作者：陈晓乐

　　AI是否会导致科研能力退化？在我看来，答案是否定的。

　　我刚独立主持课题时，天然多肽的发现主要靠“活性追踪+逐级分离”的传统路径。每一项研究起步都要规划分离纯化流程，从粗提物到拿到一条纯度达标、结构明确的活性肽，快则数周，慢则数月。到了结构鉴定环节，高分辨串联质谱产生的肽段碎片离子，需要逐条解析归属，再与数据库逐一比对。一个复杂的天然肽组分往往对应上百条候选序列，每一条的拼接逻辑都要反复推演确认。

　　真正让我感受到研究范式深刻变革的，是AI辅助虚拟筛选融入天然活性肽发现全流程之后。我国科研团队针对海洋产物蛋白酶水解物的研究让我印象深刻：样本中可鉴定的肽序列多达数千条，若沿用传统“逐一分离纯化—高分辨串联质谱鉴定—活性验证”的思路，样品消耗量、时间成本与人力投入都难以承受。该团队建立了“活性追踪分离—高分辨串联质谱定向鉴定—AI辅助虚拟筛选”的新型工作流程，最终从96个高置信度候选结构中筛选出20条肽开展实验验证。这样的效率，在传统研究模式下几乎难以想象。对我自己的研究而言，这类工具的价值远不止提速：它让我们在分离纯化的早期阶段就能预判哪些组分、哪些序列更值得投入资源重点攻关，避免将大量精力耗费在最终被证实无活性的组分上，实现了研究资源的精准配置。

　　在文献调研与多肽序列优化环节，AI的价值同样突出。过去，优化一条先导肽的结构与活性，需要系统梳理大量同类肽的文献报道，逐条整理不同位点突变、不同化学修饰对应的活性数据，再依赖研究经验判断改造方向，很耗时间且易出现信息遗漏。如今，我会借助多肽AI设计工具开展预研：它作为一套闭环的多肽设计框架，将序列生成、理化性质预测、单残基突变生成等功能模块化，每一步预测都有明确的算法依据，结果可复现、过程可回溯。对科研人员而言，这种可追溯的工具至关重要——我们的科研判断绝不能建立在“黑箱”式的结论之上，每一个决策都要有清晰的科学逻辑支撑。

　　AI不是对人的科研能力的替代，更不会导致能力退化；它推动的是科研能力的迭代升级，让研究者从重复性、遍历性的劳动中解放出来，将更多精力投入到真正需要科学智慧的核心环节。工具在进化，科研能力的定义也在进化。这不是退步，而是新时代科研人员的必然适配与主动进化。

　　（作者系福建医科大学药学院副院长）

　　本文摘自《光明日报》（2026年10月12日 07版）