一位研究人员如何利用 Codex 和 ChatGPT 寻找新型抗菌分子
César de la Fuente 和他的实验室在现存和已灭绝生物的基因组中寻找可能有助于对抗耐药感染的分子。
包括细菌、真菌、寄生虫和病毒在内的耐药微生物正日益成为全球威胁。2021 年约有五百万人死亡与细菌抗微生物耐药性相关（在新窗口中打开）——预计到 2050 年，每年的死亡人数将大约翻一番。找到有可能成为抗菌药物的分子可能需要数年时间。研究人员正在利用 AI 加速这一早期发现阶段。
“在我看来，抗微生物耐药性是人类面临的最大生存威胁之一，”César de la Fuente（在新窗口中打开）说，他是一位生物工程师，其跨学科实验室正在寻找抗菌候选物。“然而，我们已经 50 年没有新的抗生素类别了。”
现代抗菌药物开发大多侧重于修改现有药物或搜索熟悉的化学类别。但这种方法带来的回报正在递减。
De la Fuente 的实验室从探索远为不足的地方开始：生命密码。这项工作背后的核心思想是，生物学是一个信息系统。“构成 DNA 的核苷酸，以及构成蛋白质和多肽的氨基酸，有点像一种字母表，”de la Fuente 说。“将生物学视为信息，使我们能够开发出方法，开始破译产生功能性分子的生命组织原则。”
该实验室的深度学习模型经过训练，能够识别生物序列中的模式，从而使其能够在庞大的基因组和蛋白质数据集中搜索潜在的抗菌药物。这种方法可以将候选分子的初步搜索时间从数年缩短到数小时。
除了自己的 AI 模型外，该实验室还使用 ChatGPT 和 Codex 来头脑风暴假设、编写和优化代码、处理数据集、分析结果，并连接跨学科的想法。
基因组中只有一小部分具有明确已知的功能，而编码能够对抗感染性微生物的分子的部分则更少。挑战在于识别使分子具有功能性或生物活性的模式，然后确定哪些具有对抗感染性微生物的潜力。
科学家们长期以来一直在植物、动物、微生物、昆虫、水和土壤中寻找抗菌药物。他们收集样本，分离或预测候选分子，并在一个可能耗时数年的迭代过程中进行测试。
数字基因组和蛋白质数据库现在让科学家能够在整个生命之树中搜索新化合物，极大地扩展了可供探索的数据库广度。但这种信息的丰富也带来了自身的挑战：在数量庞大的可能性中找到有希望的信号。
AI 特别适合这种大海捞针的任务。它可以扫描庞大的数据集，识别研究人员可能难以发现的模式，并优先筛选出一组可管理数量的候选物用于实验测试。
但识别出一个有希望的候选物并不一定意味着它会成为有效的药物。
科学家必须首先确认候选分子能杀死目标微生物，确定有效所需的剂量，并测试它对人体细胞的影响。然后，化学家可能会对其进行优化，以提高其有效性、安全性或稳定性。
进一步的测试评估候选分子在什么剂量下会产生毒性、微生物对其产生耐药性的难易程度，以及候选分子如何在体内移动。团队还要确定一种可靠的分子制造方法。通过这些考验的候选分子在作为获批抗菌药物到达患者手中之前，仍要面临监管审查和临床试验。
对 de la Fuente 来说，这就是为什么 AI 和实验室生物学必须共同进步。“真实实验对于验证 AI 预测至关重要，”他说。“未来几年，如果我们要继续在理解生物学——这是世界上最复杂的事物——方面仅仅触及皮毛，这在生命科学中将至关重要。”
他的实验室探索现存和已灭绝生物的基因组，以寻找候选分子。搜索这些基因组、理解其编码蛋白质如何形成和发挥功能，以及确定这些分子的作用，需要跨越多个领域的专业知识。
“我们是一个高度跨学科的团队，所以有来自生物学、化学、计算机科学、工程学的人，”de la Fuente 说。一些实验室成员是优秀的程序员，但对生物学或化学了解较少，反之亦然。Codex 和 ChatGPT 帮助弥合这些差距，让生物学家能够编写程序，让程序员能够解决生物学问题。从这个意义上说，AI 降低了科学学科之间的障碍。
它帮助实验室成员复习他们跨学科工作所需的不熟悉主题、澄清术语、比较不同领域的方法，并为药物发现整理想法。其他人使用 AI 下载、整理和预处理大型基因组数据集。ChatGPT 还让实验室成员能够用母语工作，降低障碍以加速他们的工作流程。
De la Fuente 将 ChatGPT 用作头脑风暴伙伴。他继续与同事一起发展想法，但他看重 AI 帮助他塑造假设的能力。他也喜欢只需点击按钮就能获取世界上的信息。
“我们的 ChatGPT 工作空间正在接收所有这些不同人的输入，他们对我们要解决的问题有着不同的思考方式，”de la Fuente 说。实验室成员把好想法和坏想法都输入其中，使其成为一种协作式的意见征询平台。
但他告诫不要只依赖 AI。“显然，你必须始终仔细检查准确性，”de la Fuente 说。
尽管如此，他欣赏 AI 帮助研究人员探索科学学科之间边界的能力。“突破正等待着在那里被发现。它们本质上位于很少有人涉足的领域边缘。”
他将这项工作视为更悠久科学传统的一部分。“我们一直依赖工具和机器来理解周围的世界，”de la Fuente 说。“望远镜照亮了宇宙，显微镜揭示了不可见的世界。”机器现在帮助研究人员理解、预测和工程化生物学。“这就是我们工作的全部意义，”他说。
- Codex
- ChatGPT
- 2026