抗菌药物研发正在出现一个值得关注的交叉方向：让代码智能体和大语言模型参与候选分子的搜索。OpenAI介绍，César de la Fuente的实验室使用Codex与ChatGPT，检索现存和已灭绝的基因组，寻找可能用于对抗耐药感染的抗菌候选分子。这里的重点并不是让模型直接替代实验室，而是把模型能力接入生物医学研究中的搜索环节。
搜索范围从现有资源扩展到基因组
传统意义上的药物发现，往往围绕已经被记录、整理和研究过的生物资源展开。材料显示，该团队把搜索对象扩展到living and extinct genomes，也就是现存和已灭绝的基因组。这个设定带来的价值在于，研究者不再只从当下可见的生物样本中寻找线索，而是尝试从更广泛的基因组信息中筛选抗菌候选物。
不过，“发现候选分子”与“获得可用药物”之间仍有明显距离。候选结果需要经过后续验证，才能判断其是否具备抗菌活性、是否适合进一步研究，以及能否应对具体的耐药感染。现有材料没有提供候选分子的数量、验证结果或临床转化进展，因此不能据此判断这套方法已经带来了确定的药物突破。
Codex与ChatGPT承担什么角色
从材料来看，Codex和ChatGPT共同服务于基因组搜索任务。Codex更接近代码和研究流程中的执行工具，ChatGPT则提供语言交互与问题组织能力。两者结合的意义，不在于单独依靠对话生成结论，而在于帮助研究者把复杂的检索任务转化为可操作的研究步骤，并扩大可探索的数据范围。
这也体现了代码智能体进入科研场景后的一个现实用法：它首先改善的是信息处理和候选发现，而不是直接完成科学验证。模型可以帮助提出和筛选线索，但线索是否成立，仍然需要实验、专业判断以及严格的生物医学评估来确认。
我的判断
这项工作的价值，在于展示了大模型和代码智能体如何嵌入抗菌药物发现这一具体科研问题。尤其面对耐药感染，扩大候选来源本身就具有研究意义。但目前材料只说明了搜索方向和所用工具，没有给出性能对比、实验成功率或实际治疗效果，因此应把它理解为一种科研搜索方法，而不是已经验证的药物研发方案。它适合帮助研究者拓展假设、整理数据和发现候选线索；至于候选分子的有效性、安全性和可转化性，仍不能由模型输出单独证明。