抗菌素耐药性正成为全球性威胁。2021年约有五百万人的死亡与细菌耐药性相关，到2050年这一数字预计还会翻倍。与此同时，人类已经50年没有迎来新一类的抗生素。

宾夕法尼亚大学研究者 César de la Fuente 的实验室试图改变这个局面。他们的出发点很特别：把生物学看作信息系统。DNA 的核苷酸、蛋白质和肽的氨基酸就像一套字母表。如果理解了这套语言的组织原则，就有机会找到能成为抗菌分子的功能序列。

实验室自己训练深度学习模型，让模型识别生物序列中的模式，然后去海量的基因组和蛋白质数据库里搜索潜在抗菌分子。这个方法能把候选分子的初步搜索从数年缩短到数小时。

实际上，他们并不只依赖自研模型。实验室日常也使用 Codex 和 ChatGPT 来激发假设、编写和优化代码、处理数据集、分析结果，以及连接不同学科的想法。研究者可以借助 AI 快速了解跨学科中不熟悉的主题，对比不同领域的方法，甚至用母语工作，降低协作门槛。

不过，找到候选分子只是第一步。要成为真正的药物，还需要确认它能杀死目标微生物、确定有效剂量、验证对人体细胞的影响；化学家可能进一步优化它的有效性、安全性和稳定性；之后还要测试毒性、耐药性、体内代谢路径，并找到可靠的制造方法。通过这一切之后，候选分子还要经历监管审查和临床试验。

所以 de la Fuente 强调，AI 预测必须靠真实实验来验证。他说：“Ground-truth experiments are essential to validate AI predictions.” 在他看来，未来的生命科学必须让 AI 和实验室生物学共同前进。

他的团队构成高度跨学科，成员来自生物、化学、计算机、工程等背景。有人编程很厉害但不太懂生物学，有人熟悉生物却对代码陌生。ChatGPT 和 Codex 在这样的团队里起到了黏合剂的作用：帮助生物学家写程序，帮助程序员处理生物问题，也把不同学科的语言和概念翻译成彼此能懂的形式。

de la Fuente 也提醒，AI 只能当辅助。任何结果都需要反复核对准确性。他欣赏 AI 能帮研究者探索学科边缘，“突破往往就藏在很少有人去的领域交界处。” 他用望远镜和显微镜的比喻来定位这项工作的意义：机器正在帮助人类理解、预测，甚至改造生物学。