扎克伯格妻子牵头研发生物学推理大模型，从虚拟细胞中学习推理

景点排名 2025年08月25日 20:06 1 aa

在一个充斥着耐药性"超级细菌"威胁的时代，麻省理工学院的研究人员正在用人工智能重新书写抗生素发现的历史。不同于传统的从天然产物或化学库中筛选候选药物，Jim Collins教授领导的团队成功训练生成式AI算法凭空创造出全新的分子结构，其中两种名为NG1和DN1的化合物在小鼠实验中展现出显著的抗菌效力。这项发表在《细胞》杂志上的研究标志着药物发现正在从"寻找"转向"创造"的范式转变。

NG1和DN1的成功并非偶然。在小鼠感染模型中，这两种AI设计的化合物表现出高效力和高选择性，更重要的是，它们的作用机制完全区别于现有临床抗生素。这一特征对于应对抗生素耐药性危机具有重要意义，因为新的作用机制意味着细菌尚未对其产生抗性。Collins团队的这一突破不仅证明了AI在药物设计中的巨大潜力，更重要的是开辟了一条通向浩瀚未知化学空间的全新路径。

图丨扎克伯格与其妻子普莉希拉·陈（Priscilla Chan）（来源：资料图）

从筛选到创造的技术革命

传统抗生素发现主要依赖于自然界的"化学图书馆"——从土壤细菌、海洋微生物或植物中提取活性化合物。这种方法在20世纪中叶曾带来青霉素、链霉素等划时代的发现，但随着易于发现的化合物逐渐枯竭，新抗生素的发现速度大幅放缓。近几十年来，制药企业更多地转向化学合成和现有化合物库的计算机筛选，但这种方法仍然受限于已知化学空间的边界。

MIT团队采用的生成式AI方法彻底打破了这一限制。研究人员开发了两套并行的分子设计策略：片段导向生成和从头生成。在片段导向方法中，团队首先使用图神经网络对超过4500万个化学片段进行筛选，识别出对淋病奈瑟菌和金黄色葡萄球菌具有预测抗菌活性的片段。随后，这些片段被输入到两类生成算法——基于化学合理突变的遗传算法和变分自编码器中，用于构建完整的分子结构。

更具革命性的是从头生成方法，该方法完全取消了片段输入的限制，让AI模型基于训练获得的化学知识自主设计全新分子。这种方法的理论基础在于，虽然现有的化学数据库包含数百万种化合物，但理论上可能存在的小分子药物数量估计高达10的60次方，绝大部分化学空间仍未被探索。通过让AI学习化学键合规则、分子稳定性原理和生物活性模式，研究人员实际上是在教会机器如何进行"化学创作"。

图 | rBio 架起了 AI 推理与细胞生物学之间的桥梁，让科学家能够用通俗的语言提出关于基因相互作用的复杂问题（来源：资料图）

两套方法共同生成了超过3600万个此前从未在任何数据库中记录的化合物，每一个都具有预测的抗菌活性。这一数字的意义在于，它相当于在几天内创造出了相当于人类数十年发现的化合物总量。然而，从计算机屏幕上的分子结构到实验室中的实际化合物，研究团队面临着巨大的技术挑战。

从理论到现实的关键瓶颈

尽管AI能够生成数以千万计的化合物结构，但将这些理论分子转化为可以在实验室中合成和测试的实际化合物却面临巨大困难。这一挑战被研究团队形容为"巨大瓶颈"，反映了当前化学合成技术的局限性。在3600万个AI生成的化合物中，绝大多数因为合成路线复杂、反应条件苛刻或所需原料稀缺而无法在实验室中制备。

（来源：https://www.biorxiv.org/content/10.1101/2025.08.18.670981v2.full.pdf）

经过严格的可合成性筛选和优先级排序，研究团队最终选择了24种化合物进行实际合成。这一筛选过程本身就体现了药物发现的复杂性——一个在计算机中看起来完美的分子，在现实世界中可能需要数十个合成步骤，涉及昂贵的催化剂或极端的反应条件。合成化学仍然是从AI设计到实际药物之间的重要桥梁，也是限制AI药物设计大规模应用的关键因素。

在成功合成的24种化合物中，7种表现出抗菌活性，这一成功率约为30%，远高于传统随机筛选的成功率。更令人振奋的是，NG1和DN1两种化合物不仅显示出强力的抗菌效果，还在小鼠感染模型中证实了体内有效性。这种从计算机设计到动物模型验证的完整流程，标志着AI药物设计已经达到了可以产生实际临床候选药物的成熟度。

NG1和DN1的成功还体现在其独特的作用机制上。与现有抗生素通过抑制细胞壁合成、蛋白质合成或DNA复制等经典途径不同，这两种AI设计的化合物似乎通过全新的分子靶点发挥作用。这种机制创新性对于克服抗生素耐药性具有重要价值，因为细菌需要时间来进化出针对全新作用机制的抗性。

医药产业的颠覆性变革

图 | Donghui Li 是相关论文的共同作者之一（来源：资料图）

Collins团队的突破对整个医药产业具有深远的颠覆性影响。传统的药物发现过程通常需要10-15年时间和数十亿美元投入，其中相当大比例的时间和资源消耗在早期的化合物发现和优化阶段。AI生成式设计的引入有望大幅压缩这一时间线，同时显著降低前期研发成本。

更重要的是，AI设计方法打破了传统药物发现对自然产物和现有化学库的依赖。这种变革的意义不仅在于提高效率，更在于拓展了药物发现的可能性边界。理论上，AI可以探索人类从未涉足的化学空间区域，发现具有全新作用机制和药理特性的化合物。这对于应对日益严重的抗生素耐药性危机、罕见病治疗需求和新发传染病威胁都具有重要战略价值。

图 | rBio 是一种基于虚拟细胞模拟训练的推理模型，旨在加速生物学领域的研究进度（来源：资料图）

全球抗生素耐药性问题的严峻形势为AI抗生素设计提供了紧迫的应用场景。世界卫生组织数据显示，抗生素耐药性每年导致全球至少70万人死亡，预计到2050年这一数字可能上升至1000万。传统抗生素研发管线的枯竭使得新作用机制抗生素的需求极为迫切。AI设计的NG1和DN1等化合物代表了应对这一挑战的新希望。

从产业竞争角度看，掌握AI药物设计技术的企业和研究机构将在未来的药物创新竞争中占据显著优势。目前，包括谷歌DeepMind、IBM、辉瑞、诺华等科技和制药巨头都在大力投资AI药物发现技术。MIT团队的成功验证了这一技术路线的可行性，可能会引发更大规模的产业投入和技术竞争。

然而，AI药物设计的大规模应用仍面临诸多挑战。除了前述的合成瓶颈外，AI生成化合物的安全性评估、监管审批路径、知识产权保护等问题都需要在实践中逐步解决。监管机构如FDA和EMA已经开始研究如何建立针对AI设计药物的审批框架，但相关政策和标准仍在制定过程中。

展望未来，AI药物设计技术的进一步发展可能会带来更加革命性的变化。随着量子计算、更先进机器学习算法和自动化合成技术的成熟，从分子设计到临床验证的整个流程可能会实现高度自动化。Collins教授所说的"AI从发现工具转变为设计工具"可能只是这场变革的开端，最终的目标是实现完全个性化、按需设计的精准药物。MIT团队在抗生素设计领域的突破，为人类应对未来健康挑战提供了强大的新武器，同时也预示着医药产业正在进入一个由人工智能驱动的全新时代。