OpenAI在9月10日介绍César de la Fuente实验室如何使用ChatGPT与Codex寻找新的抗菌分子。团队把DNA和蛋白质序列视为信息，利用深度学习在现生与灭绝生物的基因组中筛选候选肽，并用AI辅助假设讨论、代码编写、数据处理和跨学科沟通。计算筛选可从多年缩短到小时，但候选分子距离药物仍有漫长验证链。
把科学问题拆成可计算目标
先定义目标微生物、候选序列范围、活性指标和排除条件，再准备有来源的数据。模型帮助理解术语和方法，不应替研究者决定什么问题值得研究。数据清洗记录物种、版本、重复和质量，防止数据库错误被放大。
Codex用于可复现代码而非一次脚本
让Agent生成下载、预处理、特征计算和结果绘图代码，并固定依赖、参数与随机种子。研究人员逐段审查，使用小样本验证，再扩展到大规模序列。代码输出要连接到原始数据和结果表，不能只保留聊天中的片段。
候选排序需要多目标约束
抗菌活性只是一个维度，还要考虑对人体细胞的毒性、稳定性、溶解性、合成难度和耐药风险。模型分数应提供置信度和适用范围，研究者保留不同机制的候选，避免只挑同一模式的高分结果。
湿实验是不可省略的真值
合成候选后测试最小抑菌浓度、细胞毒性、作用机制和重复性。阳性与阴性对照、不同实验人员和批次都要纳入。早期活性不能直接宣传为新抗生素，还需动物、药代、制造、监管和临床阶段。
跨学科协作要明确责任
生物学家、化学家、程序员和工程师可以借助ChatGPT理解彼此领域，但关键判断由对应专家负责。模型提出的新联系要查原始文献。团队会议记录哪些想法来自AI、哪些被实验支持，失败候选同样保留。
进一步实施建议
可落地的教学项目应使用公开、低风险数据复现已知抗菌肽筛选，而不是直接设计高风险生物实验。先让学生建立基线模型，再由Codex协助重构代码和可视化，最后比较结果与文献。专业实验室则应把生物安全、知识产权和数据治理纳入项目审批。AI真正节省的是搜索和编程时间，不能压缩必要的科学验证。
落地检查清单
- 所有序列数据记录来源和版本。
- 代码、依赖、参数与结果可以复现。
- 候选同时评估活性、毒性与稳定性。
- 药物结论必须经过完整实验和监管流程。
