一位研究人员如何用 Codex 和 ChatGPT 寻找新型抗菌分子

事件核心：发生了什么

de la Fuente 的跨学科实验室把生物学视为一套信息系统，用自研深度学习模型在基因组和蛋白质序列中识别具有抗菌活性的候选分子。据 OpenAI 公开素材，2021 年约有 500 万例死亡与细菌耐药性相关，这一数字到 2050 年可能接近翻倍，而过去 50 年没有出现全新类别的抗生素。

实验室同时使用 ChatGPT 和 Codex 做假设讨论、代码编写与调试、数据处理、结果分析，以及跨学科知识串联。团队中有人擅长编程但生物化学背景较弱，有人相反，AI 工具被用来填补这道鸿沟。需要说明的是，AI 只负责筛出候选，后续仍需实验验证杀菌能力、有效剂量、对人体细胞的影响，以及化学优化、耐药性、代谢与量产等环节。

为什么重要

这条案例的价值不在“AI 发现新药”这种简化说法，而在于它展示了基础科研工作流的一种现实组合：自研模型负责领域内的高价值推理，通用大模型负责代码、数据与跨学科沟通。抗菌分子搜索是典型的“大海捞针”任务，数据规模大、信号稀疏，正是大模型推理和模式识别相对擅长的场景。目前公开信息显示，这类应用仍停留在早期发现阶段，不能替代湿实验，但它可能改变科研团队的人力结构和协作方式。

对用户/开发者/创作者的影响

对开发者而言，Codex 类编码助手在科研场景中的定位正在从“补全代码”转向“跨领域协作接口”，这对做 AI for Science 工具链、数据管道和实验室自动化的团队是一个明确信号。对企业采购者，值得关注的是垂直领域模型与通用大模型的组合模式，而不是单一模型包打天下。对内容创作者和知识工作者，这条新闻的启示在于：把 AI 当协作者处理专业门槛，前提是使用者能判断输出是否可信。

AI 工具推荐

想把多个 AI 模型放在一个入口？

GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。

了解 GamsGo AI

推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。

值得关注的后续

一是该实验室是否有候选分子进入更靠后的实验或临床阶段，这决定案例是方法论展示还是真实产出；二是 OpenAI 是否会围绕科研场景推出更明确的 Codex 产品能力或 API；三是其他制药与生物技术团队是否会跟进类似工作流，并公开可复现的评测数据。

来源：OpenAI News