AI抗菌分子发现：用Codex与ChatGPT挖掘新型抗菌肽

抗生素耐药性危机：为何需要AI介入

抗生素耐药性正在成为全球公共卫生领域最紧迫的威胁之一。据世界卫生组织估计，若不采取有效措施，到2050年每年因耐药性感染死亡的人数可能超过千万。然而，传统抗菌药物研发周期漫长、成本高昂，新药上市的速度远远跟不上细菌进化的步伐。

在这样的背景下，宾夕法尼亚大学César de la Fuente教授领导的实验室提出了一条全新路径：借助OpenAI的Codex和ChatGPT，从现存生物乃至已灭绝物种的基因组中，系统性地挖掘潜在的抗菌分子候选。这不是简单地把AI当作实验室助手，而是将其深度嵌入科学发现的核心流程之中。

How a researcher uses Codex and ChatGPT to search for new antimicrobial molecules

de la Fuente实验室的核心思路是：自然界中的蛋白质序列里，可能隐藏着大量尚未被发现的抗菌肽（Antimicrobial Peptides，AMPs）。这些短小的氨基酸片段具备杀灭或抑制细菌的潜力，是对抗耐药菌的重要武器。

然而，基因组和蛋白质组数据的规模极其庞大——涵盖了地球上现存生物的海量序列，甚至还包括通过古DNA技术重建的已灭绝物种的基因信息。人工逐一分析这些数据几乎是不可能完成的任务。

这正是Codex和ChatGPT发挥作用的地方。研究人员利用这些AI工具来编写和优化处理海量生物数据的代码，加速从原始序列中识别、提取和评估潜在抗菌肽候选的过程。

这种"人机协作"模式的价值在于：科学家可以将精力集中在提出假设、设计实验和解读结果上，而将重复性、计算密集型的工作交给AI，从而大幅提升研究效率。

值得特别关注的是，de la Fuente实验室不仅在现存生物的基因组中搜索，还将目光投向了已灭绝的物种。这一被称为"分子灭绝组"（Molecular De-extinction）的研究方向颇具创新性。

通过重建猛犸象、古人类等灭绝生物的蛋白质序列，研究者得以在一个全新的、未被现代药物开发触及的"化学空间"中寻找抗菌分子。这些远古序列在漫长的进化过程中可能演化出了与现代生物截然不同的抗菌机制，从而为对抗当代耐药菌提供全新思路。

AI在这里的作用尤为关键——重建和分析古老序列需要处理更为复杂、残缺的数据，而生成式AI工具能够帮助研究者更快地在这片"未知领域"中筛选出有前景的候选分子。

de la Fuente实验室的实践反映了一个更宏观的趋势：生成式AI正在从辅助编程工具，逐步演变为科学研究的深度参与者。在生物医药领域，AI不仅能加速药物筛选，还能在假设生成、数据建模和实验设计等环节提供支持。

这种转变的意义在于：它降低了跨学科研究的技术门槛。一位生物学家不再需要成为编程专家，就能借助Codex快速实现复杂的数据处理需求；而ChatGPT则像一位随时在线的研究助理，帮助梳理思路、排查问题。

当然，AI在科学发现中的应用也需要保持审慎。AI生成的候选分子最终仍需通过严格的实验室验证和临床试验才能确认其安全性与有效性。AI能够极大缩小搜索范围、提升效率，但无法替代真实的生物学验证。

此外，AI工具本身也可能产生错误或"幻觉"，研究者必须以科学严谨的态度对待AI的输出，将其作为加速探索的起点，而非最终答案。

César de la Fuente实验室的工作是生成式AI赋能生命科学的一个生动缩影。面对抗生素耐药性这一全球性挑战，将Codex和ChatGPT等AI工具与前沿的生物信息学方法相结合，为加速新型抗菌药物的发现开辟了一条充满希望的道路。

从现存生物到灭绝物种，从海量基因组数据到具体的抗菌肽候选，AI正在帮助人类以前所未有的速度和广度探索生命的化学奥秘。这不仅是技术层面的突破，更预示着一种由AI深度参与的科学研究新范式正在加速成型。