将 ScienceAI 设为星标
第一时间掌握
新鲜的 AI for Science 资讯
编辑丨&
在现代医学与疾病的对抗之中，「抗生素耐药性」（AMR）正演变成一场无声的全球危机。面对不断变异的「超级细菌」，传统的新药研发速度早已捉襟见肘。
过去，人类发现抗生素极度依赖偶然性——比如弗莱明偶然发现了青霉素；后来，医药界转向了高通量筛选，即在包含数百万种分子的巨大库中进行盲目打捞。这种大海捞针的方式不仅耗资数十亿美元，且成功率极低。
来自宾夕法尼亚大学（University of Pennsylvania）的团队于 2026 年 5 月 13 日在《Nature Machine Intelligence》上发表了一篇研究，提出了一个另辟蹊径的解法。
在这篇名为「A generative artificial intelligence approach for peptide antibiotic optimization」的论文里，名为 ApexGo 的优化直击那些有缺陷、不完美的「半成品」候选药物，并通过 AI 进行精准的迭代爆改，使其蜕变为高活性的超级抗生素。
论文链接：https://www.nature.com/articles/s42256-026-01237-5
半成品优化计划
此前，相关团队就已经开发出了 Apex 这款成熟的深度学习模型。它的核心任务是「读懂」氨基酸序列。当你输入一段肽链时，APEX 能够快速预测出它是否具备抗菌活性、其理化指标是否符合药物标准。它扮演着数字实验室里「严苛审查员」的角色。
对于筛查出来的那些有潜力的半成品，则会交给贝叶斯优化，实现精准爆改。ApexGo 用一个基于 Transformer 的变分自编码器（VAE）编码肽序列到一个潜在空间，将离散优化问题转变为可处理的连续问题。
图 1：ApexGO 的计算工作流程及其结果。
在具体的运作流程之中，ApexGO 展现出了一种如同生物进化般的数字流转。首先就是将几个表现不完美的肽片段作为初始种子输入，接着只需等待。ApexGo 的算法会自行分析并给出微调建议，预测器则会对此进行评估。最后，贝叶斯优化指导模型进行下一步迭代。
这个过程在宾大高能服务器上持续运行数月。AI 在虚拟世界里完成了成千上万代的「优胜劣汰」，在没有消耗一滴试剂的情况下，完成了人类科学家可能需要花费数年才能完成的筛选工作。
这种做法与过去主要依赖筛固定数据库的 AI 方法不同，它面向的是模板依赖、局部优化、受约束搜索：从 10 条经过 de-extinction 得到的模板肽出发，ApexGO 逐步生成新的衍生物，并且显式兼顾相似性约束、编辑距离和可制造性。
从硅基到碳基
计算机科学界有一个著名的陷阱叫做「现实鸿沟」（Simulation-to-Reality Gap）——很多 AI 模型在虚拟模拟中表现完美，可一旦拿到真实的湿实验室（Wet Lab）里合成出来，就会瞬间失效。在这一点上，ApexGO 的预测结果在现实世界中得到了强有力的验证。
图 2：ApexGO 优化的肽的抗菌活性。
研究团队一共设计并合成了 100 个优化肽，并把它们拿去做系统的体外测试，覆盖 11 种临床相关病原菌，包括耐药菌株。结果显示，有 86% 合成肽至少对一种菌株表现出可检测抗菌活性，在它们之中，若与各自模板相比，68% 的优化肽在总体上表现出更好的抗菌活性。
当范围缩小到革兰氏阴性菌株时，改善率达到 72%。按模板和细菌菌株进行分析，ApexGo 在优化革兰氏阴性病原体的肽方面尤为有效（命中率 85%）。
图 3：动物模型中模板和 ApexGO 优化肽的抗感染活性。
最后的考验来自于活体小鼠实验。研究人员挑选了两种由 ApexGO 创造的全新抗菌肽进行体内测试，结果显示，它们降低细菌计数的效果，已经与多黏菌素 B（Polymyxin B）处于同一水平。
搜索之后是优化
本质上，ApexGO 的一部分建议分子调整。团队之前发布的 APEX 模型预测这些变化是否可能增加抗菌活性，ApexGO 随后利用这些预测指导下一轮拟议的编辑。
遍历抗生素的历史，绝大部分都是偶然得知，最著名的当然要数青霉素。从某种意义上来说，ApexGo 现在干的就是这样的活——当然，还不止于此。生成式 AI + Bayesian optimization 不只是能在屏幕上画出新序列，还能把这些序列推进到体外、再推进到动物模型里。
一个分子要真正成为摆在医院货架上的临床药物，仅仅能杀菌是远远不够的。在接下来漫长的研发周期中，这些分子还必须接受人体代谢稳定性、安全性等全方位的严苛考验。然而，ApexGO 的历史功绩在于，它将原本如同迷宫般的「寻找候选药」这一阶段的耗时，从几年浓缩到了几个月，这才是工具最高的价值。
相关链接：https://phys.org/news/2026-05-ai-tool-boosts-imperfect-antibiotic.html
人工智能 × [ 生物 神经科学 数学 物理 化学 材料 ]
「ScienceAI」关注人工智能与其他前沿技术及基础科学的交叉研究与融合发展。
欢迎关注标星，并点击右下角点赞和在看。
点击阅读原文，加入专业从业者社区，以获得更多交流合作机会及服务。