一位研究人员如何利用Codex和ChatGPT寻找新型抗菌分子
内容提要
抗生素耐药性威胁全球，2021年约500万死亡相关。AI可从基因组和蛋白质序列中筛选抗菌分子，将初筛从数年缩短至数小时，并辅助跨学科研究，但预测需实验验证。
延伸解读
AI加速抗菌分子发现：从数年缩短至数小时
传统抗菌分子发现需数年时间，而AI能够快速扫描基因组和蛋白质序列，识别潜在抗菌分子，将初筛阶段缩短至数小时。这得益于深度学习模型对生物序列模式的识别能力，以及ChatGPT和Codex在假设生成、代码编写和数据分析中的辅助。但AI预测仅提供候选，后续仍需实验验证其杀菌效果、有效剂量及对人体的影响。
跨学科协作：AI降低领域门槛
de la Fuente实验室汇聚生物学、化学、计算机科学和工程学专家。AI工具如ChatGPT和Codex帮助生物学家编写程序，程序员理解生物问题，促进跨学科沟通。AI还能协助研究人员快速了解陌生领域术语、比较方法，并支持母语工作，降低语言障碍。这种协作模式有望在学科交叉处催生突破。
AI预测需实验验证：药物开发漫长且复杂
尽管AI能高效筛选候选分子，但预测结果必须通过实验验证。确认分子能杀死目标微生物后，还需确定有效剂量、测试对人体细胞的影响、优化稳定性与安全性，并评估毒性、耐药性及体内代谢。此外，制造工艺、监管审查和临床试验等环节同样耗时。因此，AI仅是加速早期发现，无法替代整个药物开发流程。
Q&A
为什么抗生素耐药性被认为是全球威胁？
抗生素耐药性威胁全球，2021年约500万死亡与细菌耐药相关，预计到2050年这一数字将翻倍。
AI如何加速抗菌分子的发现？
AI可以扫描庞大的基因组和蛋白质数据集，识别潜在抗菌分子的模式，将初步筛选候选分子的时间从数年缩短到数小时。
de la Fuente实验室如何利用AI寻找抗菌分子？
实验室将生物学视为信息系统，训练深度学习模型识别生物序列中的模式，在基因组和蛋白质数据集中搜索潜在抗菌分子，并使用ChatGPT和Codex进行头脑风暴、编写代码、处理数据和分析结果。
AI预测的抗菌分子能直接成为药物吗？
不能。AI预测的候选分子需要经过实验验证，确认能杀死目标微生物、确定有效剂量、测试对人体细胞的影响，并经过优化、毒性测试、耐药性评估、药代动力学研究、制造工艺开发以及监管审查和临床试验，才能成为获批药物。
ChatGPT和Codex在跨学科研究中起到什么作用？
它们帮助弥合学科间的差距，让生物学家能编写程序，程序员能解决生物学问题，降低学科壁垒。具体用于回顾不熟悉的话题、澄清术语、比较方法、组织思路，以及下载、整理和预处理大型基因组数据集。ChatGPT还支持使用母语工作，加速工作流程。
使用AI进行科学研究时需要注意什么？
de la Fuente强调必须始终核对准确性，不能完全依赖AI。AI预测需要实验验证，且AI只是辅助工具，不能替代科学家的判断和实验。
