生成式潜在扩散语言模型创制新型抗感染合成肽的突破性研究

本研究针对抗生素耐药性危机，开发了基于潜在扩散模型(AMP-Diffusion)的人工智能平台，通过蛋白质语言模型(pLM)嵌入生成抗菌肽(AMP)。实验验证显示76%的合成肽具有广谱抗菌活性，其中先导化合物在动物模型中疗效媲美标准抗生素。该研究为AI驱动的抗菌药物发现提供了可扩展的创新范式。

　　

在抗生素耐药性(AMR)日益威胁全球公共卫生的背景下，传统抗生素研发管线已显疲态。微生物通过快速进化产生的耐药机制，使得许多曾经有效的药物逐渐失效，而新药开发速度却远远跟不上耐药菌的蔓延速度。这种"进化竞赛"中，人类正面临严峻挑战——据估计，到2050年抗生素耐药可能每年导致1000万人死亡。在这一背景下，抗菌肽(AMP)因其多重作用机制和不易诱发耐药的特点，被视为对抗耐药菌感染的希望之星。然而，天然AMP的发现和优化过程耗时费力，且难以系统性地探索巨大的序列空间。

《Cell Biomaterials》最新发表的研究中，Marcelo D.T. Torres等科学家开创性地将人工智能(AI)技术与肽类药物设计相结合。研究团队认识到，虽然AMP具有膜破坏、代谢干扰和免疫调节等多重作用机制，但传统方法难以同时满足抗菌活性、低毒性和稳定性等复杂要求。更关键的是，现有AMP数据库存在明显的组成异质性，且针对革兰氏阴性菌和阳性菌的研究严重失衡。这些瓶颈促使研究者转向新兴的生成式AI技术，试图通过算法突破来加速AMP的理性设计。

为解决这些挑战，研究人员开发了名为AMP-Diffusion的计算框架。该平台创新性地整合了两种前沿技术：基于ESM-2的蛋白质语言模型(pLM)和潜在扩散模型。前者通过对数百万天然蛋白质序列的预训练，掌握了氨基酸序列与生物功能间的复杂关系；后者则通过逐步添加和去除高斯噪声的技术，在ESM-2构建的潜在空间中进行创造性探索。这种组合使模型能够生成既符合自然规律又具有新颖结构的候选肽段。为验证这一系统，团队首先生成50,000个候选序列，随后通过APEX深度学习模型筛选出46个最具潜力的肽段进行实验验证。

关键技术方法包括：1)构建AMP-Diffusion模型，在DRAMP 3.0等数据库19,670个AMP序列上训练；2)使用ProGen2评估生成肽段的自然性；3)通过圆二色谱(CD)分析肽段在不同溶剂中的二级结构；4)采用NPN和DiSC3-5荧光探针分别检测膜透化和去极化作用；5)建立小鼠皮肤脓肿模型评估体内疗效。所有实验均设置三个生物学重复，使用A. baumannii ATCC 19606等11种临床相关菌株进行测试。

研究结果部分，首先在"计算框架"中展示，生成的肽段在预测最小抑菌浓度(MIC)分布上与训练集相当，ProGen2评估显示其自然性(困惑度15.83)与天然AMP(17.93)无显著差异。特别值得注意的是，过滤后的序列显示出明显的赖氨酸(K)、亮氨酸(L)和精氨酸(R)富集——这些残基对细菌膜的正电相互作用和两亲性至关重要。

"体外抗菌活性"部分揭示，76%(35/46)的合成肽对至少一种测试菌株表现出活性，尤其对A. baumannii和耐万古霉素E. faecium最为敏感。圆二色谱分析显示，这些肽段在模拟脂质双层环境的SDS溶液中呈现典型的α-螺旋构象，而在水溶液中保持非结构状态，证实其具有环境响应性构象变化的特征。

在"作用机制"研究中，通过荧光标记实验证实，先导肽AMP-diff2-13等能有效破坏细菌膜完整性——其膜透化能力超过临床抗生素多粘菌素B和左氧氟沙星。图3数据显示，这些肽引起的膜去极化程度与已知最强的膜活性肽相当。更令人振奋的是，细胞毒性实验显示大多数肽段在64μmol L^-1以下浓度对HEK293T细胞无显著毒性，展现出优异的选择性。

"体内抗感染效果"部分报道，在小鼠皮肤脓肿模型中，单次给予10μmol L^-1的AMP-diff2-16和43，四天后使细菌负荷降低2-2.5个数量级，疗效与标准抗生素相当。图4显示治疗组小鼠体重稳定，未见不良反应，证实了其治疗安全性。

讨论部分指出，这项研究首次证明基于pLM的扩散模型能高效设计功能明确的治疗性肽类。与既往工作相比，AMP-Diffusion无需预先定义基序或结构先验，直接操作于ESM-2的潜在空间，确保了生成序列的生物学合理性。尽管当前模型仍存在无条件引导等局限，但已展现出三大突破：1)76%的生成肽具有实际抗菌活性；2)体内外验证了膜靶向机制；3)建立了从AI设计到动物验证的完整流程。这些发现不仅为抗感染药物开发提供了新工具，更开创了生成式AI在生物医学应用的新范式——未来或可针对特定病原体定制肽类药物，为应对抗生素耐药危机带来曙光。