到2050年，科学家估计，抗生素耐药性感染每年将在全球导致超过800万人死亡。
这些是对青霉素等传统抗生素具有耐药性的细菌感染。当你食用受污染的食物、有开放性伤口或接受手术时，可能会产生这些感染。大肠杆菌就是一个很好的例子，因为几种菌株已经对传统抗生素产生了高度耐药性。它们也可能作为继发感染出现，例如病毒感染后的肺炎。
我们需要新的抗生素，而设计它们是非常困难的。
将一种新药推向市场可能需要10年时间和超过10亿美元。而且，自2017年以来开发的13种新抗生素中，已有10种对至少一种类型的细菌无效。
一个潜在的解决方案是使用由训练有素的科学家指导的生成式AI模型，来设计前所未见的分子。
基于物理学的模拟，即计算机模仿现实法则，可以帮助我们快速且经济高效地判断这些分子是否能成为有效的药物。
所有方法都需要一个起点。"开发一种新药"这个提示不够具体。如果我们是在 haystack 中寻找针，至少我们需要知道应该在哪个 haystack 中寻找。对于药物，尤其是抗生素来说，一个很好的 haystack 是肽类。
肽是短链蛋白质，可以在我们体内执行多种不同的功能。例如，广泛用于治疗糖尿病的胰岛素，是人体内自然存在的肽。万古霉素是另一种肽，它是一种重要的抗生素，由生活在土壤中的细菌作为防御机制在自然界中产生。两者都位列世界卫生组织基本药物标准清单上的荣誉位置。
我们可以将AI和基于物理学的模拟结合起来，设计能够杀死细菌的新肽。一个好的AI模型有两个部分：一个可以快速构思出数百万种新设计（生成器），另一个可以推荐接下来应该模拟哪种设计（推荐器）。
推荐器有点像YouTube算法，会推荐你可能想观看的下一个视频。它很有用、很重要，但要设置得当却很棘手。事实上，我们的实验室最近发表了一篇研究论文，探讨了生成器和推荐器的几种不同策略。
在我们的研究中，我们测试了在训练生成器时包含哪些信息最有用。虽然可以向生成器提供关于肽的几乎所有可用信息，但我们发现提供少量高度相关的信息比大量半相关的信息更好。
为什么这可能很重要？因为在许多情况下，我们只有少量的相关信息：例如，我们所知道的数十万种肽中，只有少数几种经过实验测试具有抗菌特性。我们还测试了推荐器的不同策略，并找到了一种更准确地可视化它在肽搜索空间中所走路径的方法。
为什么不直接单独使用生成器呢？嗯，就像任何AI生成的内容一样，我们必须在信任它之前进行验证。
这就是物理学发挥作用的地方。肽通过改变形状来发挥其功能。例如，不寻常的药物Ziconotide是一种止痛药，它通过物理方式"堵塞"脊柱中传递疼痛信号的蛋白质来发挥作用。
许多肽类抗生素，或"抗菌肽"，具有波动的形状，这些形状取决于它们与细胞外部的接近程度。
每个抗菌肽都是编舞中的一名舞者。一种舞蹈是在哺乳动物细胞附近表演的，而另一种不同的、致命性更强的舞蹈则是在细菌细胞附近表演的。第二种舞蹈可以通过攻击和破坏膜来杀死像大肠杆菌这样的微生物。
我们可以通过观察肽舞者在不同类型膜附近的表现来验证AI推荐的分子。
在基于物理学的模拟中，我们将许多肽放在简化膜附近，用一盒水包围整个系统，并将每个原子视为软球。然后，使用类似于视频游戏物理引擎的工具，我们可以观察肽和膜的原子如何随着时间推移而"舞蹈"。
有些人将这称为"硅内"显微镜，它使我们能够放大并观察分子尺度上发生的事情。
有了这种分子显微镜，我们可以验证生成的肽。如果我们看到建模的肽干扰了简化的细菌膜，那么我们可以说它可能具有抗菌性。如果我们看到它干扰了简化的红细胞膜，那么我们可以说它可能具有毒性。
通过这样做，我们可以在浪费实验努力之前，预先筛选出具有无毒抗菌活性的新型、前所未见的肽。我们还可以利用从这些模拟中获得的信息来改进我们的生成器和推荐器。
这样，科学家可以避免耗时的识别有前景的肽的过程，并将其实验室实验投入到验证其临床使用和安全性上。这意味着在我们最需要的时候，可以获得更多、更便宜的药物。
【全文结束】