分子去灭绝

核心事件 宾夕法尼亚大学塞萨尔·德拉富恩特（César de la Fuente）实验室正利用 OpenAI 的 Codex 和 ChatGPT 模型，将生物基因序列视为一种“语言”进行解析。通过在大规模现存及灭绝物种的基因组数据中进行挖掘，该团队成功识别出具有抗菌潜力的候选分子，旨在解决日益严峻的全球抗生素耐药性危机。 ▶ 跨界范式转移：研究团队将原本用于代码生成的 Codex 模型应用于生物序列，证明了 LLM 在处理高度结构化非文本数据（如氨基酸序列）方面的强大通用性。 ▶ 分子去灭绝（Molecular De-extinction）：通过 AI 扫描尼安德特人等灭绝物种的蛋白质组，实验室成功“复活”了古代分子的抗菌功能，开创了生物考古与现代医学交叉的新路径。 ▶ 研发效率指数级提升：AI 驱动的“干实验”筛选将原本需要数年的药物发现周期缩短至数周，显著降低了早期候选药物的发现成本。 八卦洞察 德拉富恩特实验室的研究揭示了一个深层趋势：生物学正在被彻底“计算化”。过去，药物研发依赖于随机筛选或天然产物提取，而现在，LLM 将生命科学转变为一个搜索与优化问题。值得注意的是，该团队选择 Codex 而非专门的生物模型，暗示了底层逻辑的共通性——无论是 Python 代码还是蛋白质序列，本质上都是遵循特定语法规则的符号流。这种“蛋白质即语言”的视角，正在打破学科壁垒。此外，利用 AI 挖掘灭绝物种基因组的做法，不仅是科学上的猎奇，更是一种战略性的资源开发：在现代抗生素逐渐失效的背景下，古代生物的免疫防御机制可能提供了一座尚未被耐药菌株“污染”的天然宝库。 行动建议 对于生物医药企业，应立即评估现有研发管线中 LLM 的介入深度，重点关注如何利用 RAG（检索增强生成）技术将私有实验数据与通用大模型结合。对于技术投资者，关注点应从单纯的“AI 发现平台”转向“干湿实验闭环”能力，即 AI 预测后快速进行生物验证的能力，这才是未来的核心壁垒。此外，企业应警惕“分子去灭绝”带来的伦理与监管挑战，提前布局相关的生物安全评估框架。