面对日益严峻的抗生素耐药性危机，《Nature Biotechnology》发表的研究展示了AI如何革新药物发现。GNEprop开源模型从14亿分子中筛选出82种新型抗生素，效率提升90倍，为半个世纪未突破的抗菌领域带来曙光。
智能速览
GNEprop模型实现90倍筛选效率提升，从14亿分子锁定82个新活性化合物
深度预训练让模型获得化学直觉，能预测全新结构分子的抗菌活性
研究发现的新分子具有全新作用机制，精准靶向革兰氏阴性菌关键蛋白
团队完全开源模型和代码，降低AI药物发现门槛
AI筛选命中率23.8%，远超传统方法的0.26%
研究为AI引导的药物优化提供了新路径
精华内容
这项研究不仅是一个漂亮的数字游戏，更是AI驱动科学发现的完整范式验证。通过大规模数据训练专用模型，再用于超大规模虚拟筛选，系统性提升了药物发现效率。
危机与挑战
全球每年127万人直接死于抗生素耐药性感染，而人类已经半个多世纪没有全新类别的抗生素问世。革兰氏阴性菌因其双层细胞膜结构，让许多药物难以进入，成为研发的最大障碍。传统筛选方法如同大海捞针，即使测试数百万分子也可能一无所获，成功率极低。
GNEprop核心
GNEprop是一个专为药物发现设计的图神经网络模型，将原子视为节点，化学键视为边，从分子结构中学习抗菌活性规律。其强大源于三大设计：首先通过1.22亿分子数据的无监督预训练获得化学直觉；其次采用严格的骨架-聚类分割测试，确保能预测全新结构；最后配备可解释性管道，能高亮分子中对活性贡献最大的原子。
四步筛选
研究团队执行了清晰的四步战略：第一步，实验测试近200万个小分子，获得5161个活性化合物作为训练数据；第二步，用这些数据精调预训练好的GNEprop；第三步，让模型扫描Enamine REAL数据库的14亿分子，48小时内筛选出4.4万高潜力候选；第四步，合成测试345个代表性分子，确认82个活性分子，命中率23.8%。
重大发现
研究价值远不止效率提升。可视化分析显示，新发现的活性分子在化学空间中远离已知抗生素，意味着全新作用机制。通过耐药突变株筛选和基因组测序，锁定LpxH和FabZ为作用靶点，证明AI找到的是精准打击的智能弹药而非普通毒物。研究还展示了AI引导的药物优化能力，能在已知活性分子周围快速找到更优的分子。
开放共享
研究团队将训练好的GNEprop模型、完整代码和GNEtoIC数据集全部开源。这种开放科学精神，让全球研究机构和制药公司都能直接使用这个已验证90倍效率提升的工具，无需从零开始。这不仅是一项突破，更是整个科学共同体应对抗生素危机的新基础设施，极大加速了集体智慧的汇聚。
未来挑战
通往临床应用仍面临挑战：一是需要提升模型预测分子穿透革兰氏阴性菌双层细胞膜的能力；二是要在杀菌活性、毒性、代谢稳定性等多属性间找到平衡；三是需要从模型解释性中推导出普适的化学设计规则。团队已开始构建穿透性预测模型，并探索利用模型嵌入识别新颖机制分子。
这项研究完成了AI驱动科学发现的完整范式验证，证明了系统性、高效发现全新先导化合物的可行性。通过开源共享，团队为整个领域对抗耐药性提供了新武器。AI for Science正从辅助工具转变为发现引擎，在对抗超级细菌的漫长战争中，人类刚刚装备了一件由算法锻造的新武器。
