想象一下，要从一座堆满化合物的仓库里找出可能杀死耐药细菌的那一个。传统做法要逐个试，慢、贵，而且常常空手而归。AI能做的是先看已有实验数据，再给仓库里的分子排出一张“优先检查清单”。它不能直接证明药物有效，却能让研究者少走许多弯路。
2026年，MIT研究者Regina Barzilay与James Collins凭借AI辅助抗生素发现工作，获得Pritzker Prize for AI in Science Research Excellence。University of Chicago的官方公告确认，两人以团队获奖者身份入选。该奖由University of Chicago与Caltech合作设立于2024年，表彰同时推动AI与自然科学或工程的研究。
这次获奖值得回看，因为它标记了一次关键转变：AI制药不再只是一个“也许能用”的设想，一批经过实验验证的代表性成果，开始得到科学奖项的正式认可。
先让模型挑，再让实验说话
两人的第一项标志性合作发表于2020年的Cell论文，第一作者是当时的MIT博士后Jonathan Stokes。团队训练了一个深度学习模型——也就是能从大量样本中自动寻找复杂规律的机器学习方法——让它学习分子结构与潜在抗菌活性之间的联系。
据MIT News报道，这个模型用2,500个分子训练，并筛出了后来被命名为halicin的候选物。它并不是刚合成的新分子，此前曾作为潜在糖尿病药物接受研究。名字则来自电影《2001: A Space Odyssey》中的人工智能HAL 9000。
团队将halicin称为首个由人工智能发现的抗生素。不过，“首个”取决于怎样定义AI、发现和抗生素，更稳妥的理解是：这项工作成为AI辅助抗生素发现中最具代表性的早期案例之一。
真正重要的一步发生在计算之后。研究者在实验中测试AI选出的分子，发现halicin能够杀灭Clostridium difficile、Acinetobacter baumannii和Mycobacterium tuberculosis等耐药细菌。耐药性指细菌演化出对既有药物的抵抗能力，使感染越来越难处理。
这也是AI制药最容易被误解的地方。模型只是缩小搜索范围，实验验证才负责确认预测是否成立。至于安全性和人体疗效，候选物仍要继续经过临床试验与监管审查。现有材料并不支持把halicin写成已经获批或投入临床使用的药物。
从halicin到更窄的目标
2023年，Barzilay、Collins与Stokes又利用机器学习发现了窄谱抗生素候选物abaucin。所谓“窄谱”，是指它主要针对更有限的细菌种类；材料显示，abaucin对A. baumannii有效。
MIT News认为，这种针对性可能减少对肠道有益菌的伤害，并降低细菌产生耐药性的可能性。但这更接近机制推断和潜在优势，不能当作已经得到临床证明的结论。
团队目前还在把AI的角色从“筛选”推向“设计”：过去是从现成分子中挑候选物，下一步则希望用生成式AI设计新的抗生素。生成式AI在这里不是写文字，而是提出新的分子方案。Collins将其视为寻找下一代药物的新方向；Barzilay的判断更克制：现阶段AI只能自动化药物发现流程的一部分，要真正改变整个过程，还需要更贴近人体生物学的模型。
为什么这次获奖值得关注
这项工作的意义，并不是AI已经替人类发明了可直接使用的新药。更准确地说，AI承担了搜索和排序，生物工程与实验验证负责把预测变成可信结果。奖项认可的正是这套组合，而不是单独认可一个算法。
机构报道还称，halicin的发现过程把原本可能耗时数年的工作压缩到几周。但这一说法缺少统一比较口径，几周很可能只计算模型筛选与早期验证，并不包括从发现到临床获批的完整周期。因此，“AI让新药几年上市”并不是现有材料能够支持的结论。
局限与未知
- halicin与abaucin目前都只能写作候选物；材料没有提供临床试验、人体安全性或监管批准信息。
- “数年缩短至几周”来自单一机构报道，且没有说明起止环节，不能外推为完整制药周期。
- 生成式AI设计新抗生素仍是团队正在推进的方向，能否产生安全、有效并最终获批的药物，现阶段没有答案。