《Science Translational Medicine》这篇综述文章，核心讲 AI 正在从头到尾改变抗生素研发流程，以前找新抗生素全靠大量实验盲筛，周期长、成本高、成功率很低，而 AI 可以在海量化学空间里快速筛选、直接生成全新可合成的抗菌分子，同时评估毒性、抗菌机制，帮研究人员优先挑出安全性好、作用路径不一样的候选药物，用来应对越来越棘手的细菌耐药危机，研究范围既包含小分子抗生素，也覆盖抗菌肽这类新型抗菌物质，同时文章也点明了从 AI 模型输出到真正上市给患者使用，还有不少转化、监管层面的难点需要解决。
AI 做抗生素研发的主要能力
- 虚拟筛选：一次性扫描百万级别的化合物库，快速预判分子有没有抗菌效果、对人体细胞毒性高低
- 生成新分子：生成式 AI 从零设计全新结构的抗生素，不局限于已经发现的化合物
- 机制预判：提前预测分子的杀菌原理，更容易找到和现有抗生素不一样的作用通路，降低耐药风险
- 候选排序：自动给候选分子打分，优先选出更容易合成、药效好、副作用低的品种
AI 抗生素研发完整流程
- 收集数据：录入已知抗菌分子、细菌抑制实验、细胞毒性等数据集训练 AI 模型
- 模型运算：AI 在巨大化学空间里筛选或者直接生成候选分子
- 初步筛选：模型自动剔除毒性高、很难合成、抗菌活性弱的分子
- 实验室验证：把 AI 挑出来的分子合成出来，做体外、动物实验测试真实效果
- 转化申报：满足条件后进入临床阶段，走药监审批流程
当前面临的阻碍
✅ 高质量标注实验数据不足，很多细菌、耐药菌株相关数据稀缺，会影响 AI 预测准确度
✅ AI 输出的分子，有一部分化学结构很难在实验室合成
✅ 新药临床转化周期久，抗生素的监管审批标准严格
✅ 细菌依然会持续产生耐药，AI 模型也需要持续迭代更新数据
目前 AI 主要是用来提速前期研发，AI 设计出来的抗生素不等于已经上市，绝大多数候选分子还处在实验室验证阶段。
【常见问题】
问题 1：Sci. Transl. Med. 文章里提到的 AI 抗生素发现与设计，和传统找抗生素方式差别在哪？
回答 1：传统抗生素研发依靠大量实体实验盲筛，耗时久、成功率低；AI 抗生素发现与设计靠模型在计算机里虚拟筛选、生成分子，大幅压缩前期筛选工作量，优先锁定有潜力的候选分子。
问题 2：AI 完成抗生素发现与设计之后，是不是就能直接做成药给病人使用？
回答 2：不是，AI 完成抗生素发现与设计只得到候选分子，后续还需要合成、体外实验、动物实验、临床试验，再通过监管审批，整个转化链条门槛很高。
问题 3：AI 做抗生素发现与设计，主要针对什么问题？
回答 3：AI 抗生素发现与设计主要用来应对细菌耐药性危机，寻找新结构、新作用机制的小分子抗生素和抗菌肽，弥补现有抗生素逐渐失效的困境。
【参考资料】
[2026-10-14]（From code to cure: Harnessing AI for antibiotic discovery and design）Science
[2026-10-14]（Sci. Transl. Med.｜从代码到新药：AI 如何重塑抗生素发现与设计）MIT Collins Lab
[2026-06-17]（Deep learning–enabled discovery of antibiotics effective against Neisseria gonorrhoeae）Science Translational Medicine
【免责声明】
本文是对 Sci. Transl. Med. 学术论文的资讯解读，AI 抗生素发现与设计属于前沿科研方向，多数候选药物还未完成临床转化，内容仅做科普参考，不构成医疗用药指导，相关科研成果结论以论文原文和后续临床试验结果为准。