《Microorganisms》：Navigating the Eukaryotic Paradox: Insights for AI-Driven Computational Strategies Against Antifungal Resistance
编辑推荐：
侵袭性真菌感染的日益严峻和抗真菌耐药性的不断升级，要求快速的治疗创新。鉴于临床可用武器极为有限，人工智能（AI）和机器学习（ML）已成为加速药物重定位的关键策略，为从头药物发现提供快速替代方案。然而，医学真菌学的转化成功面临一个重大生物学障碍：“真核悖论”——
侵袭性真菌感染的日益严峻和抗真菌耐药性的不断升级，要求快速的治疗创新。鉴于临床可用武器极为有限，人工智能（AI）和机器学习（ML）已成为加速药物重定位的关键策略，为从头药物发现提供快速替代方案。然而，医学真菌学的转化成功面临一个重大生物学障碍：“真核悖论”——真菌细胞与人类宿主之间存在广泛的基因组、代谢和结构同源性。本综述对AI驱动的药物重定位作为治疗策略进行了批判性比较分析。本综述表征了细菌、病毒和真菌病原体中结构屏障、生物物理转运瓶颈和计算失败模式的层级，以解释为何医学真菌学仍是计算药理学中最困难的前沿领域之一。本综述评述了真菌细胞壁、生物膜胞外聚合物（EPS）基质、形态动态二态性以及可用于AI模型的高分辨率三维（3D）蛋白质结构稀缺等限制因素。此外，还描述了下一代计算方法和实验平台，包括物理信息神经网络、转录组谱分析和微流控器官芯片验证系统，以克服这些耐药机制。最后，本综述强调开发定制的、物理信息型AI范式对于针对新兴耐药真菌病原体的有效治疗策略的重要性。
1. 引言
侵袭性真菌感染（IFIs）每年在全球造成超过150万人死亡。气候变化和全球人口迁移加速了机会性真菌物种的地理分布和热耐受范围扩展，使有效治疗策略的快速识别和部署成为全球健康优先事项。然而，传统的从头药物发现流程极其缓慢、成本高昂且失败率高，将单一新化学实体推向市场通常需要十多年和数十亿美元。面对快速进化的耐药病原体，时间成为关键限制因素。人工智能（AI）正在变革药物重定位——一种为已批准或研究中的分子识别新治疗适应症的计算策略。由于这些药物具备良好的毒理学特征、已知的人体耐受性和记录完整的药代动力学，可绕过早期临床安全试验（I期），大幅缩短开发时间和财务支出。本综述为定向叙述性综述，旨在对特定病原体类别间的计算失败模式进行批判性、机制性比较。文献检索主要覆盖PubMed、Scopus和Research Gate（2015–2026年），纳入标准与计算药物重定位、AI框架和真菌耐药动力学相关。寄生虫因生物学高度异质性且缺乏标准高通量筛选数据集而被排除。
2. 抗菌前线：对抗超级细菌与物理渗透屏障
抗菌素耐药性（AMR）是21世纪最紧迫的公共卫生危机之一。高级机器学习（ML）和深度学习（DL）架构正被广泛部署以筛选非抗生素药物、合成化合物和天然产物，从而发现隐藏的杀菌或抑菌特性。一个里程碑式的例子是深度神经网络（人工神经网络，ANNs）识别出原本作为抗糖尿病药物研究的分子halicin具有强效广谱抗生素活性。ML模型通过评估数千种化合物的分子指纹，预测其对保守细菌靶标（如参与细胞壁生物合成或核糖体翻译的靶标）的结合亲和力。此外，AI擅长识别协同药物组合。然而，数据限制、物理传递障碍和转化难题仍然显著：ML模型受训练数据质量限制，当前数据集存在严重的发表偏倚，阴性结果常未发表或被专利壁垒封存，导致模型假阳性率升高；跨实验室的历史筛选数据在测定方案、菌株选择和最低抑菌浓度（MIC）终点定义上存在异质性，损害模型泛化能力。临床威胁主要来自革兰阴性病原体，如鲍曼不动杆菌和铜绿假单胞菌，其不对称双层外膜构成渗透屏障，而计算模型难以预测外膜渗透动力学和细菌外排泵介导的挤出效应。深度学习“黑箱”特性阻碍监管机构批准，因为缺乏明确的机制描述；重定位候选药物在更高剂量下的脱靶毒性和器官负荷也常被低估。此外，抗菌药物管理要求限制新药使用以维护储备，导致市场回报不足，抑制商业化。
3. 抗病毒前线：快速大流行应对与宿主生理
病毒是专性细胞内寄生生物，复制完全依赖于劫持宿主细胞通路，因此AI驱动的抗病毒发现面临独特挑战。AI计算重定位已成为快速反应药理学支柱，深度学习模型可在数天内评估数千种小分子对新型病毒蛋白预测三维（3D）结构的结合亲和力。由于病毒依赖宿主，AI利用网络药理学定位宿主-病原互作网络，优先考虑靶向病毒复制必需宿主因子的宿主导向疗法，以形成更高遗传屏障。但应用受限于动态突变与静态结构建模的脱节：RNA病毒（如流感、HIV、冠状病毒）进化极快，AI基于静态晶体快照训练，单个氨基酸替换即可使预测失效。宿主依赖屏障导致靶向病毒通路的高脱靶风险。新发病原体存在数据稀缺悖论，直接外推相关知识不确定性高。抗病毒疗效依赖感染后24–72小时窄窗口，而结合导向AI模型极少纳入这些时间约束；体外表型筛选产生大量假阳性，如通过改变溶酶体pH抑制复制的化合物，转化体内常需难以达到的血清浓度。病毒缺乏像细菌肽聚糖细胞壁那样的保守通用靶标，因此无法开发单一统一AI架构，必须为不同病毒家族定制流程。
4. 抗真菌前线：应对真核复杂性、生物膜屏蔽与抗真菌耐药计算策略
将AI应用于抗真菌药物发现是现代药理学中最具挑战性的领域。机会性真菌病原体（如耳念珠菌、烟曲霉、新型隐球菌）在免疫受损人群中致死率超过50%，但医学真菌学长期资金不足、研究不足。核心障碍在于真菌是真核生物，与人类宿主共享广泛的基因组保守性、代谢通路和结构同源性，即“真核悖论”。因此，识别能选择性杀灭真菌而不触发严重宿主毒性的重定位小分子是巨大的计算优化挑战。当前临床上主要依赖三类抗真菌药物：多烯类、唑类和棘白菌素类，以及嘧啶类似物（氟胞嘧啶）和烯丙胺类（特比萘芬）。尽管新类别的出现（如瑞扎芬净、艾瑞芬净、奥罗莫芬）扩展了管线，但结构靶标多样性仍然有限。标准治疗药物靶向真菌特有通路，如麦角甾醇合成和β-(1,3)-D-葡聚糖合酶，但人类同源酶（如细胞色素P450酶）的结构保守导致临床显著肝毒性和药物相互作用。这种真核悖论严重复杂化AI筛选：虚拟筛选算法难以区分真菌酶与人类直系同源物的细微活性位点差异，候选分子常显示交叉反应。病原真菌的实验解析结构严重稀缺，AlphaFold和ESMFold等深度学习工具虽提供大于98%的蛋白质组覆盖，但属于计算假设，需实验验证。历史数据碎片化、缺乏标准化，进一步限制监督学习。已有近期进展：Chai等采用集成机器学习框架和多组学策略预测Dp44mT为新型抗白念珠菌药物，其通过改变细胞铁稳态绕过唑类耐药；Li等对AfDHODH进行同源建模、分子对接和动力学模拟，从ZINC20和ChEMBL库中筛选出两种新型微摩尔抑制剂（IC
50 < 100 μM）；Wang等利用生成式AI潜在扩散模型从头设计抗微生物肽，从40条合成序列中获得25种功能性抗真菌肽，其中AMP-29对光滑念珠菌具有选择性疗效并在小鼠感染模型中验证。此外，真菌细胞壁是由几丁质、β-(1,3)-葡聚糖、β-(1,6)-葡聚糖和外层甘露糖蛋白组成的动态高度交联基质，对高分子量化合物构成巨大机械和位阻屏障。生物膜形成胞外聚合物（EPS）基质，可因电荷相互作用或酶降解困住药物，深层细胞处于代谢休眠“持久”状态，下调AI常用靶向的代谢靶点。形态二态性（酵母相、假菌丝相和侵袭性菌丝相）重塑表面蛋白质组和细胞壁结构，静态酵母相训练模型无法预测菌丝生长中靶标下调或物理遮蔽。最后，因系统抗真菌治疗几乎完全依赖唑类、多烯类和棘白菌素类，机器学习基线训练数据集缺乏化学多样性，导致重定位预测假阳性率高。
5. AI整合的方法论支柱
第一个支柱将结构生物学与深度学习结合。深度神经网络框架（如AlphaFold）可以从氨基酸序列预测病原蛋白三级和四级结构，克服结晶缓慢的瓶颈，生成高保真模型以支持高通量虚拟筛选和分子对接。该支柱尤其有助于建模真菌特异性靶标，如预测黄曲霉Cyp51A的3D构象变化以阐明唑类耐药机制，或定位曲霉表面蛋白的结构表位。
第二个支柱集中于转录组谱匹配，以靶向系统宿主-病原互作。ML解码感染诱导的宿主转录组扰动，提取上调/下调通路特征，并与扰动数据库（如Connectivity Map，CMap）交叉参考。通过识别诱导反相关表达谱的小分子，AI能预测逆转致病基因特征或增强宿主防御的重定位药物。在真菌领域，该策略可用于阻断白念珠菌的酵母-菌丝转变，从而抑制组织侵袭。
第三个支柱依托生物医学自然语言处理（NLP），利用基于Transformer的大规模模型整合数百万篇同行评审文章、临床试验注册库、化学专利数据库和电子健康记录。通过命名实体识别（NER）和知识图谱构建，NLP模型提取隐藏表型相关性、脱靶相互作用和次级临床结局，发现已确立药物与易感性之间的非显然机制关联，并能动员非常规治疗剂（如抗寄生虫药伊维菌素或中链脂肪酸）中的潜在抗真菌特性。
6. 新兴范式与下一代解决方案
为弥合计算机预测与临床转化之间的差距，物理信息神经网络（PINNs）被引入，它将热力学原理、静电动力学和分子扩散方程嵌入损失函数，以改善化合物穿过革兰阴性外膜或真菌几丁质壁的渗透预测，同时降低黑箱不透明度。PINNs也被提出用于模拟通过真菌生物膜EPS矩阵的反应-扩散动力学。同时，静态2D细胞培养催生的体外假阳性促使计算虚拟筛选与仿生微流控器官芯片技术系统耦合，后者复制动态流体、生理剪切应力、组织-组织界面和活跃生物膜形成，实现在仿生感染微环境中的高通量自动验证。现代计算策略进一步整合群体规模泛基因组学，评估靶标保守性以覆盖临床分离株和耐药谱系，例如利用ML模型训练ERG11、FKS1和TAC1的基因组变异，绘制耳念珠菌和白念珠菌临床分离株中唑类和棘白菌素耐药的结构扰动。多目标ADMET分析被纳入早期虚拟筛选，在预测结合亲和力的同时评估心脏毒性（hERG通道抑制）、肝清除率和细胞色素P450相互作用，以避免晚期临床损耗。此外，随着生成式AI和主动学习平台的强大能力，负责任的AI治理和生物安全护栏被提出，以管理双重用途风险，防止先进计算框架被利用设计生物毒素或绕过现有抗真菌防御。
7. 跨病原体类别比较综合
计算管道必须针对每一病原体类别的独特生物物理约束、递送瓶颈和计算局限进行设计。细菌的主要挑战在于外膜渗透屏障和外排泵机制，病毒面临高频突变和宿主依赖，真菌则受困于真核同源性以及细胞壁和EPS基质的物理屏蔽。表1（已略）系统总结了主要病原体类别中细胞和胞外屏障的结构层级，为多界别抗菌计算策略提供了比较框架。
8. 结论性评论
AI整合药物重定位是感染病治疗范式的重大转变，但计算算法仅是初始预测框架。为减轻新兴耐药真菌病原体的全球负担并克服临床耐药机制，计算机模拟必须与仿生验证平台及严格的临床管理无缝耦合。未来三个具体行动优先方向包括：第一，建立标准化、高质量的针对真菌表型筛选的基准数据集，尤其包含阴性数据，以训练更稳健和可泛化的ML模型；第二，优先识别和验证缺乏人类直系同源物的新型真菌特异性分子靶标，特别是参与生物膜基质合成和形态二态性的靶点；第三，整合多组学与物理信息AI模型，准确预测药物通过复杂真菌细胞壁和EPS基质的渗透，弥补靶标结合与实际胞内蓄积之间的鸿沟。此外，在病毒学中，新变异体的定义越来越多依赖PCR扩增而非感染性颗粒的实际分离，这不符合传统Rivers准则的确认要求，提示需在基因组时代重新评估这些基本病原学假设。最终，弥合计算预测与临床现实之间的距离，不仅需要先进算法，更需严格标准化的生物学基础。
