AI驱动的微生物组源抗菌肽发现:应对抗生素耐药性的公共卫生与食品安全视角

《Microorganisms》:AI-Facilitated Discovery of Microbiome-Originated Antimicrobial Peptides: A Perspective on Combating Antibiotic Resistance Within Public Health and Food Safety Frameworks

【字体: 大 中 小 】 时间:2026年10月16日 来源:Microorganisms 4.7

编辑推荐:

  抗菌素耐药性(antimicrobial resistance, AMR)的日益严峻危机要求超越传统抗生素的创新治疗策略。抗菌肽(antimicrobial peptides, AMPs),尤其是源自人类、动物和环境微生物组的抗菌肽,代表了公共卫生微生物学和微

  
抗菌素耐药性(antimicrobial resistance, AMR)的日益严峻危机要求超越传统抗生素的创新治疗策略。抗菌肽(antimicrobial peptides, AMPs),尤其是源自人类、动物和环境微生物组的抗菌肽,代表了公共卫生微生物学和微生物食品安全领域的一个有前景的前沿方向。人工智能(artificial intelligence, AI)和机器学习(machine learning, ML)的最新进展已经彻底改变了发现流程,使得高通量挖掘宏基因组数据和从头生成新型肽序列成为可能。本综述性观点文章综合了AI驱动的微生物组源AMP发现的最新突破,考察了它们在“One Health”和气候敏感框架下对耐多药(multidrug-resistant, MDR)病原体的临床前疗效及其在感染性疾病治疗中的应用,并讨论了包括药代动力学、毒性、制造可扩展性以及食品保存和水安全应用在内的转化挑战。研究人员认为,微生物组科学、深度学习与合成生物学的融合,使AI发现的AMPs有望成为针对人类、动物和环境领域中抗生素耐药性的下一代可行干预措施。
主体内容总结

1. 引言

自1928年青霉素发现以来,抗生素时代显著降低了细菌感染的死亡率,但随后数十年来抗菌素耐药性(antimicrobial resistance, AMR)的全球蔓延使许多传统抗生素失效。世界卫生组织(WHO)将AMR列为全球十大公共卫生威胁之一,2019年约495万例死亡与细菌性AMR相关,其中127万例直接归因于耐药感染。新抗生素开发管线萎缩,耐多药(multidrug-resistant, MDR)ESKAPE病原体(粪肠球菌、金黄色葡萄球菌、肺炎克雷伯菌、鲍曼不动杆菌、铜绿假单胞菌和肠杆菌属)成为医院感染的主要元凶。抗菌肽(antimicrobial peptides, AMPs)作为先天免疫系统的进化保守组分,通过膜破坏等非特异性机制发挥作用,不易产生耐药性,并具有免疫调节、抗生物膜和抗群体感应活性。人类微生物组及其动物和环境对应体蕴含大量未被开发的生物活性分子,其中细菌素尤为丰富。人工智能(artificial intelligence, AI)和机器学习(machine learning, ML)与微生物组研究的结合,使计算筛选、功能预测和全新肽设计成为可能,极大加速了AMP发现进程。

2. 背景:抗生素耐药性危机与AMP的潜力

2.1 抗菌素耐药性的全球负担

AMR已成为全球公共卫生和现代医学的最大威胁之一。2019年全球疾病负担研究显示,细菌性AMR直接导致约127万死亡,并关联495万死亡。低中等收入国家负担尤为沉重。耐药机制包括酶灭活、靶点修饰、外排泵上调及膜通透性降低,水平基因转移促进了人、动物和环境储库间的抗性传播。2017至2021年间仅有11种新抗生素获批,且多为既有类别衍生物。2024年WHO细菌优先病原体清单将碳青霉烯耐药肠杆菌目、鲍曼不动杆菌和利福平耐药结核分枝杆菌列为关键优先级,氟喹诺酮耐药沙门菌和志贺菌因食源性传播和资源受限地区负担加重而优先级上升。

2.2 抗菌肽作为替代治疗策略

AMP具有广谱活性、快速杀菌动力学、免疫调节效应、低耐药潜力和抗生物膜/抗群体感应活性等优势。其膜靶向的非特异性机制使细菌难以通过单点突变产生抗性,因此被视为应对AMR危机的重要候选分子。

2.3 微生物组作为新型AMP储库

人类微生物组包含约1014个微生物,编码超过人类基因组100倍以上的基因,其中包括大量编码生物活性分子的生物合成基因簇(biosynthetic gene clusters, BGCs)。细菌素是微生物组来源AMP的主要类别,肠道菌群通过宏基因组分析已鉴定出数千个新型细菌素基因簇。动物和环境微生物组同样重要,反刍动物胃肠道微生物组中发现了抗MRSA候选分子,土壤和水生生态系统宏基因组将已知AMP多样性扩展了多个数量级。

3. 人工智能和机器学习在AMP发现中的方法

3.1 计算AMP发现概述

AI和ML方法经历了从序列比对和基序筛选到深度学习架构的演进。计算AMP发现流程包括数据收集与整理、特征表示、模型训练、虚拟筛选、候选排序和实验验证等阶段。

3.2 用于AMP分类的判别模型

3.2.1 传统机器学习方法

传统ML方法(随机森林、支持向量机、梯度提升机)依赖手工设计的理化特征,如电荷、疏水性、氨基酸组成、二级结构倾向等。代表性工具有CAMP、iAMPpred和ampir,在基准数据集上准确率超过90%。

3.2.2 深度学习架构

卷积神经网络(CNN)可捕捉局部序列模式,代表模型包括AMP Scanner和Deep-AMP。循环神经网络(RNN)特别是长短期记忆(LSTM)网络适用于序列依赖建模,AMPlify模型采用基于注意力的LSTM架构。Transformer架构通过自注意力机制捕捉长距离依赖,蛋白语言模型如ESM-2和ProtTrans已被用于AMP活性预测。

3.3 用于从头AMP设计的生成模型

3.3.1 变分自编码器(VAE)

PepVAE等半监督VAE框架学习解耦的抗菌属性空间,实现对特定性质AMP的可控生成。

3.3.2 生成对抗网络(GAN)

GAN通过生成器和判别器的对抗训练产生合成序列,dsAMPGAN模型生成的候选AMP具有与天然抗菌肽相似的理化性质。

3.3.3 自回归模型和蛋白语言模型

大规模蛋白语言模型如ProGen2、deepAMP和ESM-3可生成模拟天然蛋白统计模式的新型序列。ApexAmphion框架结合64亿参数蛋白语言模型与强化学习,在100条设计肽的实验验证中实现100%命中率。

3.4 多目标优化框架

治疗性开发需要同时优化活性、毒性、稳定性和可生产性。MAC-AMP系统采用基于大语言模型的多智能体闭环协作框架,自主优化抗菌活性、AMP相似性、毒性合规和结构可靠性。强化学习方法也被用于组合奖励函数下的序列优化。

4. 微生物组源AMP的标志性发现

4.1 全球微生物组挖掘努力

Ma等人通过深度学习筛选超过2000个人类肠道宏基因组,鉴定出数百个新型AMP候选,其中78个经实验验证具有抗菌活性,多个对MRSA和鲍曼不动杆菌等MDR病原体有效。Santos-Junior等人挖掘了63,410个宏基因组,鉴定出863,498条新型AMP序列,覆盖抗菌、抗真菌和抗病毒活性谱。

4.2 来自共生菌的细菌素发现

Du等人对乳杆菌科进行了大规模基因组和机器学习分析,鉴定出超过1000个新型细菌素基因簇,所选候选对临床相关病原体具有强活性且对哺乳动物细胞毒性低。Shen等人聚焦反刍动物胃肠道微生物组,通过深度学习鉴定出抗MRSA候选分子。

4.3 对WHO优先病原体的活性

多项研究表明微生物组源AMP对碳青霉烯耐药鲍曼不动杆菌、耐多药铜绿假单胞菌、碳青霉烯耐药肺炎克雷伯菌、MRSA以及氟喹诺酮耐药沙门菌和志贺菌具有强活性,最低抑菌浓度(MICs)可达低微摩尔范围。

4.4 新型多靶点作用机制

AI驱动的发现揭示了超越典型膜破坏的多重机制:膜穿孔破坏、核酸凝聚、核糖体结合抑制蛋白质合成以及免疫调节细胞因子激活。AI设计的AMP可同时靶向多个细菌靶点,降低耐药出现概率。例如Gut-AMP-17在30天连续传代中MIC增加小于4倍,而美罗培南增加64倍。治疗指数比较显示AI发现的肽在低溶血活性和高效价方面占据理想窗口。

5. AMP在公共卫生微生物学和食品安全中的背景

5.1 One Health范式

One Health框架强调人、动物和环境健康的相互关联。AI驱动的AMP发现平台可挖掘不同One Health储库的宏基因组数据,同一计算流程可应用于人类肠道、牲畜微生物组、土壤和水生环境,减少农业中抗生素使用并缓解食品生产系统的耐药选择压力。

5.2 微生物食品安全应用

食源性病原体如MDR沙门菌、弯曲杆菌、单核细胞增生李斯特菌和志贺菌是重大公共卫生负担。微生物组源AMP和细菌素可用于天然食品防腐剂、牲畜微生物组工程(减少沙门菌、大肠杆菌O157:H7携带)和采后净化(新鲜农产品和肉类表面的AMP喷雾或涂层)。乳杆菌科来源AMP对单核细胞增生李斯特菌、肠道沙门菌和副溶血性弧菌具有活性。

5.3 水安全与环境健康

水传播耐药病原体是AMR传播的重要驱动因素。水生生态系统环境微生物组已鉴定出多种对优先病原体有活性的AMP候选,可设计用于水处理应用,包括使用点消毒和配水系统生物膜控制。

5.4 气候敏感传染病

气候变化通过扩大媒介栖息地、加速病原体进化和破坏卫生基础设施来改变传染病流行病学。AMP的广谱活性不依赖精确菌株鉴定,AI驱动发现可快速应对新发病原体,且微生物组源AMP在不同环境条件下(温度、pH、盐度)的功能稳定性使其适用于气候脆弱地区。

6. 挑战与限制

6.1 数据质量与标准化

AMP数据库存在注释异质性、冗余序列、冲突活性注释和不完整元数据等问题。高质量阴性数据稀缺导致类别不平衡。宏基因组序列可能片段化或含测序错误,BGC功能注释受翻译后修饰多样性限制。需要整合基因组、转录组和代谢组数据来改进训练数据质量。

6.2 模型泛化性与可解释性

模型难以泛化到未充分采样的分类群,存在“域偏移”问题。深度学习常被视为“黑箱”,注意力机制虽能突出重要区域,但难以转化为机制理解。过拟合风险要求严格交叉验证和独立验证。从体外活性预测体内疗效仍是关键缺口。

6.3 实验验证瓶颈

计算筛选可在数小时内评估数百万序列,而实验室合成和测试数百条肽需要大量时间和资源。高通量实验平台(微流控、肽微阵列、自动化液体处理)尚未广泛普及。顶级候选常出现假阳性,需要设计-构建-测试-学习循环的迭代反馈。

6.4 与实验工作流的整合

AI模型与自动化实验平台的闭环集成仍面临技术挑战,包括模型与硬件的接口、数据分析和质量控制自动化、异构数据管理。肽合成和测试周期(数天至数周)限制了迭代速度,跨学科合作和共享平台至关重要。

6.5 AI发现AMP特有的转化挑战

药代动力学(ADME)预测能力有限。溶血和细胞毒性预测模型主要基于天然AMP,可能不适用于非天然修饰序列。免疫原性预测仍不成熟。多目标优化需整合多个可能冲突的预测模型。监管框架仍在发展中,FDA和EMA尚未提供明确的AI药物发现数据要求和模型验证标准。

6.6 AI与AMP固有限制的交汇

肽稳定性既是生物学挑战也是计算挑战。AI可指导非天然氨基酸掺入、环化或PEG化设计稳定肽,但需集成模型捕捉复杂构效关系。耐药性虽低于传统抗生素,仍需计算模型预测耐药出现倾向。制造可扩展性受肽合成成本限制,尤其含非天然氨基酸的序列,AI优化生产菌株和生物过程条件可改善产量,但经济障碍仍存。

7. 未来方向

7.1 大语言模型的整合

基于数十亿蛋白质序列训练的LLMs能够捕捉进化关系和功能约束,微调后可显著提升AMP活性和生成能力。

7.2 与微生物组科学的整合

未来AI模型应整合宏基因组、代谢组和转录组数据,理解AMP在微生物群落中的功能,揭示协同肽组合和群落水平效应。

7.3 闭环实验平台

计算设计与自动化实验平台的整合可实现闭环发现流程。AI设计候选,机器人平台合成和测试,结果反馈改善模型,如Torres等人展示的生成式贝叶斯优化,显著加速设计-构建-测试-学习循环。

7.4 个性化微生物组治疗

基于个体微生物组组成识别或设计肽,可提高疗效并最小化有益共生菌的破坏。预测微生物组组成和宿主-病原体-微生物组相互作用的AI模型对于精准抗微生物治疗至关重要。

7.5 联合治疗和One Health应用

将AMP与传统抗生素联合可产生协同作用、降低耐药发展并扩大抗菌谱。AI预测药物相互作用和优化联合方案正在发展。同一AI管线可应用于牲畜微生物组,减少农业中抗生素使用。

7.6 监管和制造考量

肽类药物面临合成复杂性、储存稳定性和制剂要求等独特制造挑战。连续制造、生物合成和合成生物学的进展可能实现成本有效的生产。

8. 结论

微生物组科学与人工智能的融合代表了抗微生物发现领域的范式转变。AI驱动方法已将微生物组来源新型AMP的发现转变为系统性、高通量事业。深度学习和大规模宏基因组挖掘的整合发现了数千种新型AMP,其中许多对最难治的MDR病原体具有强效活性。从头生成全新肽并优化活性、稳定性和安全性的能力拓展了天然化学多样性之外的新维度。然而,将计算预测转化为临床和工业可行疗法仍需解决肽稳定性、递送、毒性和制造问题。在One Health框架内,AI促进的AMP发现提供了跨领域解决方案:同一计算流程可挖掘人类、动物和环境微生物组,以鉴定对优先病原体有效的肽,同时最小化生态破坏。食品保存、牲畜保护和用水安全应用与公共卫生微生物学焦点一致,为减少食物链中的AMR选择压力提供了可行途径。展望未来,大语言模型和多智能体系统等AI方法的持续进展将进一步提升发现能力。个性化微生物组来源抗微生物治疗愿景正在接近现实。AI发现的AMPs不仅是对失效抗生素的替代,更是一种保障人类、动物和环境健康的全新方法。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号