研究者如何使用Codex和ChatGPT搜索新型抗菌分子

# 研究人员如何利用Codex与ChatGPT探索新型抗菌分子 来源：https://openai.com/index/using-codex-chatgpt-to-search-for-new-antimicrobials/ 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峻的全球性威胁。2021年约有五百万例死亡与细菌抗生素耐药性相关(https://www.thelancet.com/journals/lancet/article/PIIS0140-6736(24)01867-1/fulltext)，预计到2050年，这一年度致死人数将翻倍。寻找具有成为抗菌药物潜力的分子往往需要数年时间，而研究人员正运用人工智能加速这一早期发现阶段。 “在我看来，抗生素耐药性是人类面临的最严峻生存威胁之一，”生物工程师塞萨尔·德拉富恩特(https://www.linkedin.com/in/cesardelafuentenunez)表示。他的跨学科实验室致力于寻找抗菌候选分子，“然而，我们已经五十年没有开发出新型抗生素了。” 现代抗菌药物研发主要聚焦于改造现有药物或筛选熟悉的化学物质类别，但这种方法的成效正逐渐递减。 德拉富恩特实验室选择了一条鲜为人知的路径：生命代码。其核心理念在于将生物学视为信息系统。“构成DNA的核苷酸与组成蛋白质和氨基酸的元素，就像一套字母系统，”德拉富恩特解释道，“将生物学视为信息，使我们能够开发解码生命组织原则的方法，从而发现具有功能性的分子。” 实验室的深度学习模型通过训练识别生物序列模式，能够从海量基因组与蛋白质数据库中搜索潜在抗菌分子。这种方法能将候选分子的初始搜索时间从数年缩短至数小时。 除自有AI模型外，该实验室还利用ChatGPT和Codex进行假设构思、代码编写与优化、数据处理、结果分析以及跨学科思想融合。 ## 探索生物学的未知领域 基因组中仅有极小部分功能被明确解析，能编码抗感染分子的则更少。关键在于识别赋予分子功能性或生物活性的模式，并确定哪些分子具有对抗感染性微生物的潜力。 科学家长期在动植物、微生物、昆虫、水体及土壤中寻找抗菌物质。他们通过采样、分离或预测候选分子，再进行迭代测试，这一过程往往需要数年。 如今，数字化的基因组与蛋白质数据库使科学家能够在全球生命树中搜寻新化合物，极大拓展了可探索的数据库范围。但海量信息也带来新挑战：如何在无数可能性中找到有希望的信号。 人工智能尤其擅长这种"大海捞针"的任务。它能扫描庞大数据集，识别人类研究者可能忽略的模式，并筛选出一批适合实验测试的候选对象。 然而，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。 科学家首先需确认候选分子能杀死目标微生物，确定其有效剂量，并测试对人体细胞的影响。化学家随后可能对其优化以提升疗效、安全性或稳定性。 后续测试还需评估分子的毒性剂量、微生物产生耐药性的速率，以及分子在人体内的代谢过程。团队还需确定可靠的分子生产工艺。即使通过这些关卡，候选药物在正式作为获批抗菌药物应用于患者前，仍需接受监管审查与临床试验。 对德拉富恩特而言，这正是人工智能与实验室生物学必须协同发展的原因。“验证AI预测需要真实的实验数据，”他说，“未来数年，若想继续探索人类对生物学这一最复杂事物的认知前沿，这种验证将至关重要。” ## 不断进化的协作伙伴 他的实验室从现存及已灭绝生物的基因组中探寻候选分子。搜索这些基因组、理解编码蛋白质的形成与功能、确定分子作用机制，需要跨领域的专业知识。 “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，”德拉富恩特介绍道。部分实验室成员精通编程但对生物或化学了解有限，反之亦然。Codex与ChatGPT帮助弥合这些鸿沟，让生物学家能构建程序，程序员也能解决生物学问题。从这个意义上说，AI降低了学科壁垒。 AI能协助成员查阅跨学科工作所需的陌生领域知识、厘清术语、比较不同领域的方法，并为药物研发整理思路。其他成员则利用AI下载、整理和预处理大规模基因组数据集。ChatGPT还允许实验室成员使用母语工作，进一步加速研究流程。 德拉富恩特将ChatGPT视为头脑风暴伙伴。他继续与同事共同推进构想，但也重视AI帮助塑造假设的能力。他欣赏这种只需一键点击就能获取全球信息的方式。 “我们的ChatGPT工作空间汇集了来自不同思维背景的成员，大家对需要解决的问题有着多元视角，”德拉富恩特说。实验室成员向系统输入各种好与坏的构想，使其成为协作型的思维试验场。 但他提醒不可过度依赖AI。“显然必须始终核对信息的准确性，”德拉富恩特强调。 尽管如此，他赞赏AI帮助研究者探索学科边界的能力。“突破性发现正等待在这些领域交界处被发掘——那里正是极少人涉足的边缘地带。” 他认为这项工作延续了悠久的科学传统。“我们始终依靠工具和机器来理解周围世界，”德拉富恩特说，“望远镜照亮了宇宙，显微镜揭示了微观世界。”如今机器正帮助研究者理解、预测并构建生物学，“这正是我们工作的核心所在。”