9月下旬，斯坦福大学工程团队公布了一项抗生素发现成果：一个AI模型从170万个计算生成的聚合物结构中，筛出10个高活性抗菌候选。与传统抗生素不同，这些合成聚合物不进入细菌内部去抑制某个特定蛋白，而是从外部直接把细菌的细胞膜撕开。相关论文于9月21日发表在期刊Matter上。在当前耐药菌持续扩散、革兰氏阴性菌领域数十年没有新类别抗生素问世的背景下，这条技术路线的意义不只是筛出了几个分子。
常规药物开发有一个隐含前提：有效抗生素必须能穿透细菌，并在内部关闭某个关键蛋白或通路。这种精确打击的思路造就了现代抗生素体系，也埋下了耐药性的隐患。细菌只要改变那个被瞄准的靶点，就能在不影响自身生存的前提下躲开药物，而群体繁殖速度让这种变异被迅速筛选与放大。
物理破坏的思路绕开了这个问题。人体血液与汗液里天然存在一类抗菌肽，它们通过接触细菌并破坏细胞膜来杀菌，不需要进入细胞，也不针对某一个具体蛋白。对微生物来说，要对抗这种攻击就得重构自身膜结构，代价远高于改变一个蛋白靶点，因此这类机制的耐药演化难度显著更高。
天然抗菌肽的短板在于成药性。它们在体内降解快、规模化合成成本高，很难改造成可量产的药物。斯坦福团队的目标是合成既能模拟这种物理攻击方式、又足够稳定便宜的替代分子，最终选定的方向是聚丙烯酰胺类长链分子。这类分子结构可调、合成成熟，理论上具备规模化的基础，问题只剩下如何从海量可能结构里找到真正有效的那一小部分。
候选空间是这项工作的第一个挑战。研究团队构建了一个包含170万个潜在结构的计算库，靠人工逐一合成与测试显然不可能。AI的作用是在这个空间里做排序，把最有可能具备活性的结构提到前面，让有限的湿实验资源集中在少数候选上，从而把筛选从穷举变成定向搜索。
最终筛选出10个高活性候选。在实验室测试中，这10个分子全部超过对大肠杆菌的性能基准，并且能够作用于革兰氏阴性菌。这一点尤为关键，因为革兰氏阴性菌具有双层膜结构，包括沙门氏菌在内，几十年来没有出现过新类别的抗生素进入临床，是耐药问题最棘手的部分。能覆盖这一类别，意味着这条路线不是对现有药物的重复，而是打开了新的作用空间。
更具体的表现来自其中一个共聚物。测试显示它对生物膜具有突出效果。生物膜是细菌分泌形成的致密保护层，能显著提高对抗生素的耐受度，也是慢性感染难以根治的主要原因。当研究人员把这个共聚物与一种标准临床药物联用时，清除与生物膜相关的大肠杆菌所需的传统抗生素用量降低了三个数量级，也就是约千分之一的剂量。这种协同效应在临床上意味着更低的用药负担与更小的副作用空间。
这项研究在方法上最值得记录的是数据策略。AI药物发现长期受制于一个瓶颈：模型需要大量带标签的训练数据，而实验数据的获取成本极高。抗菌肽领域积累了丰富的数据集，抗菌聚合物领域的实验数据却非常稀少，如果直接训练，模型几乎没有可学的样本。
团队的解法是跨分子主动学习。他们先用数量充足的多肽数据训练预测算法，让模型学习什么样的化学特征能让一个分子具备破坏膜结构的能力，也就是先掌握一套跨分子类型通用的规律；随后把这套规律迁移到聚合物候选上，对170万个结构做初步评分。这种做法把知识从数据充足的领域搬运到数据稀缺的领域，绕开了冷启动难题。
迁移之后还需要快速纠偏。研究人员没有随机抽样验证，而是专门挑出模型之间分歧最大的20个聚合物进行合成与实测，再把结果回灌到模型里。这种主动学习的逻辑是：最有价值的实验不是验证模型已经确定的答案，而是检验模型最不确定的地方，用最少次数的实验获取最多的信息增量。几轮迭代之后，模型对聚合物活性空间的判断精度明显提升，最终锁定那10个候选。
需要明确的是，筛出高活性候选与做成上市药物之间隔着很长的距离。论文报告的是体外实验与部分模型的测试结果，接下来还要经过毒理评估、动物实验、药代动力学与多期临床试验，每一关的淘汰率都很高。物理破坏型分子的一个潜在优势是耐药演化慢，但另一个问题是选择性：如何在撕开细菌膜的同时不影响人体细胞，这是这类分子必须回答的核心问题。
不过方法层面的价值已经成立。这套流程证明了跨分子主动学习可以在数据稀缺的领域跑通，并且把实验资源的分配方式从均匀覆盖改成集中攻克分歧点。对抗生素之外的领域，这个模板同样有参考价值：材料发现、催化剂设计、配方优化都面临数据稀缺与候选空间巨大的双重约束，能否找到可迁移的邻近数据域，往往是项目能否起步的关键。
同期还有另一条抗菌路线在推进。9月25日，威奇托州立大学与堪萨斯大学医学院的研究团队报告了一种用于烧伤治疗的含硒醋酸与明胶水凝胶，能在维持约九成湿度的同时提供固有抗菌保护，不依赖传统的生化药物。两项工作都把重心放在物理或材料层面而非单一生化靶点，反映出抗菌研究正在向更难产生耐药性的机制倾斜，而AI在其中承担的角色，是把庞大的候选空间压缩成少数值得做实验的选项。