核心觀點

抗藥性微生物正使既有抗生素的有效性持續受壓；OpenAI 引述的資料指出，2021 年約有 500 萬死亡與細菌抗微生物抗藥性相關，且年死亡負擔預估至 2050 年約增為兩倍。生物工程師 César de la Fuente 的實驗室因此把搜尋範圍從熟悉的藥物化學空間，延伸到現存與已滅絕生物的基因組：把 DNA 的核苷酸、蛋白質與胜肽的胺基酸視為「生命的字母」，用模型尋找可能具有抗菌活性的序列模式。

這不是讓通用聊天模型直接「發明抗生素」。實驗室以自建深度學習模型掃描大型基因組與蛋白質資料庫，從龐大的候選集合中篩出值得實驗的訊號；官方描述該初步搜尋可由數年縮短為數小時。ChatGPT 與 Codex 則定位為研究工作流的協作者：協助發想假說、撰寫與修整程式、整理及前處理資料、分析結果，並跨越生物、化學、工程與資訊的術語與技能落差。

技術亮點：兩層 AI，而非單點神諭

值得區分的是「序列篩選模型」與「研究助理工具」兩層。前者從生物序列辨識可能的功能模式；後者降低研究者將問題轉成程式、資料處理與跨領域討論的摩擦。資料庫愈大，真正稀缺的愈不是資料本身，而是如何將候選收斂為可測試的少數分子。這與 GeneBench-Pro：OpenAI 計算生物學 AI 基準測試 所揭示的限制相呼應：真實生物研究需要處理噪音、歧義與方法選擇，不能將模型輸出等同於可靠的科學判斷。

實驗室也將共享工作空間用作集體的「想法回音板」：不同專業背景的成員可輸入尚未成熟的想法，再由人機協作追問與整理。其價值在於擴大可被討論、可被寫成程式、可被檢查的假說空間；不是以模型取代跨學科研究者的責任。

從候選到藥物：最重要的仍是地面真相

候選分子被模型排在前面，並不表示它能成為藥物。後續仍須驗證是否能殺死目標微生物、有效濃度是否足夠、對人類細胞的影響，以及毒性、抗藥性形成、體內分布與可製造性；通過這些關卡後還有法規審查與臨床試驗。de la Fuente 明確指出，實驗室的 ground-truth 實驗是驗證 AI 預測的必要條件。

因此，合理的導入指標不是「模型產生多少候選」，而是候選命中率、每輪實驗的資訊增益、從假說到可重現結果的週期，以及被排除候選的原因是否可追溯。這也延續 OpenAI 研究加速：編程代理重塑 AI 研發工作流 的人機分工：代理能壓縮資料與程式的執行摩擦，但研究問題、實驗設計、異常判讀與是否採信結果，仍須由具備領域判斷的人承擔。

實務意義

此案例的可複用方法是把 AI 放在「高維搜尋＋跨域轉譯＋可驗證交接」的組合中：先以專用模型縮小探索空間，再以通用工具讓不同專業者能共同處理資料與假說，最後用實驗把預測拉回現實。對生命科學團隊而言，最快的路徑不是跳過濕實驗，而是讓每一輪濕實驗更有資訊價值；AI 加速的是篩選與協作，驗證仍是科學的煞車與方向盤。

相關連結

反向連結

以下頁面引用了本頁：