夜雨聆风阅读时间：约5分钟 | 基于Cell论文《A generative deep learning approach to de novo antibiotic design》
图1｜本文主线：抗生素危机、传统研发瓶颈与生成式AI造药。
这篇文章最吸引人的地方，不是“AI又找到一个分子”，而是它把抗生素发现从“筛旧仓库”推进到“探索未知化学宇宙”。 |
┃ 先说结论：这不是马上能上市的新药，但路线很值得看
如果要选一个最容易让普通读者产生兴趣的AI生物医学故事，抗生素一定排得很靠前。因为“超级细菌”不是遥远概念：当细菌对常用抗生素越来越不敏感，外伤、手术、泌尿生殖道感染、皮肤感染，都可能重新变得危险。
这篇Cell论文的核心问题很直接：既然人类已经在已知药库里找了很多年，为什么不让AI直接去未知化学空间里“造”新的抗菌分子？研究团队给出的答案是：可以试，而且他们不只停留在电脑预测，还把候选分子合成出来，做了体外抗菌实验、机制研究和小鼠感染模型。
所以，这篇文章不适合被写成“AI已经解决耐药危机”。更准确的说法是：AI正在变成一种新的分子探险工具，帮助我们找到传统药物发现路线很难优先走到的化学区域。
┃ 论文信息卡
论文标题 | A generative deep learning approach to de novo antibiotic design |
期刊 | Cell 188, 5962-5979, 2025 |
作者团队 | Aarti Krishnan、Melis N. Anahtar、Jacqueline A. Valeri 等；James J. Collins 团队 |
研究对象 | 生成式AI设计抗菌小分子，靶向 Neisseria gonorrhoeae 与 Staphylococcus aureus |
核心结果 | 24个合成化合物中7个显示选择性抗菌活性；NG1和DN1进入深入机制与动物模型验证 |
DOI | 10.1016/j.cell.2025.07.033 |
┃ 为什么抗生素需要“重新发明”？
抗生素发现曾经是现代医学最辉煌的篇章之一。但现在，耐药菌进化得越来越快，而新抗生素的发现却越来越慢。论文开头提醒我们：抗生素耐药相关细菌感染已与全球约500万例年度死亡相关；淋病奈瑟菌被CDC列为“urgent”威胁，金黄色葡萄球菌则属于“serious”威胁。
更扎心的是，论文引用的历史数据显示，1980年至2003年间，全球前15大制药公司只开发出5种抗菌药物。原因并不神秘：抗生素研发投入大、失败率高、商业回报又不如慢病药和肿瘤药稳定。于是，我们一边看着耐药问题扩大，一边面对新药管线不足。
这就是生成式AI介入的背景。过去AI更多是在已有化合物库里筛选：给一堆候选分子打分，预测谁可能抗菌。但这篇Cell研究往前走了一步：让AI生成新的小分子，再看它们能不能真的杀菌。
图2｜两条设计路线：有化学片段作为起点的片段驱动路线，以及没有具体起点的从头生成路线。
┃ AI到底怎么“造药”？
这项研究里，AI不是凭空许愿，而是被放进了一个相当严密的药物发现流程。第一步是让图神经网络（GNN）给化学片段和小分子打分：它们可能对某种细菌有活性吗？会不会对人体细胞有毒？是否和已知抗生素过于相似？
随后，研究团队设计了两条路线。第一条是“片段驱动”：先从超过4500万个化学片段中找出有希望的起点，再用CReM和VAE一类生成模型把这些片段扩展成完整分子。第二条是“从头生成”：不预设具体片段，让模型在学习到的化学规则里直接生成候选分子。
这一步很像让AI在一个巨大迷宫里寻找新出口。已知药库只是迷宫里很小的一块区域，而药物样化学空间理论上可以达到约10^60个分子。传统筛选像是在熟悉街区里找东西，生成式AI则试图把手电筒照向还没有被充分探索的地方。
图3｜研究中的关键筛选漏斗：从千万级虚拟分子，到真实合成和实验验证。
┃ 最关键的结果：24个合成分子，7个真的有抗菌活性
这篇论文最有说服力的地方，是没有停在“预测分数很好”。作者最终合成了24个AI设计的化合物，其中7个显示选择性抗菌活性。换句话说，AI提出的很多候选确实没走通，但走通的比例已经足以证明这条路线值得继续。
在片段驱动路线中，代表分子是NG1。它来自F-VAE模型设计，能抑制N. gonorrhoeae ATCC 49226，MIC为0.5 μg/mL。更有意思的是，NG1显示出窄谱特征：它主要作用于致病性Neisseria，而不明显影响一些共生Neisseria和其他被测试细菌。
在从头生成路线中，代表分子是DN1。研究团队先让模型生成约2900万个候选分子，再经过药物样、低毒性、结构新颖性和可合成性筛选，最终测试了22个JT-VAE设计分子，其中6个显示抗菌活性。DN1对MSSA和MRSA的MIC均为4 μg/mL，是其中最突出的分子。
图4｜两个重点候选分子：NG1瞄准淋病奈瑟菌，DN1瞄准MRSA等革兰阳性菌。
┃ NG1：可能打开了一个“淋病新靶点”
淋病是一个非常现实的耐药问题。最让人担心的是，有些淋病奈瑟菌株已经对多种曾经推荐的一线药物失去敏感性。论文中提到，NG1对高度耐药的N. gonorrhoeae菌株仍显示活性，包括美国发现的对头孢曲松以及其他既往推荐一线药物都失去敏感性的菌株。
机制上，NG1并不像常见抗生素那样走老路。作者通过膜流动性、膜完整性、SYTOX green进入、冷冻电镜、PISA蛋白质组学和RNA-seq等实验，发现它可能影响外膜相关过程，并把LptA指向为主要作用靶点。LptA位于脂寡糖（LOS）转运通路，是一个过去被提出但尚未真正药物化的抗生素靶点。
动物实验也给了初步信号：在小鼠N. gonorrhoeae阴道感染模型中，局部给药NG1后，阴道细菌负荷相对vehicle约下降3个log，且小鼠耐受良好。这不等于它已经能用于人体，但说明它不是“只在培养皿里好看”的分子。
┃ DN1：一个从头生成的MRSA候选分子
DN1更像这篇文章的“科幻主角”：它不是从某个明确抗菌片段一路扩展而来，而是来自更自由的de novo生成流程。它对MSSA和MRSA均显示MIC 4 μg/mL，并对多种革兰阳性菌具有广谱活性，同时也对N. gonorrhoeae有一定活性。
机制上，DN1表现出膜活性特征。实验显示它能影响S. aureus的膜电位相关读数，显微成像也观察到细胞膜变化。更重要的是，耐药性测试中，在4倍和8倍MIC条件下培养7天未出现菌落；连续传代30轮后，MRSA对DN1的MIC也没有明显升高。
在小鼠MRSA皮肤感染模型中，DN1局部给药后使平均细菌负荷较vehicle降低约10倍，效果与阳性对照夫西地酸相近。随后作者还合成了19个DN1类似物，其中5个对MSSA、MRSA和10个MRSA耐药株显示MIC 2-8 μg/mL；DN1-164在多株耐药S. aureus中MIC不高于4 μg/mL，并未增加对人细胞毒性。
图5｜现实边界：AI造药很有前景，但距离临床药物还有大量工作。
┃ 这篇文章为什么值得写公众号？
第一，它的故事非常容易让普通人理解：超级细菌正在逼近，而AI开始帮助科学家重新发明抗生素。相比“模型AUC提高多少”，这个主题天然有公共健康紧迫感。
第二，它不只是软件文章，而是完整做到了“计算设计—化学合成—体外验证—机制研究—动物模型”。这让它比许多只做虚拟筛选的AI药物论文更扎实，也更适合做深度解读。
第三，它提供了一个未来趋势：AI药物发现不应只被理解为“加速筛库”，更可能成为探索化学空间的引擎。未来的药物发现，也许会从“我们有什么分子”变成“我们希望分子具备什么性质，然后让AI生成”。
┃ 但不要吹过头：它还不是临床抗生素
这篇文章需要冷静看。首先，AI模型可能产生假阳性，也可能生成结构不够多样的分子，所以作者自己也强调，模型输出必须逐个实验验证。
其次，化学合成是硬瓶颈。论文中很多AI设计分子最后并不能在合理时间和成本内合成，或者合成后活性不够。这提醒我们：AI能提出化学想法，但现实化学并不会自动配合。
最后，从小鼠感染模型到人体药物，中间还有药代动力学、全身毒性、局部给药可行性、剂量、稳定性、代谢、耐药演化和临床试验等大量关卡。真正成熟的新抗生素，不是一篇Cell论文就能完成的。
┃ 一句话总结
当人类快跑不过超级细菌时，AI正在帮我们打开一片过去几乎没走过的化学空间。 |
我对这篇论文的判断是：它不是终点，而是一次非常重要的路线展示。AI不会直接替代药物化学家、微生物学家和临床研究者；但它可能成为新一代抗生素发现的“分子探险器”。它能把人类带到更陌生、更广阔的化学空间，而真正的药物，还需要实验和临床一步步把它拉回现实。
┃ 参考文献
Krishnan A, Anahtar MN, Valeri JA, et al. A generative deep learning approach to de novo antibiotic design. Cell. 2025;188:5962-5979. DOI: 10.1016/j.cell.2025.07.033.
本文为公众号科普解读稿，所有图示为中文重绘信息图，不等同于原文图。
