包括细菌、真菌、寄生虫和病毒在内的耐药微生物，正成为日益严重的全球威胁。2021 年约有 500 万例死亡与细菌抗菌药物耐药性相关，预计到 2050 年这一年度死亡人数将大致翻倍。要找到有潜力成为抗菌药物的分子，可能需要数年时间。研究人员正在借助 AI 加速这一发现的早期阶段。
“在我看来，抗菌药物耐药性是人类面临的最大生存威胁之一，”生物工程师 César de la Fuente 说，他的跨学科实验室致力于寻找抗菌候选分子。“然而，我们已经 50 年没有出现新的抗生素类别了。”
现代抗菌药物研发大多集中在改造现有药物，或在熟悉的化学类别中搜索。但这种做法的回报正在递减。
De la Fuente 的实验室则从一个远没那么多人探索过的地方出发：生命的代码。这项工作的核心理念是，生物学是一个信息系统。“组成 DNA 的核苷酸，以及组成蛋白质和肽的氨基酸，有点像是一套字母表，”de la Fuente 说。“把生物学看作信息，使我们得以开发出能够开始解读生命组织原理的方法，正是这些原理催生了具有功能的分子。”
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，从而在庞大的基因组和蛋白质数据集中搜索潜在的抗菌分子。这种方法可以把候选分子的初步搜索从数年缩短到数小时。
除了自己的 AI 模型，实验室还使用 ChatGPT 和 Codex 来头脑风暴提出假设、编写和改进代码、处理数据集、分析结果，并在不同科学学科之间建立联系。
探索生物学尚未解读的空间
基因组中只有一小部分的功能得到了清晰的理解，而编码出能对抗感染性微生物的分子的部分则更少。挑战在于，找出使分子具有功能（即具有生物活性）的模式，然后判断其中哪些有潜力对抗感染性微生物。
长期以来，科学家一直在植物、动物、微生物、昆虫、水和土壤中寻找抗菌药物。他们采集样本，分离或预测候选分子并加以测试，这一迭代过程可能持续数年。
如今，数字化的基因组和蛋白质数据库让科学家能够在整个生命之树上搜索新化合物，可供探索的数据库范围大幅扩展。但信息的丰富也带来了自己的挑战：要在数量庞大的可能性中找到有希望的信号。
AI 尤其适合这种大海捞针式的任务。它可以扫描海量数据集，识别研究人员难以发现的模式，并筛选出数量可控的候选分子供实验测试。
但找到一个有希望的候选分子，并不一定意味着它会成为有效的药物。
科学家必须先确认候选分子能杀死目标微生物，确定有效所需的用量，并测试它对人体细胞的影响。随后，化学家可能会对其进行优化，以提升其有效性、安全性或稳定性。
后续的测试会评估候选分子在什么剂量下产生毒性、微生物对该分子产生耐药性的难易程度，以及候选分子在体内的运行方式。团队还要确定可靠的生产方法。即便通过了这些关卡，候选分子仍要经过监管审查和临床试验，才能作为获批的抗菌药物送达患者。
对 de la Fuente 来说，这正是 AI 与实验室生物学必须共同推进的原因。“真实基准的实验对于验证 AI 的预测至关重要，”他说。“未来几年，这在生命科学领域将是关键，如果我们想继续一点点触及对生物学的理解——它是世上最复杂的事物。”
一位不断进化的合作者
他的实验室在现存和已灭绝生物的基因组中寻找候选分子。要搜索这些基因组、理解其编码的蛋白质如何形成并发挥功能，再判断这些分子有什么作用，需要横跨多个领域的专业知识。
“我们是一个高度跨学科的团队，成员来自生物学、化学、计算机科学和工程学，”de la Fuente 说。有些成员编程很强，但对生物或化学了解较少，反之亦然。Codex 和 ChatGPT 帮助弥合这些差距，让生物学家能够构建程序，也让程序员能够处理生物学问题。从这个意义上说，AI 降低了不同科学学科之间的壁垒。
它帮助实验室成员复习跨学科工作所需的陌生主题、厘清术语、比较不同领域的方法，并梳理药物发现的思路。另一些人则用 AI 下载、整理和预处理大型基因组数据集。ChatGPT 还让实验室成员可以用母语工作，降低了障碍，加快了工作流程。
De la Fuente 把 ChatGPT 当作头脑风暴的伙伴。他仍会和同事一起完善想法，但很看重 AI 帮他塑造假设的能力。他还喜欢只需轻点一下就能获取全世界的信息。
“我们的 ChatGPT 工作区接收来自所有这些人的输入，他们对我们要解决的问题有着各不相同的思考方式，”de la Fuente 说。实验室成员把好想法和坏想法都丢给它，使它成为一种协作式的交流对象。
但他提醒不要只依赖 AI。“显然，你必须始终仔细核对其准确性，”de la Fuente 说。
尽管如此，他仍欣赏 AI 帮助研究人员探索科学学科边界的能力。“突破正等待着在那里被发现。它们基本上位于学科之间的边缘地带，那里几乎没有人去。”
他把这项工作看作漫长科学传统的一部分。“我们一直依靠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。”如今，机器帮助研究人员理解、预测并设计生物学。“这就是我们工作的全部意义，”他说。