相关研究论文已发表在国际顶级期刊《自然》杂志上。

麻省理工学院和哈佛大学等机构研究人员首先测试了约3.9万种化合物对耐甲氧西林金黄色葡萄球菌的抗菌活性，并利用测试数据以及这些化合物的化学结构等信息来训练深度学习模型。

研究团队采用了一种被称为蒙特卡洛树搜索的算法，不仅使模型可以预测每个分子的抗菌活性，还能预测分子的哪些化学亚结构可能导致这种活性。

为进一步缩小候选药物范围，他们还训练了另外三个深度学习模型来预测这些化合物对三种人体细胞是否具有毒性。

接下来，研究人员利用上述模型的集合预测了约1200万种化合物的抗菌活性和细胞毒性，确定了五类化合物对耐甲氧西林金黄色葡萄球菌有抗菌活性。

他们从中选取280种化合物在培养皿进行抗耐甲氧西林金黄色葡萄球菌实验，最终挑选出属于同一类化合物的两种候选抗生素。

小鼠实验结果显示，这两种化合物都对治疗耐甲氧西林金黄色葡萄球菌感染效果显著。

研究人员表示，新研究的一个关键创新在于打开了这类深度学习模型的“黑匣子”，弄清楚模型使用哪种信息来预测抗生素效力，这将有助于研究人员设计出比模型识别出的化合物效果更好的候选药物。

未来他们还将更详细地分析上述两种化合物的化学性质和潜在临床用途，并利用这类深度学习模型设计更多候选药物，寻找能杀死其他细菌的化合物。