美国基因泰克公司Biancalani团队开发AI筛选框架加速新型抗菌化合物发现

多重耐药菌的蔓延使新型抗生素需求愈发迫切。传统抗菌药物研发依赖高通量筛选、天然产物挖掘等方法，但这些策略存在局限，如实验筛选仅能覆盖极小部分化学空间，且文库常偏向已知抗生素结构，难以发现具有新作用机制的化合物。

当前抗菌药物研发面临两大核心问题：一是化学空间过于庞大（预估达 10^60 种类药化合物），传统实验筛选难以触及；二是现有模型训练数据集规模小、多样性不足，导致模型泛化能力弱，无法有效识别结构新颖的抗菌化合物。这些问题导致近半个世纪来革兰氏阴性菌新抗生素类别几乎未有突破。

2025 年 10月24 日，美国基因泰克公司 Tommaso Biancalani/Gabriele Scalia

团队在国际期刊Nature Biotechnology 发表题为Deep-learning-based virtual screening of antibacterial compounds 的研究论文。

该研究整合高通量筛选与深度学习虚拟筛选技术，首先对约 200 万种小分子化合物进行敏感型大肠杆菌筛选，获得数千个活性化合物；随后基于这些数据训练深度学习模型GNEprop，并对 14 亿种可合成化合物进行虚拟筛选，最终 82 种候选化合物表现出抗菌活性，命中率较初始高通量筛选提升 90 倍。这些化合物中多数与已知抗生素结构差异大，且对多种菌株具有活性，部分还明确了作用靶点。该成果为抗菌药物研发提供了高效新策略，助力突破耐药菌治疗困境。

正 文

研究团队首先开展高通量表型筛选，以构建模型训练所需的高质量数据集。筛选选用对多种抗生素敏感的大肠杆菌ΔtolC 菌株（缺失多重外排系统共有的外膜通道蛋白，外膜通透性增强），测试库包含 1,981,993 种小分子化合物，终浓度为 5μM。

通过发光报告基因监测细菌生长，将生长抑制率 > 80% 的化合物定义为活性化合物，最终获得 5,161 个抗菌化合物，命中率仅 0.26%。分析发现，筛选库包含大量结构相似的分子家族，存在 181,435 个共享骨架，且同一骨架内微小结构变化可导致活性显著差异（即“活性悬崖”）。此外，化合物活性与分子量、亲脂性无显著相关性，表明模型需学习复杂结构 - 活性关系而非简单理化性质。研究团队还公开了包含 115,519 种化合物的 GNEtolC 数据集，为后续研究提供资源。

为验证 GNEprop 模型的性能与普适性，研究团队从模型优化、泛化能力测试、虚拟筛选应用三个维度展开实验。在模型优化方面，GNEprop 基于图同构网络（GIN）构建，融合跳跃知识网络以捕捉多尺度分子特征，并通过 1.22 亿种未标记化合物的自监督对比学习预训练，提升模型对化学空间的理解。

性能测试显示，在严格的“支架 - 簇” 分割（将结构相似的支架归为一簇，确保测试集与训练集低相似性）下，模型仍保持良好预测性能（AUROC 0.877±0.007，AUPRC 0.126±0.019），且能准确预测活性悬崖，解释性分析还可识别对活性关键的化学 motif。在虚拟筛选中，GNEprop 在 64 个 A100 GPU 支持下，48 小时内完成 14 亿种 Enamine REAL 数据库化合物的筛选，筛选出 44,437 个预测活性化合物（得分 > 0.6），最终选取 345 种化合物合成验证，82 种表现出抗菌活性，命中率达 23.8%，较初始高通量筛选提升 90 倍，且 98.8% 的活性化合物与已知抗生素相似度≤0.4。

研究团队进一步对虚拟筛选获得的活性化合物进行生物学表征，明确其抗菌谱、作用靶点及优化潜力。在抗菌谱分析中，通过剂量反应实验测定 165 种化合物的 IC₅₀，95% 化合物对大肠杆菌 ΔtolC 的 IC₅₀<20μM，39 种对野生型大肠杆菌 IC₅₀<40μM，部分化合物对金黄色葡萄球菌（革兰氏阳性菌）也有活性，且无溶血活性和细胞毒性，表明其选择性与安全性。

在靶点鉴定中，选取两种革兰氏阴性菌选择性化合物（N9777、N9786），通过筛选耐药突变株并进行全基因组测序，发现 N9777 的耐药突变位于 LpxH 基因（脂多糖合成关键酶），N9786 的耐药突变位于 fabZ 或 acpP 基因（脂肪酸合成关键基因），验证了化合物作用的特异性靶点。此外，以活性化合物为锚点，在预测活性化合物库中筛选近邻化合物，成功发现 3 种对野生型大肠杆菌具有 MIC 活性的化合物，且部分化合物 potency 较锚点提升 2 倍以上，为化合物优化提供方向。

高通量表型筛选与基于深度学习的虚拟筛选策略相结合，以发现各种抗菌支架

总 结

总的来说，该研究构建了“高通量筛选 - 深度学习建模 - 虚拟筛选 - 实验验证” 的抗菌化合物发现体系。通过 200 万种化合物的高通量筛选获得训练数据，开发并优化 GNEprop 深度学习模型，实现 14 亿种化合物的高效虚拟筛选，最终获得 82 种新型抗菌化合物，明确部分化合物的作用靶点，并通过近邻筛选进一步优化活性。该研究不仅大幅提升抗菌化合物筛选效率与命中率，为发现结构新颖、作用机制独特的抗菌药物提供关键技术支撑，还为人工智能在药物研发中的应用提供范例，推动耐药菌治疗领域的突破，具有重要的科研与临床价值。

论文链接：

https://www.nature.com/articles/s41587-025-02814-6