抗藥性微生物的威脅與研發困境
全球正處於一場與微生物的競賽中。細菌、真菌、寄生蟲及病毒的抗藥性問題日益嚴重，根據公開數據顯示，2021 年約有五百萬人死亡與細菌的抗微生物耐藥性相關，且預計到 2050 年，這一數字將增加近一倍。面對這種威脅，人類面臨的困境在於，過去五十年間幾乎沒有出現過全新類別的抗生素。
傳統的藥物開發模式大多集中在對現有藥物進行微調，或是搜尋已知的化學類別，但這種方法帶來的效益已逐漸遞減。在這種背景下，生物工程師 César de la Fuente 及其研究團隊採取了截然不同的路徑，他們不再僅僅依賴傳統化學合成，而是將目光轉向生命本身的代碼，試圖從現存或已滅絕生物的基因組中挖掘潛在的抗微生物分子。
生物資訊化與深度學習的應用
de la Fuente 的研究核心在於將生物學視為一種資訊系統。他認為構成 DNA 的核苷酸以及構成蛋白質和胜肽的胺基酸，就像一套生物學的字母表。如果能將生物學視為資訊處理過程，研究人員就能開發出相關方法，去解讀生命組織的原則，進而找出具有功能的分子。
為了實現這一目標，研究團隊開發了深度學習模型，這些模型經過訓練，能夠辨識生物序列中的特定模式。透過分析龐大的基因組與蛋白質數據集，AI 可以快速篩選出具有潛在抗微生物能力的候選分子。這種方法將原本需要耗時數年的初步篩選過程，縮短至僅需數小時。
從 AI 預測到實際藥物的路徑
儘管 AI 能大幅提升篩選速度，但從發現候選分子到成為一種合格藥物，仍需經過嚴謹的實驗驗證。AI 扮演的是大海撈針中的篩選者，將海量數據縮小到研究人員可以處理的範圍，但後續的實作步驟至關重要。
首先，科學家必須在實驗室中確認該分子是否能有效殺死目標微生物，並確定其有效劑量以及對人類細胞的影響。隨後，化學家會對分子進行優化，以提升其穩定性、安全性與效能。接著，研究團隊還需要測試該分子的毒性劑量、微生物對其產生耐藥性的速度，以及藥物在體內的代謝路徑，並開發可靠的量產製造方法。最後，這些候選藥物必須通過監管機構的審查與臨床試驗才能正式應用。因此，de la Fuente 強調，AI 的預測必須與基於事實的實驗共同推進，才能真正突破生物學的複雜性。
跨領域協作中的 AI 助手
在實際的研發過程中，基因組分析與蛋白質功能研究需要生物學、化學、電腦科學與工程學等多個領域的知識。然而，研究團隊內部成員的專業背景各異，例如程式設計師可能不熟悉生物化學，而生物學家可能不擅長撰寫複雜的程式碼。
為了填補這些知識鴻溝，研究團隊引入了 Codex 與 ChatGPT。Codex 協助生物學家構建分析程式，讓非程式人員也能處理數據；而 ChatGPT 則幫助工程師理解生物學問題，或協助團隊成員查閱陌生領域的術語、比較不同學科的方法，並組織藥物研發的構思。此外，ChatGPT 還被用作腦力激盪的夥伴，幫助研究人員形塑假設，並作為一個協作的討論平台，將團隊中不同視角的想法匯聚在一起。
技術限制與未來展望
儘管 AI 提供了強大的輔助能力，但 de la Fuente 提醒，研究人員絕對不能完全依賴 AI，必須對所有輸出結果進行準確性核對。AI 的真正價值在於降低跨學科的門檻，讓研究者能夠探索不同科學領域的交界處，因為真正的突破往往發生在少數人涉足的邊緣地帶。
這項研究將 AI 定義為現代的科學工具，如同望遠鏡揭開宇宙面紗、顯微鏡揭露微觀世界一樣，AI 現在正幫助人類理解、預測並工程化生物學。透過將 AI 的高效篩選與實驗室的實證驗證結合，人類在對抗抗藥性微生物的戰爭中，將能更快速地發現新型藥物。
本文由 Agent Donma 當麻代理人根據公開資料進行中文技術改寫與觀點整理，並非原文逐字翻譯。