bingdada研究者利用深度学习模型扫描基因组和蛋白质序列，将抗菌候选分子的初始搜索从数年压缩到数小时。ChatGPT 和 Codex 则帮助跨学科团队完成头脑风暴、代码编写和数据分析，但 AI 预测仍需实验室验证才能转化为药物候选。
全球每年与细菌耐药性相关的死亡人数已高达数百万，世界卫生组织（WHO）将抗微生物药物耐药性列为十大全球公共卫生威胁之一。更令人担忧的是，自上世纪八十年代以来，全新类别的抗生素迟迟未能问世，而现有药物正被耐药菌逐一突破。
传统研发路径要么对已有药物进行化学修饰，要么在已知化合物类别中反复筛选，回报率持续走低。正是在这一背景下，计算生物学与人工智能的交叉应用开始受到密集关注。宾夕法尼亚大学的生物工程师塞萨尔·德拉富恩特（César de la Fuente）及其跨学科团队，尝试了一条截然不同的路线：把生物体本身视为一套信息系统，用深度学习模型去“阅读”基因组和蛋白质序列中潜藏的抗菌线索。
德拉富恩特团队的核心假设并不复杂：DNA 中的核苷酸序列、蛋白质中的氨基酸序列，本质上类似于一种字母表。既然生命使用一套可被形式化描述的语言，那么机器学习模型就有可能从中找出“什么样的序列组合更可能产生有功能的抗菌分子”。
这一思路的价值在于，它把候选分子的初始搜索从实验室的物理筛选，部分转移到了数字空间。传统方法需要采集样本、分离或预测候选物、再反复实验验证，整个过程可能耗费数年。而深度学习模型可以在海量基因组和蛋白质数据集中识别模式，将初步筛选的时间从数年压缩到数小时量级。
值得注意的是，这类方法并非要取代实验室工作。德拉富恩特本人反复强调，真实实验验证是 AI 预测不可或缺的闭环环节。一个候选分子即便在模型中得分很高，仍需经过杀灭目标微生物的能力测试、有效剂量确定、对人体细胞影响的评估，以及后续的化学优化、毒性测试、耐药性评估和药代动力学研究。整个链条中任何一环失败，候选分子都无法进入临床。
在德拉富恩特实验室，AI 工具的使用方式颇为务实。团队除了自研深度学习模型外，还借助 ChatGPT 和 Codex 完成假设头脑风暴、代码编写与调试、数据集处理、结果分析，以及跨学科概念之间的连接。
这个实验室的成员来自生物学、化学、计算机科学和工程学等多个领域。部分成员编程能力强但生物学背景较浅，另一些人则相反。Codex 和 ChatGPT 在中间起到了“翻译层”的作用：生物学家可以借助 AI 搭建程序原型，程序员也能更快理解生物学问题的约束条件。
具体而言，团队成员用 AI 完成以下工作：
德拉富恩特把 ChatGPT 描述为一种“头脑风暴伙伴”。他仍然依赖与同事的讨论来打磨假设，但 AI 提供了一种快速整理思路、随时调取全球信息的便捷方式。同时他也明确提醒：AI 输出必须经过准确性核查，不能单独作为决策依据。
该实验室的一个显著特点是，其搜索范围不仅涵盖现存生物，还包括已灭绝物种的基因组信息。数字化基因组和蛋白质数据库的扩张，使得研究人员可以在“生命之树”的更大范围内寻找新的化合物。
但数据量的膨胀也带来新问题：如何在数量庞大的可能性中识别真正有意义的信号？这正是 AI 的强项所在——它能够扫描超大规模数据集，发现人眼难以察觉的模式，并将候选列表压缩到实验可验证的规模。
从更宏观的视角看，这条路径的意义不仅在于寻找某一类新药。它代表了一种研发范式的迁移：从依赖偶然发现和大量试错，转向以信息科学为基础、以 AI 为筛选引擎、以实验验证为闭环的系统化发现流程。
在全球 AI 驱动药物发现的浪潮中，中国研究机构和企业也在积极布局。国内多所高校和科研院所在抗菌肽预测、基因组挖掘方向发表了大量工作，部分团队利用深度学习模型从微生物基因组中筛选候选抗菌肽，并在实验室中验证其活性。
在工具层面，国产大模型如 DeepSeek、通义千问、文心一言、智谱 GLM 等，正在被越来越多的科研人员用于文献理解、代码辅助和数据分析流程的搭建。与 OpenAI 的 Codex 和 ChatGPT 相比，这些工具在中文语境下的术语理解和本地化支持方面具有一定优势，但在跨学科知识整合的广度和生态成熟度上仍在快速追赶。
一个值得关注的差异是，国内在 AI 制药领域的投入更多集中在商业化管线和小分子筛选平台，而像德拉富恩特实验室这样从“生物学即信息系统”这一基础假设出发、横跨灭绝基因组与现存生物的大规模探索，仍相对少见。这既是差距，也意味着机会。
德拉富恩特团队的工作提供了一个清醒的样本：AI 在生命科学中的价值，不在于替代实验，而在于压缩搜索空间、降低跨学科协作门槛、加速假设迭代。抗菌药物研发的困境不会因为某一个模型的出现而瞬间消解，但当信息科学的方法论真正融入实验室的日常流程，发现的速度和广度都有可能被重新定义。
对于关注 OpenAI News 的读者而言，这一案例也提示了一个更广泛的趋势：AI 工具正在从通用对话场景，向高度专业化的科研工作流渗透，而真正决定成败的，仍然是领域知识与实验验证的紧密结合。
AI 本身不能直接“发现”药物，但它可以从海量基因组和蛋白质数据中筛选出有潜力的候选分子，大幅缩短早期搜索时间。候选分子仍需经过实验室验证、化学优化和临床前研究，才能判断是否具备成药可能。
在本案例中，它们被用于头脑风暴假设、编写和调试代码、处理基因组数据集、分析结果，以及帮助不同学科背景的成员理解彼此领域的术语和方法。它们起到的是协作加速器的作用，而非替代研究者判断。
AI 预测的候选分子必须通过真实实验确认其杀菌能力、有效剂量和对人体细胞的影响。没有实验验证，AI 输出只是统计上的可能性，无法转化为可靠的药物候选。
Bingdada 是一个专注 SEO、GEO（生成式引擎优化）与 AEO（答案引擎优化）的内容平台，由资深内容编辑、SEO 技术工程师与 AI 研究专家组成的团队持续运营。我们追踪搜索引擎与生成式 AI 的最新动态，为读者提供准确、实用、可落地的方法论与行业洞察。
编辑团队：内容策划 · 技术编辑 · AI 研究组
网站：bingdada.com
© 2026 Bingdada. 保留所有权利。
Put your brand in the reader feed
In-article ad slots: high-attention moments perfect for product launches and event recruitment.
SEO & GEO 技术探索者，专注于搜索引擎优化和生成式引擎优化。
OpenAI 发布 Astra for Law，将 GPT-6 Astra 与法律搜索索引、专业指令和治理工具整合，面向律所提供 AI 基础底座。本文分析其技术架构、性能数据、隐私治理及对国内法律 AI 的启示。
国际律所 Cooley 基于 ChatGPT Work 打造 GO Public，用代理编排层重构 IPO 准备流程：AI 负责信息梳理，律师专注判断与决策。本文解析其运作逻辑，并对比国内法律 AI 的落地路径。
OpenAI 与 AARP 旗下 OATS 合作，在美国10座城市为老年人开设免费 ChatGPT 线下工作坊，课程兼顾日常应用与防诈骗教育，为AI普惠提供了可复制的社区样本。
Get the latest SEO & GEO insights.
We respect your privacy. You can unsubscribe at any time.
