OpenAI Codex and ChatGPT 加速抗微生物分子發現
TL;DR
OpenAI 宣布，研究人員正利用 Codex 和 ChatGPT 加速抗微生物分子的早期發現階段，將生成候選清單的時間從數年縮短至數小時。
AI 驅動的生物「代碼」搜尋縮短發現時程
由生物工程師 César de la Fuente 領導的實驗室將 DNA 和蛋白質序列視為一種資訊系統，訓練深度學習模型來識別龐大基因組和蛋白質組數據庫中的功能模式。透過 AI 掃描這些數據集，團隊可以在數小時內優先篩選出一組可控的候選分子，進行實驗驗證，而非傳統發現流程中常見的多年時程。
在研究工作流程中整合 Codex 和 ChatGPT
- 假設生成 – ChatGPT 作為腦力激盪的夥伴，協助團隊制定並完善研究問題。
- 代碼建立與完善 – Codex 將自然語言提示詞轉換為可執行的腳本，使程式經驗有限的生物學家能夠處理並分析大型數據集。
- 數據處理 – AI 工具下載、組織並預處理基因組和蛋白質數據，減少手動數據整理的負擔。
- 跨學科溝通 – ChatGPT 釐清術語、總結其他領域的方法，甚至將內容翻譯成研究人員的母語，降低了生物學、化學、電腦科學和工程學之間的隔閡。
“Codex 和 ChatGPT 有助於彌合這些差距，讓生物學家能夠建立程式，並讓程式設計師能夠解決生物學問題。” – César de la Fuente
從 AI 預測到實驗驗證
AI 識別出的候選分子仍須通過嚴格的實驗流程：
- 體外效力 – 確認該分子能殺死目標微生物，並確定最小有效濃度。
- 細胞毒性 – 評估對人類細胞的毒性。
- 藥物化學優化 – 提高效力、安全性與穩定性。
- 藥代動力學與抗藥性分析 – 評估劑量、分布與產生抗藥性的可能性。
- 可製造性與法規審查 – 在進行臨床試驗前，確保可規模化生產並符合法規。
De la Fuente 強調，AI 預測只有在與「地面實況實驗 (ground-truth experiments)」結合時才有用，並強調了在每個階段進行實驗室驗證的必要性。
由 AI 實現的跨學科協作
該實驗室的組成涵蓋了生物學、化學、電腦科學和工程學。AI 工具降低了專業知識的門檻，讓成員可以：
- 快速瀏覽不熟悉的文獻。
- 在沒有深厚程式開發訓練的情況下生成並測試代碼。
- 在一個匯集了多元觀點的 ChatGPT 共享工作空間中分享想法。
“我們的 ChatGPT 共享工作空間正在接收來自所有這些不同背景的人們的輸入，他們對於我們試圖解決的問題有著不同的思考方式。” – César de la Fuente
限制與防護措施
雖然 AI 加速了假設生成和數據處理，但研究人員提醒，所有輸出結果都必須經過準確性複查。過度依賴 AI 而缺乏實驗驗證，可能會導致錯誤的引導。
更廣泛的意義
透過將生物序列視為一種字母表，並應用大型語言模型來解碼功能模式，這種方法展示了一種藥物發現的新範式：先進行 AI 優先的候選分子篩選，隨後進行針對性的濕實驗室驗證。如果被廣泛採用，這種工作流程將能大幅提升新型抗微生物藥物進入測試流程的速度，應對全球抗微生物抗藥性的緊急威脅。
Outlook
De la Fuente 將 AI 視為為科學儀器長久傳承中的最新工具——從望遠鏡到顯微鏡——用以擴展人類的洞察力。AI 模型與實驗生物學的持續共同演化，預計將深化我們對「生命代碼」的的理解，並解鎖先前無法觸及的治療可能性。