AI赋能抗生素研发：现状、难题与发展趋势

本文全面探讨了人工智能技术在应对日趋严重的抗菌药物耐药性危机中的关键价值。研究深入总结了机器学习与深度学习算法在筛选及改良现有抗菌物质（涵盖小分子化合物与抗菌肽）方面的前沿成果，同时介绍了从零开始构建新型抗生素分子的创新方法。此外，本文还理性剖析了现有AI技术遭遇的瓶颈，并对后续科研方向作出预判，为快速推进新一代抗菌药物研发绘制了系统性蓝图。

当前抗生素研发正处于决定性转折点。一方面，抗菌药物耐药性正以惊人速度扩散，演变为全球性健康威胁，世卫组织公布的重点耐药菌清单中，碳青霉烯耐药鲍曼不动杆菌、甲氧西林耐药金黄色葡萄球菌等超级病菌已对终极疗法形成抵抗。另一方面，自上世纪抗生素研发的黄金时期结束后，全新类别抗菌药物的发现速率显著减缓，传统研发路径已无法追赶耐药菌的进化速度。值得庆幸的是，人工智能技术的崛起为该领域带来新契机，成为探索化学与生物空间、提速药物创制进程的利器。

AI在抗生素研发领域的实践、困境与前景

绪论

抗菌药物的发现与应用构成了现代医疗体系的根基，极大降低了感染性疾病致死率，使器官移植、肿瘤化疗等复杂治疗手段得以实现。然而，抗菌药物的滥用与误用加速了耐药性的形成。细菌借助基因变异、横向基因转移等方式，演化出酶解、靶位改变、主动泵出及膜通透性下降等多样化耐药策略。同时，由于经济效益不足、开发费用高昂等原因，药企对抗生素研发的投入持续缩减，形成了创新断层。以机器学习与深度学习为代表的人工智能技术，正逐步渗透药物研发全流程，从靶标发现到先导物优化，致力于深度挖掘微生物基因组与蛋白质组信息，预判化合物活性，并构建具备优良特性的候选分子。

抗生素研发的数据资源基础

抗菌药物可归纳为两大类别：小分子化学药与抗菌肽。小分子类抗生素（例如β-内酰胺类、四环素类）一般通过高强度特异性结合作用于细菌的关键结构（如细胞壁、核糖体）。而抗菌肽多为源自生物体防御系统的短链多肽，主要机制是破坏细菌细胞膜完整性，具备广谱杀菌效果且不易诱导耐药，但其临床转化面临蛋白酶解不稳定、潜在细胞毒性等障碍。

这两类药物的研发均依赖庞大的数据库支撑。针对小分子化合物，现有DrugBank、ChEMBL、PubChem、DrugCentral等综合型药物信息平台，以及BindingDB、KEGG等聚焦药物-靶标互作的专业库。针对抗菌肽领域，则构建了APD、CAMP、DBAASP、LAMP、DRAMP等专属资源库。这些数据平台全面收录了分子的化学属性、药理特征、活性测定结果及作用靶点等核心信息，为人工智能算法的训练与测试供给了数据燃料。

抗生素研发应用的AI算法类型

人工智能在抗菌药物研发中的运用集中于双重路径：预测建模与创生式设计。预测型算法专注于评估已有化合物的核心药学指标（如杀菌效力、安全性、药物代谢特性），而生成型算法则致力于从零开始构建具备理想治疗属性的全新分子结构。

抗菌药物研发的关键计算环节

抗菌效力预判：这是最基础且关键的计算任务。可简化为二分类判定（区分有无抗菌作用），也可细化为多标签识别（判断具体抗菌谱，如抗细菌或抗真菌），或精确预测最小抑菌浓度数值（分类或回归模式）。例如，APEX平台能够对11种临床致病菌的MIC值作出预估。

安全性评估：保障候选分子成药性的核心环节。当前多数算法采用二分类模式，识别化合物是否存在溶血或细胞毒等风险。HemoPI、HemoPred等工具专用于预测多肽的溶血倾向，ToxiM则针对小分子毒性进行风险评级。

分子创生：生成算法的使命是构建全新的肽链或小分子骨架。针对多肽主要采用序列生成策略，针对小分子则多基于SMILES字符串或图结构表示。先进生成系统还支持条件式创制，在设计中嵌入预设限制（如高效低毒），并实现多目标协同优化，统筹兼顾各项理想指标。

多肽与分子的特征编码方式

高效的特征编码是算法成功的基石，主要涵盖四大类型：

1.序列编码：针对多肽，涵盖氨基酸组分、二肽/三肽出现频次及电荷、疏水性等物理化学属性。矩阵化表征如独热编码、AAIndex数据库、PSSM位置特异性矩阵也常配合卷积神经网络使用。

2.结构编码：当具备多肽或分子的三维构象数据时，可提取距离矩阵、接触图谱、二级结构等特征。针对小分子，可借助RDKit等工具计算其空间几何与电子特性。

3.分子表征：小分子常采用SMILES字符串形式，并可进一步转化为分子描述符、结构指纹等数值化特征向量。

4.嵌入向量：通过大规模无标注数据预训练语言模型获得的上下文敏感表征。针对多肽领域有ESM、ProtBERT、ProtT5等预训练模型，小分子领域则有ChemBERTa、MolBERT等。此类嵌入能够捕捉深层次的进化规律与化学模式，通常可提升预测准确度。

预测算法体系

传统机器学习算法：包括支持向量机、逻辑回归、随机森林、XGBoost等，依赖人工设计的特征工程，需通过特征筛选防止过拟合现象。

非图深度学习算法：如卷积神经网络、循环神经网络及其长短期记忆网络变体，可直接从原始序列中自动提取层级化特征。早期研究曾采用CNN-LSTM混合框架进行抗菌肽预测。

预训练语言模型：基于Transformer架构的蛋白质语言模型（如ESM、ProtBERT）借助自监督机制在海量蛋白序列上完成预训练，所得嵌入蕴含丰富的上下文与进化线索。仅需少量标注样本进行微调，便可在抗菌肽分类等任务中实现顶尖性能。

图深度学习算法：图神经网络特别适配图结构数据处理。在多肽场景中，节点对应氨基酸残基，边对应序列连接或空间邻接；在小分子场景中，节点对应原子，边对应化学键。GNN能够对原子或残基层级的交互作用建模，在结构信息可获得时展现优异性能。

集成学习方案：通过融合多种异构模型（如支持向量机、卷积神经网络、图神经网络、随机森林）的预测结果，集成策略可显著提升算法的稳健性与泛化水平。

抗生素创制的生成算法

生成算法的核心目标是探索庞大的化学与序列空间，创制符合多重药理学标准的候选分子。主流架构涵盖：

无条件与条件生成算法：无条件模型（如基于循环神经网络、Transformer的架构）致力于生成与训练集分布一致的分子的。条件生成模型（如条件变分自编码器、条件Transformer）则支持在创制过程中嵌入特定限制（如预期活性、净电荷、链长等），实现定向设计。

多目标与强化学习算法：为同时满足活性、安全性、可合成性等多重指标，多目标优化策略得到广泛应用。强化学习将生成算法视为智能体，依据预测模型提供的奖励信号（如高效低毒评分）迭代改进生成策略。蒙特卡洛树搜索也被引入作为探索手段，在复杂化学空间中进行路径规划。

结构感知与图生成算法：此类算法融合空间或拓扑信息以提升生成分子的有效性与相关性。针对小分子，图变分自编码器、连接树变分自编码器等图结构模型可产出化学键正确的分子图谱。三维感知模型（如G-SchNet、GeoDiff）能够生成分子构象。针对蛋白/多肽，RFdiffusion等扩散模型可根据目标结构特征完成设计。

AI算法在抗生素研发中的系统性对比

各类算法均有其优势与局限，适用性取决于具体任务与数据特征。传统机器学习算法计算效率高，适于大规模初筛。蛋白质语言模型在标注数据稀缺时效果显著，但缺少显式结构信息。图神经网络在获取高质量结构数据时（尤其小分子）性能突出，但对多肽而言需依赖精准结构预测。在生成算法中，Transformer适用于抗菌肽序列创制，扩散模型与变分自编码器在多肽和小分子生成中均表现稳健且支持条件生成。生成对抗网络可产出多样化分子，但训练过程不稳定。强化学习擅长处理多目标优化，但对奖励函数设定较为敏感。

AI驱动的抗生素研发实践与流程框架

典型的AI驱动研发流程始于多源数据库的数据聚合，用于构建预测算法。这些算法随后应用于大规模虚拟筛选或辅助新分子创制。无论源自虚拟库筛选还是生成模型，候选分子通常先经活性预测模型初筛。高评分分子再接受毒性评估、结构合理性审查等多层过滤。优选分子进入实验验证环节，涵盖体外MIC检测、细胞毒性评价。表现突出者将进一步开展动物感染模型体内疗效测试，并深入解析其作用机理（如膜破裂、酶抑制）及耐药倾向。现阶段研究主要沿两条主线推进：对现有化合物库实施大规模虚拟筛选，以及针对特定细菌靶标开展精准设计。

引用文献

人工智能在抗生素发现中的应用、挑战与未来展望