当过去宾大研究已证明AI可筛选海量数据发现潜在抗生素时，这项研究更进一步展示了AI从零开始创造抗生素候选物的能力。
"自然界的蛋白质数据是有限的；而借助AI，我们可以设计进化从未尝试过的抗生素。"论文资深作者、宾大生物工程与化学等多领域教授César de la Fuente表示。研究团队将生成式AI算法应用于分子设计领域，开发出AMP-Diffusion工具。
该工具的工作原理与DALL·E等图像生成工具类似，但专注于优化氨基酸序列。与Chatterjee实验室合作开发的AMP-Diffusion采用创新方案：直接基于Meta开发的ESM-2蛋白质语言模型（该模型已学习数亿自然蛋白序列），无需自行构建蛋白质"潜在空间"。这种设计使AI能直接借鉴已有的生物学知识，生成更符合蛋白质折叠规律的抗菌肽。
研究团队生成约5万种候选分子后，通过AI筛选出46种最具潜力的抗菌肽进行实验验证。在小鼠皮肤感染模型中，两种候选分子展现出与左氧氟沙星、多粘菌素B等FDA批准药物相当的疗效，且未出现可检测的副作用。这是首个将扩散模型与预训练蛋白质语言模型结合的抗菌肽设计系统。
"这证明了生成式AI对抗生素耐药危机的应对潜力。"共同通讯作者Pranam Chatterjee指出，未来计划增强系统对特定感染类型的设计能力，并优化药物特性。研究团队强调，这种突破性方法标志着抗生素研发从挖掘自然进化成果转向人工智能设计新纪元，目标是将发现周期从数年缩短至数天。
该成果已发表在《Cell Biomaterials》期刊（DOI: 10.1016/j.celbio.2025.100183），为解决全球抗生素耐药性难题提供了革命性方案。
【全文结束】
