我AI我药
AI × 生物医药
2026 · 第 113 期
Sci. Transl. Med.!AI从600万种化合物中筛出83种抗淋球菌分子,更发现两种结构不同于现有抗生素的抗菌新分子!
01 研究速览
论文首页|Science Translational Medicine · 2026年6月17日 · DOI:10.1126/scitranslmed.ads4699;© 2026 The Authors,AAAS 排他许可,原文裁切。
研究对象 麻省总医院、Broad研究所与MIT的Anahtar、Collins团队,先把淋病奈瑟菌的表型生长抑制测成训练数据,再训练一个图神经网络去虚拟筛选。证据来自体外MIC、耐药菌复测、人细胞毒性、阴道芯片与小鼠模型,没有临床数据。
科学问题 淋病菌对推荐药物的耐药率在上升,最后一线单药头孢曲松也快守不住。训练集里的命中物大多正是已知抗生素,模型很容易退化成认出它们。作者把难点定在泛化上:测试集必须包含训练集里没出现过的化学骨架。
关键突破 图神经网络在骨架划分下仍最准;在799,147个分子的前瞻评估集里,51个送测化合物有44个在100 μM抑制生长,而30个随机对照无一有效。虚拟筛选最终从600万化合物收敛到两个结构全新的分子,一个破坏细菌膜,一个经PISA、CRISPRi与核磁三重证据锁定丙氨酸消旋酶。
核心数字 虚拟筛选覆盖约600万个化合物,213个送测化合物中83个(39%)在50 μM或以下抑制生长;最终留下2个结构不同于现有抗生素的候选分子,其中1个在小鼠阴道感染模型里把菌量压低约两个数量级。
02 为什么值得关注
淋病是全球最常见的性传播病原之一,真正麻烦的是耐药。头孢曲松一度是最后剩下的单药一线方案,但它在部分地区已经出现超过10%的耐药率,原因是携带 penA60 等位基因的菌株在扩散;美国、欧洲和亚太地区都已经分离出对所有推荐抗菌药都不敏感的菌株。2025年获批的两种新药 gepotidacin 和 zoliflodacin 走的是与氟喹诺酮正交的拓扑异构酶机制,目前耐药极为罕见,但几个错义突变就能削弱它们的效力。换句话说,管线是空的。
药管线为什么空,一个直接原因是筛不过来。按需合成化学空间如今超过750亿个化合物,而物理高通量筛选的命中率通常只有0.5%到5%——每测一万个化合物,命中的是几十到几百个,而且大多是已知的那些。剩下那几千到几万个分子里的新结构、新机制,物理筛是抽签式地撞上。
真正难的地方在"新结构"三个字。如果模型只是在训练集见过的分子里排序,它可以刷出很高的分数,却筛不出任何有价值的分子。抗生素发现类任务天然是泛化任务:训练集里的命中物有很大一部分正是已知抗生素,模型很容易退化成"认出抗生素"。要衡量一个模型是否真的有用,测试集必须包含训练集里没出现过的化学骨架。
还有一层是终点选择。这项研究用的是表型终点——细菌长不长,而不是某个蛋白活不活。表型的好处是不预设机制,能同时捞到作用方式完全不同的分子;代价是它分不清"抑制生长"和"毒死了细菌",所以任何表型模型都必须配一道人体细胞毒性反筛。论文后面遇到的硝基化合物,正是在这里被拦下来的。
这也是AI适合插手的位置:分子结构可以写成标准化的字符串直接喂给模型,模型学的是结构与表型之间的统计对应,只负责回答"要不要在它身上花一次实验"。
03 研究如何展开:先用实测数据喂模型,再用模型去筛更大的库
整套流程可以分成四段,每一段都在回答一个不同的问题。
第一段是造训练数据。团队先筛了一个"标准答案库"Pharmakon-1.7K:1755个已上市药物,含所有一线和二线抗淋球菌药,每个药在50 μM下重复两次,针对的是淋病奈瑟菌 ATCC 49226 菌株,在 Graver Wade 培养基里培养24小时后读出。选一个一般敏感的参考株是有意为之——这样能拿到更多命中物来训练。读出方式也做了取舍:常规的 OD600 之外加一个 resazurin 类活体染料,它的信噪比是 OD600 的25倍,换成活性染料后,重复之间的相关系数从 OD600 的 0.94 提到 0.97。
这一库筛出340个命中,命中率19.3%。有意思的是它的构成:126个是已知抗菌药,74个是其他已知抗感染药,剩下140个是抗抑郁药、抗精神病药、抗炎药这类跟抗感染无关的药物——它们可能通过完全不同的机制抑制了细菌生长。这批数据一方面验证了筛选体系本身可用,另一方面把训练集限定在药理上可接受的分子里。第二步是换成结构多样的 Internal-37K:36,895个小分子,整体命中率降到2.5%,929个命中里有74%带着训练集中没出现过的独特 Murcko 骨架。两库合并后是38,650个分子,命中1,248个、非命中37,402个。
图 1 | 先用已知药把这套筛选测准
科学问题:这套表型筛选本身站得住吗?
关键发现:a是整体流程:测化合物、训模型、虚拟筛选后再做实验验证。b是Pharmakon-1.7K在ATCC 49226上的两种读出,上图OD600重复间r=0.94,下图活性染料重复间r=0.97。c把340个命中(浅蓝)与1415个非命中(深蓝)按两种读出散点标注,红色等高线是二维密度估计。d是340个命中的t-SNE,按所属药物类别着色。
为什么重要:重复间相关性从0.94提到0.97,说明换成活性染料后读数更稳,训练标签的可信度才立得住。
怎么读这张图:b横轴是重复A、纵轴是重复B,点越集中在对角线上说明重复越一致;c横轴是归一化OD600、纵轴是归一化活性,命中点(浅蓝)贴在图底,越靠下说明细菌被抑制得越彻底;d每个点是一个命中化合物,颜色是所属药物类别。图源:原文图1,Anahtar 等,Science Translational Medicine(2026),DOI:10.1126/scitranslmed.ads4699;© 2026 The Authors,AAAS 排他许可,仅裁切。
第二段是选模型,并且先解决"怎么测"。比较了六种架构:图神经网络里的定向消息传递网络 D-MPNN、注意力型 GNN Attentive FP、化学语言模型 ChemBERTa,以及随机森林、支持向量机和前馈网络。因为97%的数据点是非命中,作者把 AUPRC 而不是 AUROC 定为主指标——类别这么偏的时候,AUROC 会显得比实际效果乐观得多。
关键在测试集的切法。随机划分把分子随机分到两边,训练集和测试集共享大量化学骨架,成绩自然好看;骨架划分则保证测试集里的 Murcko 骨架在训练集中完全没出现过,这才是发现类任务该问的问题。结果差别很明显:在随机划分上,六种模型彼此接近;换成骨架划分,注意力型 GNN 和化学语言模型的 AUROC 明显掉档,D-MPNN 的下降幅度最小,AUPRC 在两种切法下都是最高。
模型还要经得起"只测最前面那几百个"的现实约束。模拟真实筛选时,取分数最高的100个化合物去测,命中率(精确率)80%、召回率31.5%;取前250个,两者都在50%左右。也就是说,AI能把验证实验的效率提高一个量级,但代价是只能捞回三分之一的真命中——这个取舍是设计时就要认清的。另一个反直觉的发现是负样本的价值:训练集越大模型越好,哪怕新增的全是阴性样本。
图 2 | 数据加模型,图神经网络更抗骨架变化
科学问题:哪种模型能在没见过的骨架上排得准?
关键发现:a是Pharmakon-1.7K(橙,1755)、Internal-37K(绿,36895)与已知抗生素(紫,566)的t-SNE。b是同一张图上标出1248个命中(蓝)与37402个非命中(灰)。c是D-MPNN沿键传递消息的示意。d比较六种模型在随机划分(灰)与骨架划分(蓝)下的AUPRC与AUROC。e是只取分数最高的前N个化合物去测时的命中率(蓝)与召回率(灰)。
为什么重要:骨架划分下注意力型GNN与ChemBERTa的AUROC明显掉档,D-MPNN掉幅最小;前100个化合物里80%是命中,但只捞回约三成真命中。
怎么读这张图:d左侧是精确率-召回率曲线、右侧是ROC,横轴都是曲线下面积,箱体是25%到75%分位、须是最小到最大值;e横轴是取前N个化合物(对数刻度),纵轴是百分比,虚线标出N=100处的分数阈值0.5。图源:原文图2,Anahtar 等,Science Translational Medicine(2026),DOI:10.1126/scitranslmed.ads4699;© 2026 The Authors,AAAS 排他许可,仅裁切。
第三段是前瞻性检验,这是整篇论文里最有分量的设计。团队从 Broad 内部库 Broad-800K(799,147个化合物)里设计了三组难度递增的评估集,难度从"结构上陌生"一路加到"还要排除预测有毒的",另设30个随机对照做基线。评估集里的分子是模型之外挑的,送去实测时才揭晓答案。
评估集的难度是刻意分层的。评估集2和3里的化合物除了要结构陌生,还额外排除了用既往深度学习毒性模型预测为对人肝细胞和原代骨骼肌细胞有毒的那些;评估集1只要求结构陌生、不像已知抗生素和训练集命中物,并且彼此之间也要结构不同。这样设计有针对性:模型分数最高的那些分子往往最像训练集里的已知抗生素,评估集1恰恰是在验证"模型能不能在放弃这类高分的前提下仍然找得到东西"。
第四段才是正式的虚拟筛选。模型被用在 Commercial-5M 上——534万8852个化合物,来自三家商业供应商。漏斗逐级收紧:预测分数大于0.9留下4330个;与已知抗生素和训练集命中物的结构相似度不超过0.5,剩1061个;再去掉泛检测干扰化合物(PAINS)、限制 Brenk 警示在2个以内、脂溶性cLogP小于3、分子量大于150,剩58个。最终有22个(38%)在50 μM或以下抑制了野生型 ATCC 49226 的生长。找到A1时,团队先用新数据重训了一遍模型,把评估集和Commercial-5M的二分数据都加进训练集,再重新筛 Broad-800K。
把上一轮实测结果喂回模型,就是一次主动学习:硝基类在耐药株上失效这条信息,会直接改变下一轮筛什么。
04 核心实验结果:先看模型能不能打,再看它找到了什么
前瞻评估集给出了第一个答案:能打,而且差距很大。
评估集1的51个化合物里,44个(86%)在100 μM抑制了 ATCC 49226 的生长;更难的评估集2和3命中率分别是54%和50%。作为对照,30个随机挑的化合物在100 μM以下一个都没抑制住。命中物里还出现了 aurothiomalate 和 marinopyrrole 这两种文献上近期才被报道为抗菌物的分子,模型的预测方向和独立文献是对得上的。
图 3 | 模型挑的分子,实测有多少能打?
科学问题:在不常用的骨架上,模型还准吗?
关键发现:a是Broad-800K(799147个)的四路筛选漏斗:Set1要分数>0.9再要求与训练集相似度<0.9,Set2与Set3逐级收紧相似度并加毒性过滤,最后各得51、33、10个,另设30个随机对照。b是全库预测分数分布。c、d分别是到最近已知抗生素、到最近训练集命中物的相似度分布,虚线是0.9这一过滤阈值。e是分数区间与相似度的关系。f是各评估集实测MIC的分布。
为什么重要:Set1里44个(86%)在100 μM抑制了生长,而30个随机对照没有一个在100 μM以下起效——模型在这批陌生骨架上的排序是真的准。
怎么读这张图:f每个柱子按MIC分三段:深蓝是≤50 μM、浅蓝是50–100 μM、灰是>100 μM,柱顶数字是该集总数;柱高是集内占比,不是绝对数量。图源:原文图3,Anahtar 等,Science Translational Medicine(2026),DOI:10.1126/scitranslmed.ads4699;© 2026 The Authors,AAAS 排他许可,仅裁切。
真正上规模以后,命中率掉到三分之一。
把评估集1、2、3、商业库送测和重训轮次加起来,一共有213个化合物被送去实验验证,其中83个(39%)抑制了生长。这个数字要放在正确的口径下看:83对应的是MIC≤50 μM,而不是"在任何浓度下都能抑制"。
硝基化合物是这批命中里最显眼的一类。商业库命中的22个里有14个(63%)带硝基(-NO2)官能团,评估集命中里也有40%(27/67)。部分硝基化合物的MIC低到0.04–0.06 μg/ml,比现有抗生素还强。但把它们放到3株多重耐药菌上一测,MIC比野生型高8到64倍,最初漂亮的选择性指数被直接抹平。团队据此把硝基化合物整体排除,理由除了耐药株上的效果衰减,还有毒性和致突性的顾虑。
MP20:把范围收窄到八个分子之后剩下的那一个。
去掉硝基后还剩8个有活性的化合物,其中MP20和MP21是一对含吡咯并咪唑环的类似物,模型分数都在0.9以上,结构上既不同于已知抗生素,也不同于训练集里的分子。8个化合物中有3个在3株多重耐药菌上保留活性(MIC≤16 μg/ml),再叠加人体细胞毒性反筛,只剩MP20过关:选择性指数在 HepG2 和 HEK293 细胞上分别是25和30。
MP20 的画像是窄谱加快杀。它能抑制甲氧西林敏感和耐药的金黄色葡萄球菌,对所测的其它革兰阴性菌全部无效——包括流感嗜血杆菌、大肠埃希菌、肺炎克雷伯菌、鲍曼不动杆菌和铜绿假单胞菌。时间杀菌实验里,4倍 MIC 下1小时内就超过3个 log 的杀菌,比头孢曲松还快。2倍、4倍、8倍 MIC 连续培养72小时都没有出现耐药菌落,自发耐药频率低于 8.3×10⁻⁹。
论文在39株额外的淋病分离株上做了复测,这批菌株专门富集了对标准治疗药物耐药的类型。其中最值得一说的是 ARB no. 1281,论文提到它是美国近期报道的对所有推荐一、二线抗菌药都不敏感的菌株。表1给出它上面的 MIC:MP20 是 8、A1 是 4 μg/ml。
图 4 | 一个只剩一个分子的漏斗
科学问题:筛到最后剩下的那个,够不够干净?
关键发现:a是Commercial-5M的筛选漏斗:5348852个化合物经分数、结构新颖性与化学警示过滤后剩58个,其中22个有活性、8个不含硝基、3个抗耐药菌、1个通过细胞毒性。b是MP20的化学结构。c是MP20的MIC与两个细胞系的CC50对比。d是菌种MIC热图。e是时杀菌曲线。f是阴道芯片的结构示意。g是芯片上黏附与非黏附菌的CFU。h是DiSC3(5)膜去极化曲线。i是蛋白组火山图,UvrA上调最明显。
为什么重要:窄谱、快杀菌、自发耐药频率低,三个特征落在同一个分子上;但机制证据止于膜去极化与应激反应,PISA没有找到蛋白靶点。
怎么读这张图:c纵轴是对数浓度,柱高是MIC或CC50,二者相除就是选择性指数;d颜色越深MIC越低,白色表示无活性;g纵轴是log10(CFU/芯片),虚线是平板计数的检出限。图源:原文图4,Anahtar 等,Science Translational Medicine(2026),DOI:10.1126/scitranslmed.ads4699;© 2026 The Authors,AAAS 排他许可,仅裁切。
真正的疗效证据来自人阴道芯片。用原代阴道上皮细胞和子宫成纤维细胞在多孔膜两侧培养出三维组织样微环境,模拟全身给药后药物从基底腔进入的路径,接种细菌并让它们先黏附2小时,再加药。上芯片之前团队先补了几项前提:确认在所用病原负荷下淋病菌本身不会毒死上皮细胞,确认 MP20 在阴道芯片的基底和顶端培养基里是稳定的,确认它在含10%胎牛血清的培养基中MIC不变,也确认它对阴道上皮细胞和子宫成纤维细胞无毒。48小时后,头孢曲松和MP20都让黏附与非黏附的细菌降到不可检出;而未处理的对照,黏附菌量平均 1.56×10⁵ CFU/芯片,非黏附菌量 8.22×10³ CFU/芯片。
机制上,MP20 诱导快速、剂量依赖的膜去极化,但不影响膜的流动性。它在10倍 MIC 下让细胞内活性氧升高,蛋白组里上调最明显的是 DNA 损伤识别蛋白 UvrA,连续传代后同源重组蛋白 RecN 也上调——这是细菌对基因毒性应激的典型反应。但稳定性偏移实验(PISA)没检出任何显著受影响的蛋白靶点,作者只能推断它"很可能至少部分通过扰动细菌膜",直接靶点至今未知。
A1:一个换靶点的分子。
第二轮换了个思路:模型重训后换一套更严的过滤(去掉硝基呋喃和磺胺,Brenk 警示收到1个以内,cLogP 小于5),再筛 Broad-800K。799,147 → 8568 → 505 → 61 → 11 → 6 → 1,这个漏斗走完,11个化合物在50 μM或以下有活性(命中率18%),6个在多重耐药菌上保留活性,3个在100 μM 对两种人细胞系无毒,其中两个已知有人体受体靶点、体内脱靶风险太大,最后剩A1。它的选择性指数是 HepG2 47、HEK293 58,没有已知的 PAINS 或 Brenk 警示。
A1 最突出的地方是窄谱到极致:在所测人致病菌种里,只有淋病奈瑟菌被抑制。对49株野生型和多重耐药菌株,群体水平的 MIC50 是 2 μg/ml、MIC90 是 4 μg/ml。它的 MIC 不受 porB 突变造成的膜通透性下降影响,也不受 mtrCDE 外排泵影响——这两条恰好是淋病菌耐受结构迥异抗生素的主要机制。它的 MIC 与外膜通道蛋白 PorB 的型别无关,而 MP20 的 MIC 与 PorB 显著相关(P=0.0045,PorB1b 120和121位突变的菌株MIC升到最高16 μg/ml)——同一类细菌,两个分子的弱点落在不同的地方。杀菌速度上 A1 略慢于 MP20:4倍 MIC 下4小时4个 log 的杀菌,比头孢曲松快。三个菌株在8倍 agar MIC 下的自发耐药频率都≤5×10⁻⁹。
图 5 | 重训一轮,换来第二个分子
科学问题:把新数据喂回模型,能找到不同的东西吗?
关键发现:a是第二轮漏斗:799147个化合物经分数>0.5、结构相似度≤0.7、无PAINS与硝基呋喃磺胺等条件后剩61个,其中11个MIC≤50 μM、6个抗耐药菌、3个无细胞毒性、1个入选A1。b是A1的化学结构。c是A1的MIC与CC50。d是菌种MIC热图。e是49株菌按PorB型别分的MIC分布。f是时杀菌曲线。g是三株菌的自发耐药频率表。
为什么重要:A1只对淋病奈瑟菌起作用,群体MIC50 2、MIC90 4 μg/ml,而且不受porB突变和外排泵影响——它的弱点和MP20不在同一处。
怎么读这张图:e是小提琴图,横轴是PorB型别、纵轴是A1的MIC,每个点是一株菌,n标注该型的菌株数;g表格里Lawn表示有菌落生长、None表示没有。图源:原文图5,Anahtar 等,Science Translational Medicine(2026),DOI:10.1126/scitranslmed.ads4699;© 2026 The Authors,AAAS 排他许可,仅裁切。
A1 的靶点被三路证据交叉锁定。蛋白稳定性偏移实验在菌体裂解液中把丙氨酸消旋酶(Alr)鉴定为特异靶点,稳定性变化幅度远超阈值,定量验证也给出显著差异;在枯草芽孢杆菌里用 CRISPRi 把 alrA 的表达压到基线的5%,细胞对四分之一 MIC 的 A1 就明显更敏感;再用异源表达纯化的淋病奈瑟菌 Alr 做饱和转移差分核磁,谱图中出现区别于对照的差分信号,说明配体和蛋白在近距离接触。丙氨酸消旋酶催化 L-丙氨酸与 D-丙氨酸的互变,是肽聚糖合成必需的前体来源,是临床开发相对欠充分的一类靶点。
A1 也进了动物模型。小鼠阴道感染模型中,感染后24小时内给5次药,阴道冲洗液里的菌量比载体对照降低了约2个数量级(对照中位 2.0×10⁵ CFU/ml),差异有统计学意义,头孢曲松组则降到不可检出水平。
图 6 | 锁定靶点,并在动物身上减掉菌量
科学问题:它到底打的是谁?在体内管不管用?
关键发现:a是Laurdan测的膜流动性,A1让广义极化升高、DMSO居中、Tween 20下降。b是PISA火山图,Alr是唯一显著命中的蛋白。c是Alr相对蛋白量的定量。d是在枯草芽孢杆菌里用CRISPRi敲低alrA后,四分之一MIC的A1让生长下降。e是A1的核磁结构归属。f是A1与重组Alr的STD核磁差分谱。g是小鼠阴道感染与给药流程。h是阴道冲洗液的菌量。
为什么重要:三条独立证据都指向丙氨酸消旋酶:稳定性偏移、靶点敲低和直接结合;小鼠模型里菌量比对照低约两个数量级。
怎么读这张图:b横轴是log2倍数变化、纵轴是-log10(FDR),虚线是显著性阈值,Alr是唯一越线的点;d横轴是A1浓度、纵轴是生长率,绿色是敲低株加木糖诱导;h纵轴是log10(CFU/ml),横线是中位数,虚线是检出限。图源:原文图6,Anahtar 等,Science Translational Medicine(2026),DOI:10.1126/scitranslmed.ads4699;© 2026 The Authors,AAAS 排他许可,仅裁切。
05 科研意义与边界
这项工作的分量不只在两个化合物,而在于它示范了一种分工:AI负责预测和排序,实验负责提供训练数据和最终判定。表型终点没有预设靶点,因此模型筛出的分子天然更可能落在结构与机制都陌生的地方——MP20 走膜扰动,A1 锁定丙氨酸消旋酶,两条完全不同的路线,恰好互相印证了这套方法不会只找到同一类东西。训练数据本身也被公开出来(38,650个化合物的生长抑制数据),意味着后来者不必从零开始。
方法层面也留下了几条可复用的经验。发现类任务必须用骨架划分来评估模型,普通的随机划分会系统性高估泛化能力;负样本同样有价值,随机挑就够用;分数阈值和结构新颖性之间存在明确取舍——阈值越严越像训练集里的已知抗生素,命中率更高但结构越不新颖,想拿新结构就得把筛选阈值放松,再用后置过滤把毒性、PAINS/Brenk 和结构雷同挡在门外。
边界也要说清楚。找到的是先导化合物,不是药。两个分子的临床前开发都才刚开始:体外数据之外只有一次局部给药的动物模型,剂量、给药途径、代谢与毒性都还需要系统评估;A1 血浆蛋白结合率99.9%,意味着即便局部给药有效,全身用药也必须重新设计。A1 靶点虽然有三重证据,但究竟是竞争性抑制还是变构调节,作者自己也说还不清楚。小鼠实验按笼随机分组但没有设盲法,结论不能外推到全身用药或更长期的感染治疗。
还有几处论文自身的限制与口径差异需要摊开说。模型只建模二维结构;为了省成本和时间只筛了在库可购化合物,没有穷尽化学空间,也可能已经滤掉了有前景的分子;没有针对传统革兰阴性菌的理化性质做优化,跨病原体的表征也还没做。此外,讨论部分把 Broad-800K 的验证率概括为"最高70%",而结果部分和图版逐格数据给出的是86%、54%和50%——本文按结果与图版的逐格数据陈述,不采用这个更保守的说法。硝基化合物被整体排除也是一个有代价的判断:它们在野生型菌株上的 MIC 低到 0.04–0.06 μg/ml,只因为在耐药株上衰减和毒理顾虑才被放下,这条路后续是否还有更干净的解法,论文没有回答。
06 往期推荐
01Nat. Mach. Intell.!一个AI模型搞定7类医学影像增强!覆盖376万组图像数据,还能辅助疾病诊断!
南京大学联合西湖大学等推出 AMIFound:一个模型统一处理 7 类医学影像(CT/MRI/PET/内镜/超声/眼底/X-ray)的 7 类退化;376 万对训练图跨模态 PSNR 38.45 dB;下游诊断最大提升 +86.96%。
02Nat. Methods!基因组AI不只会预测:Tangermeme把模型解释、调控位点识别和DNA设计做成工具箱!
阅读完整解读,了解这项工作的研究问题、方法与证据。
03AI夜话 003|Claude开始从20万条序列里“找异常”
阅读完整解读,了解这项工作的研究问题、方法与证据。
04Nat Med!AI 读片能力胜过 GPT-5,医院本身就是数据引擎!
阅读完整解读,了解这项工作的研究问题、方法与证据。
07 研究团队与论文信息
共同第一作者:Melis N. Anahtar、Jacqueline A. Valeri、Seyed Majed Modaresi(原文注明同等贡献)
通讯作者:James J. Collins;jimjc@mit.edu
主要机构:Broad研究所感染病与微生物组项目;麻省总医院病理科与内科;哈佛Wyss生物启发工程研究所;MIT医学工程与科学研究所及生物工程系;Whitehead生物医学研究所;哈佛陈曾公共卫生学院免疫学与传染病系;哈佛医学院;Integrated Biosciences;巴塞尔大学Biozentrum蛋白质组核心设施;卡罗琳斯卡学院微生物学、肿瘤与细胞生物学系;卡罗琳斯卡大学医院临床微生物学;SciLifeLab化学蛋白质组学部门;波士顿儿童医院血管生物学项目;哈佛John A. Paulson工程学院
期刊与日期:Science Translational Medicine · 2026 · Research Article;2026年6月17日在线首发
论文 DOI:10.1126/scitranslmed.ads4699
数据可及:38,650个化合物对淋病奈瑟菌的生长抑制数据以 data file S1 随本篇数据文件公开;所用化学库为 Pharmakon-1.7K、Internal-37K、Broad-800K 与 Commercial-5M
图版来源:本篇论文首页与正文6幅主图原样裁切;未重绘,未改色
许可与署名:© 2026 The Authors;exclusive licensee American Association for the Advancement of Science;本期按总编明确的非营利科学传播口径使用原图,图说标注图号、来源期刊与DOI;版权归原作者与出版方所有
08 参考文献
Anahtar, M. N., Valeri, J. A., Modaresi, S. M., Krishnan, A., Donghia, N. M., Palace, S. G., Zheng, E. J., Gulati, A., Jorgenson, A., Junaid, A., Bandyopadhyay, P., Luttens, A., Suresh, K., Edwards, P., Wong, F., Zhang, Y., Ritz, D., Gaborieau, M., Loh, E., Gaetani, M., Aschtgen, M.-S., Saei, A. A., Grad, Y. H., Ingber, D. E. & Collins, J. J. Deep learning–enabled discovery of antibiotics effective against Neisseria gonorrhoeae
Science Translational Medicine · 2026
DOI:10.1126/scitranslmed.ads4699