研究人员如何使用 Codex 和 ChatGPT 寻找新型抗微生物分子

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性威胁。2021 年约有 500 万例死亡与细菌的抗微生物药物耐药性相关⁠（在新窗口中打开），预计到 2050 年，这一年度死亡人数将接近翻倍。寻找有望成为抗微生物药物的分子可能需要数年时间。研究人员正利用 AI 加快这一早期发现阶段。

跨学科实验室致力于寻找抗微生物候选分子的生物工程师 César de la Fuente⁠（在新窗口中打开） 表示：“在我看来，抗微生物药物耐药性是人类面临的最大生存威胁之一。然而，50 年来一直没有出现新的抗生素类别。”

现代抗微生物药物研发大多侧重于改造现有药物，或在熟悉的化合物类别中寻找新药。但这种方法的回报正不断递减。

De la Fuente 的实验室则从一个远未得到充分探索的领域入手：生命密码。这项工作的核心理念是，生命系统本质上是一个信息系统。de la Fuente 说：“构成 DNA 的核苷酸，以及构成蛋白质和肽的氨基酸，有点像一套字母表。将生命系统视为信息，让我们得以开发相关方法，开始解读生命的组织原理，正是这些原理造就了具有功能的分子。”

该实验室训练深度学习模型来识别生物序列中的模式，从而在海量基因组和蛋白质数据集中搜寻潜在的抗微生物药物。这种方法可将候选分子的初步筛选从数年缩短至数小时。

除了自有 AI 模型，该实验室还使用 ChatGPT 和 Codex 构思假设、编写和优化代码、处理数据集、分析结果，并将不同科学学科的思路联系起来。

一个基因组中，只有一小部分的功能已得到明确认识，而能编码出可对抗传染性微生物的分子的部分更是少之又少。挑战在于识别哪些模式能使分子具备功能或生物活性，再判断其中哪些分子有望对抗传染性微生物。

长期以来，科学家一直从植物、动物、微生物、昆虫、水和土壤中寻找抗微生物药物。他们采集样本，分离或预测候选分子，再进行测试；这一反复迭代的过程可能耗时数年。

如今，数字化基因组和蛋白质数据库让科学家能够在整个生命之树中寻找新化合物，大幅拓宽了可供探索的数据范围。但海量信息也带来了新的挑战：如何从无数种可能性中找出有希望的信号。

AI 尤其适合完成这种大海捞针式的任务。它可以扫描海量数据集，识别研究人员可能难以察觉的模式，并筛选出数量可控的优先候选分子进行实验测试。

但发现有潜力的候选分子，并不意味着它必然能成为有效药物。

科学家首先必须确认候选分子能够杀死目标微生物，确定其有效剂量，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，以提高有效性、安全性或稳定性。

进一步测试会评估候选分子产生毒性的剂量、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转运方式。团队还需要确定一种可靠的分子生产方法。即便候选分子通过了这些考验，仍须接受监管审查和临床试验，才能获批成为抗微生物药物并用于患者。

对 de la Fuente 而言，这正是 AI 与实验室生物学必须协同发展的原因。他说：“基于真实实验的验证对于检验 AI 预测至关重要。生物学是现存最复杂的事物。如果未来几年我们想继续揭开它的冰山一角，这一点对生命科学将至关重要。”

他的实验室从现生和已灭绝生物的基因组中寻找候选分子。搜索这些基因组、了解其编码蛋白质如何形成和发挥作用，以及确定这些分子的功能，需要横跨多个领域的专业知识。

de la Fuente 说：“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等领域。”一些实验室成员编程能力很强，但对生物学或化学了解较少，反之亦然。Codex 和 ChatGPT 帮助弥合这些知识差距，使生物学家能够开发程序，也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壁垒。

它帮助实验室成员了解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，并梳理药物发现思路。还有一些成员使用 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使用母语工作，从而减少阻碍，加快工作流程。

De la Fuente 将 ChatGPT 当作头脑风暴伙伴。他仍会与同事共同完善想法，同时也很看重 AI 帮助他构建假设的能力。他也很喜欢只需点击一下，就能获取全世界的信息。

de la Fuente 说：“我们尝试解决问题时，思路各不相同的成员都会为 ChatGPT 工作空间提供意见。”实验室成员会把好点子和坏点子都交给它，让它成为一种用于集思广益的协作平台。

但他提醒，不应只依赖 AI：“显然，你必须始终复核信息是否准确。”

尽管如此，他仍很欣赏 AI 帮助研究人员探索科学学科边界的能力。“突破正等待人们在那里发现。它们往往就在不同领域的交界处，而那里鲜有人涉足。”

他认为，这项工作延续了源远流长的科学传统：“我们一直依靠工具和机器来了解周围的世界。望远镜照亮了宇宙，显微镜则揭示了不可见的世界。”如今，机器正在帮助研究人员理解、预测和设计生物系统。他说：“这正是我们工作的全部意义。”