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
