MIT双教授获Pritzker奖：AI发现抗生素里程碑

当AI从下棋、写诗走向发现新抗生素，它不再只是实验室里的酷炫工具，而是直接关乎人类健康的科学引擎。MIT的Regina Barzilay与Jim Collins因在AI驱动药物发现上的开创性合作，共同获得Pritzker奖，表彰他们在AI与科学研究卓越结合上的贡献。

从零到一：首个AI发现的抗生素

两位教授的合作成果指向一个具体的科学突破：识别出首个由AI发现的抗生素。这项成就被广泛视为AI驱动药物发现领域的里程碑。在此之前，抗生素的发现往往依赖大规模筛选和偶然性，周期长、成本高。AI的介入改变了这一范式——通过算法在庞大的化学空间中高效搜索，锁定具有抗菌潜力的分子结构。

这一突破的意义不止于“发现了一种新药”。它证明了机器学习模型可以从海量数据中学习化学规律，并生成可验证的候选分子。据原始报道，该成果已被科学界广泛认可为AI在药物发现中的标志性事件，为后续研究提供了可复制的路径。

化学空间指的是所有理论上可能存在的、具有类药性的小分子化合物的集合。据估算，其规模可达10^60量级，远超可实际合成和筛选的范围。传统高通量筛选通常只能覆盖百万到千万级化合物库，因此在化学空间中如同随机取样。AI方法（如生成模型、图神经网络）的优势在于，它可以从已知化学结构及生物活性数据中学习分布规律，直接在庞大的虚拟空间中生成或优先排序候选分子，从而绕过穷举式筛选，把实验验证集中在最有希望的少数分子上。

跨学科组合：计算与生物医学的碰撞

Regina Barzilay是MIT电气工程与计算机科学系的教授，长期从事自然语言处理和机器学习研究；Jim Collins则是生物工程与医学工程领域的领军人物，在合成生物学和抗生素耐药性研究方面有深厚积累。两人的合作本身就具有象征意义：一边是擅长从复杂数据中提取模式的AI专家，一边是深谙病原体与药物作用机制的生物学家。

这种组合并非简单的“技术+应用”。AI模型需要高质量的生物实验数据来训练，而生物学家需要AI来加速假设生成和候选筛选。据原始报道，正是这种深度协作，才使得AI发现的抗生素能够从计算结果走向实验验证，最终获得科学共同体的认可。

合成生物学的核心思路是把工程化设计原则引入生命系统，通过标准化生物元件和基因线路来改造微生物或构建新的生物功能。在抗生素研究中，合成生物学一方面可用于解析和改造抗生素生物合成基因簇，另一方面可用于构建筛选模型和验证靶点。它与AI的结合点在于：AI负责从数据中提出候选分子或靶点假设，合成生物学则提供可控制、可测量的实验平台来快速验证这些假设，形成计算与实验之间的闭环迭代。

为什么这个奖值得关注

Pritzker奖此次将荣誉授予AI与科学研究的交叉领域，释放了一个明确信号：AI在基础科学中的角色正在被主流学术评价体系接纳。过去，AI研究常被视为“工具性”工作，难以与实验科学比肩；而这次获奖表明，AI驱动的科学发现本身具有独立的价值。

对抗生素耐药性这一全球健康挑战而言，这项工作的意义尤为突出。新抗生素的研发长期面临投入不足和科学瓶颈，AI提供了一条可扩展的新路径。据原始报道，该突破被广泛视为AI驱动药物发现的里程碑，这意味着后续会有更多研究者和资本涌入这一方向。

对AI制药赛道的启示

首个AI发现抗生素的诞生，给AI制药行业提供了一个关键验证点。它说明，AI不仅能加速已知靶点的药物优化，还能在未知化学空间中探索全新结构。对于创业公司和大型药企而言，这意味着研发策略的调整：从“用AI降本增效”转向“用AI开辟新药源”。

当然，从发现到临床应用仍有漫长路程。但奖项的认可本身，就是对这一方向长期价值的背书。两位教授的合作模式也提示，AI与科学的深度融合需要跨学科团队，而非单点技术突破。

（本文基于RSS来源的原始报道撰写，未引入额外数据。）

**抗菌药物耐药性（AMR）**指病原微生物在暴露于抗菌药物后存活并繁殖，导致原本有效的药物失效。其成因包括药物滥用、疗程不规范以及细菌自身的基因突变和水平基因转移。AMR使常见感染变得难以治疗，被世界卫生组织列为全球公共卫生十大威胁之一。开发新型抗生素面临经济与科学双重困境：新药研发周期长、失败率高，而新抗生素又常被限制使用以延缓耐药，导致商业回报不足。AI发现新结构抗生素之所以受到关注，正是因为它可能绕开已知耐药机制，提供全新的化学骨架。