OpenAI Codex and ChatGPT 加速抗微生物分子发现

TL;DR

OpenAI 宣布，研究人员正在利用 Codex 和 ChatGPT 加速抗微生物分子的早期发现阶段，将生成候选名单的时间从数年缩短至数小时。

AI‑驱动的生物“代码”搜索缩短了发现时间线

由生物工程师 César de la Fuente 领导的实验室将 DNA 和蛋白质序列视为一种信息系统，训练深度学习模型来识别庞大基因组和蛋白质组数据库中的功能模式。通过使用 AI 扫描这些数据集，团队可以在数小时内确定一组可控的候选分子，以便进行实验验证，而不是像传统发现流程那样需要数年的时间线。

在研究工作流中集成 Codex 和 ChatGPT

假设生成 – ChatGPT 作为头脑风暴的伙伴，帮助团队制定并完善研究问题。
代码创建与完善 – Codex 将自然语言提示词转换为可执行脚本，使编程经验有限的生物学家能够处理和分析大型数据集。
数据处理 – AI 工具下载、组织并预处理基因组和蛋白质数据，减少了手动数据整理的工作量。
跨学科沟通 – ChatGPT 澄清术语，总结其他领域的各种方法，并甚至将内容翻译成研究人员的母语，从而降低了生物学、化学、计算机科学和工程学之间的壁垒。

“Codex and ChatGPT help bridge those gaps, allowing biologists to build programs and programmers to tackle biological problems.” – César de la Fuente

从 AI 预测到实验验证

AI 识别出的候选分子仍需通过严格的实验流程：

体外有效性 – 确认分子能够杀死目标微生物并确定最小有效浓度。
细胞毒性 – 评估对人类细胞的毒性。
药物化学优化 – 提高效力、安全性和稳定性。
药代动力学与耐药性分析 – 评估给药、分布以及产生耐药性的可能性。
可制造性与监管审查 – 在临床试验之前确保可规模化生产并符合监管要求。

De la Fuente 强调，AI 预测只有在与“地面真值实验”结合时才有用，并强调了在每个阶段进行实验室验证的必要性。

AI 实现的跨学科协作

该实验室的组成涵盖了生物学、化学、计算机科学和工程学。AI 工具降低了专业知识门槛，使成员能够：

快速查阅陌生的文献。
在没有深度编程训练的情况下生成并测试代码。
在一个聚合了多样化观点的共享 ChatGPT 工作区中分享想法。

“Our ChatGPT workspace is receiving input from all these different people that think differently about the problems that we’re trying to tackle.” – César de la Fuente

局限性与保障措施

虽然 AI 加速了假设生成和数据处理，但研究人员警告说，所有输出结果都必须经过准确性复核。过度依赖 AI 而不进行实验验证可能会导致错误的线索。

更广泛的意义

通过将生物序列视为一种字母表并应用大语言模型来解码功能模式，这种方法展示了一种药物发现的新范式：先进行 AI 优先的候选筛选，随后进行针对性的湿实验验证。如果得到广泛采用，这种工作流可以极大地提高新型抗微生物药物进入测试流程的速度，从而应对抗微生物耐药性的紧迫全球威胁。

展望

De la Fuente 将 AI 视为科学仪器长久传承中的最新工具——从望远镜到显微镜——旨在扩展人类的洞察力。AI 模型与实验生物学的持续协同进化，预计将深化的我们对“生命代码”的理解，并开启此前无法触及的治疗可能性。