這項研究的創新之處在於，研究人員能夠解析深度學習模型用以預測抗生素效力的資訊類型。這一發現有助於設計比模型識別的藥物更有效的新藥。

研究人員使用擴展數據集訓練了深度學習模型，測試了約3萬9000種化合物對MRSA的抗生素活性。他們改編了「蒙地卡羅樹搜尋（Monte Carlo tree search；簡稱：MCTS）」，使模型不僅能預測每個分子的抗菌活性，還能指出分子哪些亞結構可能導致該活性。

為了縮小候選藥物範圍，研究人員訓練了另外三個模型來預測化合物對人類細胞的毒性。結合抗菌活性預測，他們發現了能殺死微生物同時對人體影響最小的化合物。

使用這些模型，研究人員篩選了大約1200萬種化合物，並從中識別出五種不同類別的化合物。他們購買了約280種化合物進行實驗測試，在兩種MRSA感染的老鼠模型中測試，發現其中兩種化合物顯著降低了MRSA的數量。

這些化合物似乎通過破壞細菌維持細胞膜上電化學梯度的能力來殺死細菌，這一梯度對許多關鍵細胞功能至關重要，包括產生ATP（細胞用來儲存能量的分子）。此外，該實驗室於2020年發現的抗生素候選藥物halicin似乎具有類似機制，但專門針對革蘭氏陰性細菌（細胞壁較薄的細菌）。MRSA則是革蘭氏陽性細菌，細胞壁較厚。

Wong表示：「我們有相當強的證據表明，這種新的結構類對革蘭氏陽性病原體活性，通過選擇性地消散細菌的質子動力。」他補充說，這些分子選擇性地攻擊細菌細胞膜，而不會對人類細胞膜造成大量損害。經過大幅增強的深度學習方法使他們能夠預測這種新結構類的抗生素，並發現它對人類細胞無毒。