編輯丨&

在現代醫學與疾病的對抗之中，「抗生素耐藥性」（AMR）正演變成一場無聲的全球危機。面對不斷變異的「超級細菌」，傳統的新藥研發速度早已捉襟見肘。

過去，人類發現抗生素極度依賴偶然性——比如弗萊明偶然發現了青霉素；后來，醫藥界轉向了高通量篩選，即在包含數百萬種分子的巨大庫中進行盲目打撈。這種大海撈針的方式不僅耗資數十億美元，且成功率極低。

來自賓夕法尼亞大學（University of Pennsylvania）的團隊于 2026 年 5 月 13 日在《Nature Machine Intelligence》上發表了一篇研究，提出了一個另辟蹊徑的解法。

在這篇名為「A generative artificial intelligence approach for peptide antibiotic optimization」的論文里，名為 ApexGo 的優化直擊那些有缺陷、不完美的「半成品」候選藥物，并通過 AI 進行精準的迭代爆改，使其蛻變為高活性的超級抗生素。

論文鏈接：https://www.nature.com/articles/s42256-026-01237-5

半成品優化計劃

此前，相關團隊就已經開發出了 Apex 這款成熟的深度學習模型。它的核心任務是「讀懂」氨基酸序列。當你輸入一段肽鏈時，APEX 能夠快速預測出它是否具備抗菌活性、其理化指標是否符合藥物標準。它扮演著數字實驗室里「嚴苛審查員」的角色。

對于篩查出來的那些有潛力的半成品，則會交給貝葉斯優化，實現精準爆改。ApexGo 用一個基于 Transformer 的變分自編碼器（VAE）編碼肽序列到一個潛在空間，將離散優化問題轉變為可處理的連續問題。

圖 1：ApexGO 的計算工作流程及其結果。

在具體的運作流程之中，ApexGO 展現出了一種如同生物進化般的數字流轉。首先就是將幾個表現不完美的肽片段作為初始種子輸入，接著只需等待。ApexGo 的算法會自行分析并給出微調建議，預測器則會對此進行評估。最后，貝葉斯優化指導模型進行下一步迭代。

這個過程在賓大高能服務器上持續運行數月。AI 在虛擬世界里完成了成千上萬代的「優勝劣汰」，在沒有消耗一滴試劑的情況下，完成了人類科學家可能需要花費數年才能完成的篩選工作。

這種做法與過去主要依賴篩固定數據庫的 AI 方法不同，它面向的是模板依賴、局部優化、受約束搜索：從 10 條經過 de-extinction 得到的模板肽出發，ApexGO 逐步生成新的衍生物，并且顯式兼顧相似性約束、編輯距離和可制造性。

從硅基到碳基

計算機科學界有一個著名的陷阱叫做「現實鴻溝」（Simulation-to-Reality Gap）——很多 AI 模型在虛擬模擬中表現完美，可一旦拿到真實的濕實驗室（Wet Lab）里合成出來，就會瞬間失效。在這一點上，ApexGO 的預測結果在現實世界中得到了強有力的驗證。

圖 2：ApexGO 優化的肽的抗菌活性。

研究團隊一共設計并合成了100 個優化肽，并把它們拿去做系統的體外測試，覆蓋11 種臨床相關病原菌，包括耐藥菌株。結果顯示，有 86% 合成肽至少對一種菌株表現出可檢測抗菌活性，在它們之中，若與各自模板相比，68%的優化肽在總體上表現出更好的抗菌活性。

當范圍縮小到革蘭氏陰性菌株時，改善率達到 72%。按模板和細菌菌株進行分析，ApexGo 在優化革蘭氏陰性病原體的肽方面尤為有效（命中率 85%）。

圖 3：動物模型中模板和 ApexGO 優化肽的抗感染活性。

最后的考驗來自于活體小鼠實驗。研究人員挑選了兩種由 ApexGO 創造的全新抗菌肽進行體內測試，結果顯示，它們降低細菌計數的效果，已經與多黏菌素 B（Polymyxin B）處于同一水平。

搜索之后是優化

本質上，ApexGO 的一部分建議分子調整。團隊之前發布的 APEX 模型預測這些變化是否可能增加抗菌活性，ApexGO 隨后利用這些預測指導下一輪擬議的編輯。

遍歷抗生素的歷史，絕大部分都是偶然得知，最著名的當然要數青霉素。從某種意義上來說，ApexGo 現在干的就是這樣的活——當然，還不止于此。生成式 AI + Bayesian optimization 不只是能在屏幕上畫出新序列，還能把這些序列推進到體外、再推進到動物模型里。

一個分子要真正成為擺在醫院貨架上的臨床藥物，僅僅能殺菌是遠遠不夠的。在接下來漫長的研發周期中，這些分子還必須接受人體代謝穩定性、安全性等全方位的嚴苛考驗。然而，ApexGO 的歷史功績在于，它將原本如同迷宮般的「尋找候選藥」這一階段的耗時，從幾年濃縮到了幾個月，這才是工具最高的價值。

https://phys.org/news/2026-05-ai-tool-boosts-imperfect-antibiotic.html