抗菌肽活性定量预测工具的回顾性基准测试

《Small Methods》：A Retrospective Benchmark of Quantitative Antimicrobial Peptide Activity Prediction Tools

　　**摘要**抗菌肽（AMPs）是应对全球抗生素耐药性危机的关键候选者。能够直接预测肽类抗菌活性，特别是最低抑菌浓度（MIC）的人工智能驱动定量模型，正通过为 AMPs 的理性设计提供精确指导而日益受到科学界的重视。为了评估它们在现实世界中开箱即用的性能，我们对 10 个公开发布的定量 AMP 预测工具进行了回顾性基准测试，涵盖了从经典机器学习到当代深度学习方法。使用外部数据集和重建的原始数据集，我们评估了绝对 MIC 回归、回顾性可重复性、方向性预测模式、排序能力和虚拟筛选富集。大多数已发布的工具在绝对 MIC 回归方面表现不佳，且对外部基准的迁移性有限，而部分选定的工具保留了有用的相对排序和富集能力。回顾性评估进一步揭示了已发布工具在实现层面的可重复性存在显著差异。误差分层分析确定了预测误差与肽残基组成之间的系统性关联，同时普遍存在预测活性范围的压缩现象。总体而言，这些发现刻画了目前可获取的定量 AMP 预测工具的实用性能边界，并支持主要将其用作早期筛选过滤器，而非实验 MIC 测量的精确替代品。**利益冲突**作者声明不存在利益冲突。**数据可用性声明**N 数据集中的新型 AMP 及其相应的抗菌活性数据，以及构成合并参考 M 数据集的 AMP 序列，可在补充数据 1 中获得。本基准研究中评估的所有模型的源代码均在各自的存储库中公开可用：MBC-Attention (https://github.com/jieluyan/MBC-Attention)；Deep_AMP（回归器）(https://github.com/amirpandi/Deep_AMP)；AMP-READ (https://github.com/MicroResearchLab/AMP-potency-prediction-EvoGradient)；EIPpred（按照 https://github.com/raghavagps/EIPpred 处的说明通过 pip 安装）；AMP-Designer（AMP-MIC）(https://github.com/jkwang93/AMP-Designer)；AMPredictor (https://github.com/ruihan-dong/AMPredictor)；BERT-AmPEP60 (https://github.com/janecai0714/AMP_regression_EC_SA)；AMPGen（MIC 评分器）(https://pypi.org/project/ampgen/)；APEX 1.1 (https://gitlab.com/machine-biology-group-public/apex-pathogen)；以及 AMPainter（HyperAMP）(https://github.com/ComputBiophys/AMPainter)。