AI驱动的抗菌药物发现专题介绍
背景
病原微生物中抗菌药物耐药性（AMR）的全球性蔓延，已被公认为当代临床医学面临的最紧迫挑战之一。随着病原体持续进化出逃避新型治疗药物的机制，本就缓慢、昂贵且高失败率的传统抗菌药物研发管线已难以跟上其进化速度。这一日益扩大的差距凸显了创新方法的迫切需求。近年来，人工智能（AI）作为变革性力量，正重塑抗菌药物的发现、设计、优化及临床应用全流程。
AI对抗菌药物发现的最大贡献在于其分析海量复杂数据集的能力，其规模与速度远超人类极限。首要数据集是化学文库。传统药物研发依赖对数千种化合物的物理筛选——这种耗时耗力的过程往往持续数年却仅产出少量可行候选物。相比之下，AI驱动方法（尤其是深度学习技术）可在数日内计算评估数亿化学结构。这些模型通过学习识别与抗菌活性相关的结构和理化特征，快速筛选出具有高治疗潜力的化合物。
另一类重要数据集涵盖病原微生物的基因组学、转录组学、蛋白质组学和代谢组学数据。这些资源虽未被充分利用，但在整合至AI驱动管线后潜力巨大。AI模型可利用这些数据识别关键基因与新型治疗靶点，预测可靶向细菌通路，并分析通路脆弱性。此类方法能深化对微生物生物学的系统级理解，开辟抗菌药物研发新路径。
除筛选现有化合物库外，AI正越来越多地用于从头设计全新分子。生成式AI模型可预测哪些化学修饰可能增强抗菌效力或降低人体毒性，由此建立迭代反馈循环：AI提出候选分子→实验验证其活性→结果数据反馈模型以优化后续预测。
AI的另一关键能力在于预测耐药性与进化动态。该领域模型可预判可能的耐药突变，在临床显著发生前识别细菌适应性变化。通过对细菌基因组的AI分析，可检测新兴耐药性的早期信号，实现主动干预。当与监测系统、抗菌药物管理措施及规避高风险靶点的理性药物设计策略结合时，AI有助于维持抗菌药物的长期有效性。
因此，本专题目标具有广泛包容性，涵盖抗菌药物与耐药性领域中AI可显著贡献的各类研究。我们尤其欢迎涉及AI在生物膜相关感染（如糖尿病足溃疡、囊性纤维化肺部感染及导管相关感染）中应用的论文。
本专题重点聚焦但不限于以下子领域：
• AI在抗菌潜力化合物识别与优先级排序中的应用，包括苗头化合物发现、先导物优化、药物重定位与机制预测
• AI在关键基因与新型治疗靶点识别、可靶向细菌通路预测及通路脆弱性分析中的作用
• AI在全新抗菌分子从头设计中的应用，包括提升效力或降低人体毒性的化学修饰
• AI与监测系统、抗菌药物管理计划及规避高风险靶点的理性药物设计策略的整合
• AI支持的生物膜检测与治疗方法
• 计算驱动与AI赋能的药物筛选及重定位
本专题接受该期刊允许的全部文章类型。特别提醒：原创研究论文必须包含对AI推导结果的实验或实验室验证。
关键词： 人工智能，机器学习，抗菌药物发现，靶点识别，抗菌药物耐药性，抗菌药物管理，抗菌药物耐药性监测，生物膜
重要说明： 所有投稿必须符合目标期刊的范围定义，Frontiers保留在同行评审任何阶段将超出范围的稿件转至更合适期刊的权利。
【全文结束】
