AI 不是乱造抗生素，而是在给肽分子做“定向进化”
生成式 AI 在药物发现里的真正价值，不只是凭空生成一个新分子，而是把一个已有候选从“可能有用”一步步推向“更值得实验验证”。
抗生素耐药正在变成全球性难题。尤其是革兰阴性病原体，比如 Acinetobacter baumannii、Klebsiella pneumoniae、Pseudomonas aeruginosa，一旦对多黏菌素这类最后防线药物产生耐药，治疗空间就会迅速收窄。
肽类抗生素很有吸引力，因为它们可以通过破坏细菌膜、干扰细胞过程等方式发挥作用。但问题也很现实：肽序列空间太大，随便改一个氨基酸都可能影响活性、毒性、稳定性和可合成性。靠人工逐个试错，成本高、速度慢，也很难系统探索。
它不是把 AI 当成一个“灵感机器”，而是把抗菌肽设计变成一个可迭代的优化问题。
一，从“发现分子”到“优化分子”
很多 AI 药物发现方法更像筛选器：给它一个候选库，让模型挑出可能有效的分子。也有不少生成模型会直接产生全新的抗菌肽序列。
但真实研发里，很多时候手里已经有一个起点：某个肽有一点活性，但还不够强；某个古生物来源的肽有潜力，但还需要优化；某个骨架值得保留，但局部序列需要调整。
这时问题就变了：不是想让模型天马行空地造一个完全陌生的分子，而是希望它围绕已有模板做少量、合理、可验证的修改。
ApexGO 正是这种思路。它以模板肽为起点，在保留相似性的约束下寻找更强的衍生物。这里的约束很关键：优化过程中要求候选序列与模板保持至少 75% 相似度。这样做既保留了原始骨架，也避免模型跑到太远、太难解释或太难合成的序列空间。
二，它是怎么工作的？
把 ApexGO 理解成三个模块的组合：
1. Transformer VAE：把离散氨基酸序列压缩到连续潜空间；
2. APEX 预测器：评估候选肽对多种病原体的 MIC，MIC 越低代表潜在活性越强；
3. 贝叶斯优化：在潜空间里高效搜索，提出下一批更值得尝试的序列修改。
这套组合很聪明。肽序列本来是离散的，直接优化非常困难；VAE 把它转成连续空间后，贝叶斯优化就可以更高效地探索。APEX 则像一个快速评分器，让模型不必每一步都进入湿实验。
“预测 – 生成 – 再预测 – 再优化”的闭环，它不像一次性生成，而是会根据前面已经探索过的结果更新搜索方向。对药物设计来说，这种反馈式优化比单次采样更接近真实研发逻辑。
三，为什么不是简单筛库？
最打动我的一点是，ApexGO 搜索的是“修改路径”，而不是固定数据库。
如果只是在已知数据库里筛选，模型再强也受限于数据库里有什么。ApexGO 则可以在模板附近提出数据库里不存在的新序列。它不是无限制乱跑，而是在局部空间里做有约束的探索。
这就像做工程优化：我已经有一个可工作的原型，不需要完全推倒重来，而是让 AI 告诉我哪些位置值得改、改成什么更可能提升性能。
四，实验验证给了我信心
计算预测再漂亮，如果没有实验验证，价值会打折。这里让我觉得扎实的是，它走到了合成和生物测试。
研究团队从 10 个模板肽出发，合成验证了 100 个优化肽，并做了体外抗菌活性、作用机制、二级结构、细胞毒性等评估。
几个结果很关键：
– 实验命中率达到 85%；
– 对革兰阴性病原体，抗菌活性提升成功率达到 72%；
– 多个优化肽对多重耐药菌株表现出更强活性；
– 在两种 A. baumannii 小鼠感染模型中，部分分子表现接近或超过多黏菌素 B；
– mylodonin-2-3 在皮肤脓肿模型中表现出更快的细菌清除效果。
这些数字让我看到，生成式 AI 在这里不是停留在“看起来像抗菌肽”，而是确实把一批候选推向了可测、可比较、可进一步开发的阶段。
五，如何看它的机制意义？
抗菌肽常常通过影响细菌膜来发挥作用，但活性并不总是简单对应某一种二级结构。这里也能看到类似现象：优化后的分子可以呈现 α 螺旋、β 样或无序等不同构象，活性提升并不依赖统一结构模式。
这点对我很有启发。它说明模型可能捕捉到的不是某个单一结构标签，而是更复杂的序列 – 性质关系。对肽类分子来说，真正起作用的可能是电荷分布、疏水性、长度、局部氨基酸组合、膜相互作用等多个因素的组合。
换句话说，AI 的价值不一定是给出一个人类已经熟悉的规则，而是帮助我在多因素空间里找到更有效的组合。
六，保持谨慎
不能把 ApexGO 理解成“AI 已经解决抗生素研发”。从候选肽到真正药物，还有很长距离。
仍然需要考虑：
– 体内稳定性；
– 药代动力学和组织分布；
– 免疫反应风险；
– 更广泛的毒性评估；
– 大规模生产和成本；
– 耐药演化风险。
另外，APEX 预测器本身也有适用范围。模型擅长的是它训练数据覆盖的空间，对超出分布太远的序列，预测可靠性仍需要实验校正。这也是为什么我觉得“模板约束 + 实验验证”非常重要。
七，结论
ApexGO 最大启发是：生成式 AI 在生物医药里最现实的用法，未必是从零造药，而是帮助科学家更快地优化已有线索。
它把抗菌肽优化拆成了一个清晰闭环：从模板出发，用 VAE 建立可搜索空间，用 APEX 预测活性，用贝叶斯优化提出修改，再用实验验证真正效果。
这是一种“AI 辅助定向进化”：不是盲目突变，也不是无约束生成，而是在保留可解释起点的同时，用更少实验成本逼近更强候选。
如果未来这种框架能同时优化活性、毒性、稳定性和体内行为，抗生素发现可能会从“大海捞针”变成更有方向的工程迭代。
参考资料：Nat Mach Intell 8, 841–856 (2026)
