具抗藥性的微生物，包括細菌、真菌、寄生蟲和病毒，正成為日益嚴峻的全球威脅。2021 年約有五百萬人死於細菌抗藥性相關疾病，預計到 2050 年，這個數字將翻倍。尋找具有潛力成為抗菌藥物的分子可能需要數年時間，研究人員正利用 AI 加速這個早期的發現階段。

César de la Fuente 是一位生物工程師，他的跨領域實驗室致力於尋找抗菌候選物。他表示：「我認為抗藥性是人類面臨的最大生存威脅之一，然而我們已經有 50 年沒有發現新型抗生素了。」

現代抗菌藥物開發多半著重於修改現有藥物或搜尋熟悉的化學類別，但這種方法的回報率正逐漸降低。de la Fuente 的實驗室從一個鮮少探索的領域著手：生命的密碼。

這項工作的核心理念是將生物學視為一個資訊系統。de la Fuente 解釋道：「構成 DNA 的核苷酸，以及構成蛋白質和胜肽的胺基酸，就像是一種字母。將生物學視為資訊，使我們得以開發出能開始解讀生命組織原則的方法，進而產生具功能性的分子。」

該實驗室的深度學習模型經過訓練，能辨識生物序列中的模式，使其能夠在龐大的基因組和蛋白質資料集中搜尋潛在的抗菌分子。這種方法能將候選分子的初步搜尋時間從數年縮短至數小時。

除了自有的 AI 模型外，該實驗室還利用 ChatGPT 和 Codex 來激發假設、編寫和優化程式碼、處理資料集、分析結果，並連結不同科學領域的觀點。

探索生物學的未知領域

基因組中只有一小部分具有明確已知的功能，其中更少的部分編碼著能夠對抗感染性微生物的分子。挑戰在於辨識出使分子具有功能性或生物活性的模式，然後確定哪些分子具有對抗感染性微生物的潛力。

科學家長期以來一直在植物、動物、微生物、昆蟲、水和土壤中尋找抗菌劑。他們採集樣本、分離或預測候選分子，並透過反覆試驗的過程進行測試，這可能需要數年時間。

現在，數位基因組和蛋白質資料庫讓科學家能夠在生命之樹中搜尋新化合物，大幅擴展了可供探索的資料庫廣度。然而，資訊的豐富性也帶來了挑戰：如何在海量的可能性中找到有前景的訊號。

AI 特別適合這種大海撈針的任務。它能夠掃描龐大的資料集，辨識出研究人員可能難以察覺的模式，並優先篩選出數量可控的候選物進行實驗測試。

然而，辨識出一個有前景的候選物，並不代表它一定會成為有效的藥物。

科學家必須首先確認候選分子能殺死目標微生物，確定其有效所需的劑量，並測試它對人體細胞的影響。化學家隨後可能會對其進行優化，以提高其效力、安全性或穩定性。

進一步的測試會評估候選物產生毒性的劑量、微生物對該分子產生抗藥性的難易程度，以及候選物在體內的移動方式。團隊還需確定可靠的分子製造方法。即使通過這些關卡，候選物在作為獲批的抗菌藥物到達患者手中之前，仍需面臨監管審查和臨床試驗。

對 de la Fuente 而言，這就是為什麼 AI 和實驗室生物學必須共同進步的原因。他表示：「真實世界的實驗對於驗證 AI 預測至關重要。如果我們想繼續探索生物學的表面，這在未來幾年的生命科學領域將是關鍵，因為生物學是世界上最複雜的事物。」

持續進化的合作夥伴

他的實驗室探索現存和已滅絕生物的基因組，以尋找候選分子。搜尋這些基因組、理解其編碼蛋白質的形成和功能，並確定這些分子的作用，需要跨越多個領域的專業知識。

de la Fuente 說：「我們是一個高度跨學科的團隊，成員來自生物學、化學、電腦科學和工程學。」有些實驗室成員是優秀的程式設計師，但對生物學或化學了解較少，反之亦然。Codex 和 ChatGPT 有助於彌補這些知識鴻溝，讓生物學家能夠建立程式，程式設計師也能解決生物學問題。從這個意義上說，AI 降低了科學學科之間的障礙。

AI 幫助實驗室成員複習跨學科工作所需的陌生主題、澄清術語、比較不同領域的方法，並組織藥物發現的構想。其他人則利用 AI 下載、組織和預處理大型基因組資料集。ChatGPT 還讓實驗室成員能以他們的母語工作，降低了語言障礙，加速了他們的工作流程。

de la Fuente 將 ChatGPT 視為一個腦力激盪的夥伴。他持續與同事們發展想法，但他很看重 AI 幫助他形成假設的能力。他也喜歡只需點擊一下按鈕就能獲取全球資訊。

de la Fuente 表示：「我們的 ChatGPT 工作區接收來自所有這些對我們試圖解決的問題有不同想法的人的輸入。」實驗室成員將他們的好點子和壞點子都輸入其中，使其成為一個協作的意見交流平台。

不過，他警告不要單獨依賴 AI。de la Fuente 說：「顯然，你必須始終仔細核對其準確性。」

儘管如此，他仍讚賞 AI 幫助研究人員探索科學學科之間界限的能力。他認為：「突破正等待在那裡被發現。它們本質上存在於很少人涉足的領域邊緣。」

他將這項工作視為更悠久科學傳統的一部分。de la Fuente 表示：「我們一直以來都依賴工具和機器來理解周遭的世界。望遠鏡照亮了宇宙，顯微鏡揭示了看不見的世界。」現在，機器幫助研究人員理解、預測和改造生物學。他說：「這就是我們工作的全部意義。」