OpenAI 在9月10日介紹了賓夕法尼亞大學Cé sar de la Fuente 實驗室的研究方式：該團隊使用自建的深度學習模型，在現存和已滅絕生物的基因組、蛋白質數據庫中尋找可能具有抗菌作用的分子，同時運用 ChatGPT 和 Codex 来討論假設、編寫和修改代碼、處理數據，並連接不同學科的思路。官方稱，這類方法可以將候選分子的初始搜索時間從數年縮短到數小時。關鍵詞是“候選”和“初始搜索”，而不是在數小時內製造出一種新藥。
抗微生物耐藥性讓現有藥物逐漸失效。OpenAI 引用的研究顯示，2021年約有500萬人死亡與細菌耐藥性相關，若這種趨勢持續，到2050年相關年度的負擔可能接近翻倍。傳統的研發方式通常從已知的化合物出發進行結構修改，隨著容易發現的方向被反複探索，收益逐漸降低。De la Fuente 團隊換了一個方法：將DNA和蛋白質序列視為信息，在生命數據庫中尋找能形成活性肽或其他抗菌分子的模式。
AI 最擅長的は検索範囲を絞り込むことであり、実験室に代わって答えを発表することではありません。
數字化基因組讓研究人員能夠跨越植物、動物、微生物，甚至是已經滅絕的物種來尋找線索，但數據量越大，真正有用的訊息就越難找到。深度學習模型能夠學習序列與活性之間的關聯，從海量片段中篩出更值得關注的候選者。研究人員原本可能需要一條一條地設計、合成和測試，如今則可以將實驗資源集中於更少的對象上。節省的核心並非取消實驗，而是減少大量低概率的嘗試。
ChatGPT 和 Codex 承擔的是另一層協作。團隊成員來自生物學、化學、計算機科學和工程領域，他們的知識邊界並不重疊。生物學家可以借助 Codex 建立數據處理程序，程序員也能更快地理解實驗問題；ChatGPT 則幫助團隊展開假設、梳理文獻並討論不同領域之間的聯繫。De、la、Fuente 將共享工作區視作一個集體討論板，成員們會將成功的想法以及失敗的經驗都記錄在上面，這樣後續的探索就能保留原有的背景資料（上下文）。
這種做法比直接讓通用模型預測藥物更現實。專業的深度學習模型負責特定序列的篩選，通用助手負責代碼和知識的協作，人類研究人員則決定問題、檢查結果並設計實驗。每一層都有其邊界：大型語言模型可能產生錯誤的引用或不可靠的代碼，專業模型也會繼承訓練數據的偏差。團隊必須保留數據版本、模型參數、篩選規則和人工修改記錄，才能知道一個候選項究竟是如何進入實驗名單的。
只有當候選物出現後，工作才真正變得艱難。研究人員需要確認它是否能殺死目標微生物，測量其有效濃度，並檢查是否會同時損傷人體細胞。化學家可能會繼續改造這種分子，以提高其穩定性、活性和安全性；之後還需要評估毒性劑量、微生物產生耐藥性的速度、分子在體內的吸收分佈和代謝，以及是否能够穩定地進行製造。即便所有臨床前步驟都通過，仍需經過監管審查和分階段臨床試驗。
從「命中候選」到可用藥物，失敗率和證據標準都不會因 AI 而消失
药物發現的過程如同一個極其狹窄的漏斗。初篩模型能將上百萬條序列壓縮成幾千或幾十個候選物，但每個階段都會淘汰大量分子。有些在試管中有效，但在人體環境中卻會迅速降解；有些殺菌能力強，但毒性又過高；還有一些則難以製造或無法達到感染部位。如果能將初篩的速度提升幾個數量級，就會帶來更多實驗機會，但也可能將瓶頸轉移到合成、動物實驗和臨床資源上。
因此，評價這類AI研究時，不能只看模型產生了多少「新分子」。更有意義的指標包括實驗命中率、與已知抗菌藥的結構差異、選擇性、耐藥形成速度、可製造性，以及獨立實驗室是否能夠重複這些結果。如果AI生成了一萬條候選物，但只有極少數通過最初的實驗，計算速度並不會自動轉化為研發效率。反過來，即便候選物數量不多，只要提高了後續的命中率，也有可能真正縮短研發週期。
數據來源也需要被審視。已知活性分子較容易進入數據庫，而稀有物種及未充分研究環境的數據則更加少見。模型可能偏愛熟悉的序列，因而錯過真正新颖的機制。滅絕生物的基因組往往存在缺口和重建的不確定性，任何候選結果都必須回到實驗驗證階段。研究者還需防範訓練集與測試集之間的資料泄露，以免模型只是記住了相似的分子，卻被誤認為發現了新的規律。
對於醫院和公眾來說，這個案例不應該被解讀為「AI 新抗生素已經可以使用了」。官方文章描述的是科研工作流程和候選物篩選，並未宣佈某個分子獲得臨床批准。耐藥感染的治疗仍應該依據醫生的判斷、藥敏結果和已獲批准的藥物來進行。將早期的科研結果包装成治療建議，不僅會誇大進展，也可能造成現實風險。
這項工作真正展示的是跨學科研究的組織方式。專業模型快速掃描生命數據庫，通用的工具降低編程和知識溝通的門檻，實驗室提供事實檢驗。三者結合，可能讓更多罕見序列進入研究視野，但最終說服科學界的仍是可複現的實驗數據。這種方法能將尋找第一批「關鍵因素」的時間從多年壓縮到幾小時，至於哪個「關鍵因素」能成為藥物，仍需一關一關地證明。
