关于本研究专题
背景
抗微生物耐药性（AMR）正削弱现有抗生素的疗效，亟需建立兼具生物学基础和计算效率的药物研发新路径。该领域进展将日益依赖实验数据与生物信息学技术的深度整合——从经典结构生物信息学和化学信息学到当代人工智能/机器学习方法。本专题旨在搭建跨领域交流平台，尤其关注将计算洞见转化为可验证假设和实验室实证的研究。
我们征集涵盖完整研发链条的成果，包括靶点与通路识别、先导化合物发现与优化、合理疗法设计等。特别鼓励提交针对耐药菌株恢复药效并延缓耐药性产生的组合策略与增效剂研究。本专题欢迎针对细菌和真菌病原体、涵盖多类药物及临床相关模型的研究。
核心目标在于强化计算预测与真实抗菌效果之间的转化桥梁。因此重点征集三类成果：(i) 应用成熟计算技术的研究（如比较基因组学、分子对接、药效团建模、分子动力学模拟、定量构效关系、网络分析）；(ii) 引入AI驱动工作流的研究（如活性预测、蛋白结构预测、可解释机器学习、生成式设计、主动学习）；(iii) 整合多方法的复合研发流程。强调可复现性、严格基准测试及数据共享的研究将优先收录，因该领域中检测条件、菌株背景和耐药机制对结果影响显著。
最后，我们强调组合设计（包括药物-药物及药物-增效剂组合）作为提升疗效、拓宽抗菌谱、降低剂量和抑制耐药性的实用路径。欢迎提交能预测、阐释和验证协同/拮抗作用的计算与实验框架，推动组合研发从大规模筛选转向基于机制的理性设计。
研究范围与主题（示例）
• 靶点发现与优先级排序：必需性、保守性、可成药性、抗耐药靶点选择、通路建模
• 经典生物信息学方法：比较基因组学、蛋白预测、结合位点分析、分子对接、分子动力学模拟、药效团建模
• 化学信息学与配体设计：定量构效关系、相似性检索、虚拟筛选、性质优化
• AI驱动研发：基于机器学习的活性/毒性预测、可解释模型、生成式设计、主动学习、多组学与检测数据的多模态学习
• 实验验证：表型筛选、化学基因组学、CRISPRi/Tn-seq、感染相关模型、通透性/外排检测
• 组合疗法：协同作用预测、机制导向组合、进化指导设计、跨菌株条件验证
• 资源与标准：结构化数据集、基准测试、工作流程、可复现管道、报告规范
关键词：抗微生物耐药性、抗生素发现、靶点识别、化学基因组学、表型筛选、协同预测、药物组合、结构生物信息学、机器学习、生成模型、主动学习、耐药进化
专题编辑
乌马尚卡尔·韦特里维尔博士
印度医学研究理事会（ICMR）
新德里，印度
瓦伊莎莉·瓦曼
伦敦大学学院
伦敦，英国
路易斯·费尔南多·萨拉瓦·马塞多·廷默斯
塔夸里谷大学
拉热阿多，巴西
专题协调员
尼利玛·博拉
卡达拉舍原子能委员会
圣保罗莱迪朗斯，法国
【全文结束】
