新类别的抗生素。如今，科研人员正借助 AI 力量加速破解这一生存威胁。

宾夕法尼亚大学生物工程师 César de la Fuente 主导的跨学科实验室正开辟一条全新路径。与其在已知化学结构上做微调，他的团队直接从“生命的底层代码”入手，将生物学视为一套完整的信息系统。构成 DNA 的核苷酸与组成蛋白质的多肽，如同文字系统中的字母，生命组织规律正是生成功能分子的底层语法。

基于这一构想，该团队训练了能够识别生物序列模式的深度学习模型，在海量基因组与蛋白质数据库中搜索潜在抗菌分子。这种方法将候选分子的早期筛选周期从原本的数年大幅压缩至短短几小时。

在自研算法之外，实验室还将 ChatGPT 和 Codex 深度融入日常科研流程，用于提出实验假设、编写与优化代码、清洗大规模数据集以及贯通跨学科知识。

在“生命之书”中大海捞针

在浩瀚的基因组中，人类完全理解功能的片段寥寥无几，具备抗感染潜力的分子更是极少数。传统上，科学家通过采集动植物、微生物甚至土壤样本，再进行反复分离与活性测试，整个过程繁重且低效。

数字基因组与蛋白质数据库打破了物理样本采集的限制，但也带来了“信息过载”的新难题——如何在海量可能性中精准捕捉微弱的活性信号。AI 恰好擅长此类大海捞针的任务。它能迅速扫描庞大数据集，敏锐识别科研人员难以察觉的隐性特征，并圈定最具潜力的测试样本。

不过，算法预测只是新药研发的第一步。候选分子是否能在体外杀灭目标病原体、对人体细胞是否安全、是否容易引发耐药、体内代谢特征如何，依然需要严格的实验室湿实验验证，随后还要历经化学结构优化与漫长的临床试验。de la Fuente 强调，真实实验是对 AI 预测结果的关键校验，唯有计算模型与生物实验紧密协同，才能真正推进对复杂生命机制的理解。

打破学科壁垒的智能搭档

该实验室探索的基因组涵盖现生与已灭绝生物，研发涉及生物学、化学、计算机科学和工程学等多个领域。团队成员背景各异，擅长编程的成员往往欠缺生化知识，而生物学家起初也并不熟悉编写代码。

Codex 与 ChatGPT 充当了跨学科沟通的桥梁。生物学家能够借助 AI 编写数据分析程序，程序员也能借助大语言模型快速理解生化专业术语与机制。此外，多语言支持功能还帮助非英语母语的研究人员扫清了交流障碍。

de la Fuente 将 ChatGPT 视为全天候的头脑风暴伙伴，实验室成员无论产生何种假设，都可以将其输入工作空间进行推演与讨论。尽管他提醒科研人员必须时刻对 AI 输出做严谨复核，但不可否认，AI 正在显著拓宽传统学科的交界地带。正如望远镜让宇宙清晰可见、显微镜揭开微观世界一样，AI 正在成为人类理解、预测乃至工程化生命系统的新型基础设施。