AI从700亿分子中发现9种新型抗生素候选物，MIT团队向超级细菌发起挑战

面对越来越难以治疗的耐药菌感染，科学家正在尝试一种新的抗生素研发方式：让 AI 从数百亿个分子中寻找潜在药物，甚至直接设计新的化学结构。

近日，麻省理工学院（MIT）宣布，该校教授 Regina Barzilay 和 James J. Collins 获得 2026 年普利兹克 AI 科学研究卓越奖。该奖项由芝加哥大学于 2024 年设立，旨在表彰利用人工智能推动自然科学和工程研究的杰出学者，此次也是首次授予合作研究团队。

Barzilay 是 MIT 工程学院 AI 与健康方向的杰出教授，长期从事机器学习及其医学应用研究；Collins 则是 MIT 生物工程系及医学工程与科学研究所教授，也是合成生物学领域的先驱之一。多年来，两人一直合作探索如何利用 AI 加速抗生素研发。

Regina Barzilay（右二）和 James J. Collins（左三）

根据 Collins 实验室公布的数据，其 Antibiotics-AI Project（抗生素 AI 项目）已经累计利用 AI 对超过 700 亿个分子进行虚拟筛选，对超过 3.8 万个分子开展抗菌实验，并对超过 10 万个分子进行人体细胞相关筛查。目前，项目已通过 AI 发现或设计出 9 种新型抗生素候选物。

从已有化合物中寻找答案

抗生素耐药性是全球公共卫生面临的长期挑战。随着细菌不断演化，一些原本有效的药物逐渐失去作用，而新抗生素的研发速度始终难以跟上。

世界卫生组织 2025 年公布的报告显示，全球处于临床开发阶段的抗菌药物及相关组合疗法共有 90 个，低于 2023 年的 97 个，其中只有 15 个被认为具有创新性。

研发新抗生素的难度，首先源于寻找有效分子的过程。传统方法通常需要研究人员从大量化合物中逐一筛选，再通过实验判断其抗菌活性、毒性和作用机制。即使发现了有潜力的候选物，距离真正成为药物仍有漫长的验证过程。

而且，抗生素通常只需要短期使用，新药还可能为了延缓耐药性而受到使用限制，药企难以获得与慢性病药物相当的商业回报。这也使得新型抗生素研发长期面临投入不足的问题。MIT 团队希望利用 AI 改变其中最耗费时间的环节。

2020 年，Barzilay 和 Collins 等人在《Cell》发表研究，首次展示了利用深度学习发现候选抗生素 Halicin 的成果。研究人员先用已知化合物的实验数据训练模型，让 AI 学习分子结构与抗菌活性之间的关系，再通过模型预测其他化合物的抗菌效果。

通过这种方式，团队从大型化合物库中发现了 Halicin。它原本并不是作为抗生素开发的化合物，却在实验中对多种致病菌表现出杀伤能力，并在小鼠感染模型中取得效果。

Halicin 的结构与常见抗生素有着明显差异，作用方式也有所不同。这表示 AI 有机会帮助研究人员发现过去容易被忽略的抗菌分子，为寻找新型抗生素提供另一条路径。

（来源：Collins Lab ）

2023 年，研究团队又利用深度学习发现了 Abaucin，一种针对鲍曼不动杆菌的候选抗生素。鲍曼不动杆菌是医院获得性感染的重要病原体，部分菌株已经对多类抗生素产生耐药性。与传统广谱抗生素不同，Abaucin 表现出较强的针对性，能够抑制这种特定细菌，为开发更精准的抗菌药物提供了可能。

此后，团队还开始研究 AI 为什么会判断某个分子具有抗菌能力。2024 年，研究人员在《Nature》发表论文，通过可解释的深度学习模型，识别出与抗菌活性相关的分子结构特征，并发现一类对耐甲氧西林金黄色葡萄球菌（MRSA）具有活性的新化合物。

这一进展让 AI 的预测结果更容易被研究者理解，也为后续调整分子结构、优化抗菌活性提供了依据。

不过，这一时期的研究仍然有一个共同特点，那就是 AI 主要负责从已经存在或预先列举的化合物中寻找候选物。即使能够迅速筛选数亿个分子，最终能发现什么，仍受到现有化合物库的限制。

AI 开始设计新的抗生素

2025 年 8 月，MIT 团队在《Cell》发表的一项研究，将 AI 的应用推进到了新的阶段。这一次，研究人员不再满足于让模型筛选已有化合物，而是尝试利用生成式 AI 直接构建新的分子结构，再预测其抗菌能力、潜在毒性和合成可行性。

团队主要尝试了两种方法。第一种方法是先寻找具有抗菌潜力的化学片段，再利用生成模型围绕这些片段构造新的分子。

针对能够引发淋病的淋病奈瑟菌，研究人员先利用 AI 筛选约 4,500 万个化学片段，从中找到具有潜力的结构，再通过生成算法添加或调整化学基团，得到约 700 万个候选分子。经过多轮计算筛选，研究人员选择了 80 个候选物尝试合成，最终只有两个成功，其中一种被命名为 NG1。

实验发现，NG1 对耐药性淋病奈瑟菌具有抗菌活性，并在小鼠感染模型中取得了初步效果。后续研究表明，这种分子能够干扰与细菌外膜形成有关的 LptA 蛋白，从而影响细菌生存。

（来源： MIT 研究团队）

第二种方法则更加开放。研究人员不再预先指定必须保留的化学片段，而是让模型按照基本的化学规律，自由生成新的分子结构。

通过这种方式，AI 提出了超过 2,900 万个候选分子。研究团队随后根据预测活性、毒性和合成难度逐步缩小范围，最终合成并测试了 22 个化合物，其中 6 个对多重耐药金黄色葡萄球菌表现出较强的抗菌活性。

其中一种名为 DN1 的分子，还在小鼠皮肤感染模型中取得了效果。研究人员发现，它主要通过干扰细菌细胞膜发挥作用。两条技术路线合计生成了超过 3,600 万个候选分子，实际合成并测试了 24 个，其中 7 个显示出选择性抗菌活性。

与此前发现 Halicin 和 Abaucin 的研究相比，这项工作的变化在于，AI 已经开始参与分子的设计过程。研究人员可以让模型探索过去没有被合成、也未必存在于任何现成数据库中的化学结构，从而扩大寻找新药的范围。

但这项研究也显示出，计算机中的设计与实际研发之间仍有距离。模型可以生成数百万种分子，能够成功合成并表现出预期药效的却只有少数。AI 扩大了探索空间，后续仍需要化学合成和生物实验逐步验证。

700 亿分子之后，距离新药还有多远？

在生成式分子设计取得进展的同时，MIT 团队也在继续改进利用 AI 筛选现有化合物的方法。今年 6 月，团队在《Science Translational Medicine》发表研究，针对耐药性淋病奈瑟菌，利用图神经网络对约 600 万个化合物进行虚拟筛选。

研究人员先通过实验积累抗菌活性数据，再利用这些数据训练模型，从大规模化合物库中挑选出 213 个候选物进行验证。最终，其中 83 个表现出抑菌活性，命中比例约为 39%。

研究还发现，在识别具有新颖化学结构的抗菌候选物方面，专门训练的图神经网络表现优于此次测试中的大语言模型。这说明，对于分子性质预测等专业任务，针对化学结构设计的模型仍然具有重要价值。

其中两种具有不同化学结构的候选物，在动物感染模型以及模拟人体组织环境的器官芯片实验中表现出初步效果。研究人员还发现，其中一种分子可以干扰细菌细胞壁合成所需的丙氨酸消旋酶，为后续研究提供了新的作用靶点。

经过多年积累，MIT 团队已经逐渐形成了一套结合计算预测、分子设计与实验验证的研发流程。AI 负责筛选或生成候选分子，研究人员再通过实验评估抗菌活性、安全性和作用机制。获得的新数据又能用于训练和改进模型，为下一轮研究提供依据。

目前，Antibiotics-AI Project 重点关注七类病原体，包括鲍曼不动杆菌、铜绿假单胞菌、肺炎克雷伯菌、大肠杆菌、金黄色葡萄球菌、淋病奈瑟菌和结核分枝杆菌。团队还与非营利机构 Phare Bio 合作，希望推动相关候选物向实际药物研发转化。

不过，从发现具有抗菌活性的分子，到完成毒性研究、药代动力学评价、动物实验和人体临床试验，还有很长的路要走。即使一种化合物能够在实验室中有效杀菌，也可能因为人体毒性、稳定性或体内分布等问题，无法成为真正的药物。

最近，Collins 等研究人员还在《Science Translational Medicine》发表综述，讨论 AI 抗生素研发从计算设计走向临床应用需要解决的挑战，包括实验数据质量、模型评价、药物开发和监管等问题。

AI 加速药物发现之后，研发流程中的其他环节正在变得更加重要。模型可以在短时间内探索过去难以覆盖的化学空间，但候选物的合成、验证和临床开发，仍然需要投入大量时间与资源。

1.https://imes.mit.edu/news-events/regina-barzilay-jim-collins-are-recipients-2026-pritzker-prize-ai-science-research

2.https://www.collinslab.mit.edu/antibiotics-ai-project

3.https://www.who.int/news/item/02-10-2025-who-releases-new-reports-on-new-tests-and-treatments-in-development-for-bacterial-infections

4.https://doi.org/10.1016/j.cell.2020.01.021

5.https://doi.org/10.1038/s41589-023-01349-8

6.https://doi.org/10.1038/s41586-023-06887-8

7.https://doi.org/10.1016/j.cell.2025.07.018

8.https://doi.org/10.1126/scitranslmed.ads4699

9.https://doi.org/10.1126/scitranslmed.aee4629

运营/排版：何晨龙

注：封面/首图由 AI 辅助生成