基于Pareto多目标Transformer的抗菌肽多属性协同优化设计新方法MOFormer

《Briefings in Bioinformatics》：MOFormer: navigating the antimicrobial peptide design space with Pareto-based multi-objective transformer

本研究针对抗菌肽(AMP)设计中多重属性难以协同优化的挑战，开发了基于Transformer的多目标生成框架MOFormer。该模型通过整合多融合描述符与Pareto前沿优化策略，在保持序列多样性的同时实现了抗菌活性(MIC)与溶血性(HEMO)/毒性(TOXI)的精准平衡。实验表明MOFormer在超体积(HV)指标上优于现有方法，其生成的候选肽经AlphaFold结构预测显示70-87%的pLDDT置信度。这项工作为多目标肽设计提供了新范式，有望加速高效低毒抗菌肽的发现。

　　

在抗生素研发速度远落后于临床需求的背景下，抗菌肽(AMP)因其独特的作用机制成为对抗耐药菌的新希望。这类两亲性阳离子肽能穿透带负电的细菌膜，但其强疏水性和正电特性往往导致溶血(HEMO)和毒性(TOXI)风险，成为临床转化的主要障碍。传统生成模型如VAE、GAN等虽能优化单一属性，却难以协调多重目标间的固有冲突。

为解决这一难题，筑波大学与湖南大学联合团队在《Briefings in Bioinformatics》发表研究，提出MOFormer——一种基于Pareto多目标优化的Transformer框架。该工作创新性地将多融合描述符（氨基酸组成AAC和CTDC特征）压缩为3维控制向量，结合条件Transformer架构实现对AMP序列-属性景观的精准导航。通过引入KL退火与高斯丢弃正则化策略，模型在保持潜空间结构化的同时避免了后验坍塌问题。

关键技术方法包括：1) 基于4096条实验验证AMP序列的训练集构建，采用0.35截断比去冗余；2) 整合Prot-BERT-BFD预训练模型进行MIC回归与HEMO分类预测；3) 建立非支配排序算法实现分层候选筛选；4) 利用AlphaFold进行分子结构验证。

MOFormer outperforms existing methods

通过超体积(HV)指标评估显示，MOFormer在双目标(MIC-HEMO)优化中达到0.976的最高值，显著优于AMPEMO(0.439)和HMAMP(0.891)。

消融实验证实，移除描述符的MOFormer(w/o D)版本HV值降至0.767，而去除反馈机制的MOFormer(w/o F)仍保持0.930，说明多融合描述符对捕获AMP理化特征具有关键作用。

Characteristics of the designed AMPs

生成的1000条AMP序列中，56条经SVM分类器筛选显示最优抗菌活性与最低HEMO风险。氨基酸分布分析表明，MOFormer产生的序列在MIC分布上左移（活性增强），HEMO分布向低风险区域集中。

T检验显示MOFormer在MIC属性上具有显著多样性(P<0.05)，但HEMO属性集中于低概率事件，反映多目标优化的内在权衡。

Sequential and mechanistic analyses

对前5层Pareto前沿的67条候选肽进行序列标识分析，发现保守位点的高信息量残基可能参与关键功能。

选取5条短链肽（≤25aa）进行AlphaFold结构预测，ID1/2/4/5呈现无规卷曲构象，而ID3形成稳定α螺旋，其pLDDT评分达70-87%，提示结构可靠性。

Structural and interpretable analyses

注意力机制可视化揭示R4与R12位点存在强相互作用，可能影响两亲性区域构象。在三目标(MIC-HEMO-TOXI)优化中，MOFormer仍保持1.291的HV最优值，证明框架的扩展能力。

该研究通过结构化潜空间导航与Pareto前沿优化，实现了AMP多属性设计的突破。尽管在极端MIC/TOXI区域样本稀疏性提示数据限制，但MOFormer为多目标肽设计提供了可解释、高效率的解决方案。未来结合无分类器扩散模型与实验验证，有望进一步推动计算设计向临床应用的转化。