《International Journal of Molecular Sciences》：Computational Discovery of Plant-Derived Peptides with Therapeutic Potential: A Scoping Review
计算方法日益应用于植物源多肽的发现，但该领域文献的规模、构成及报告规范尚未被系统梳理。遵循PRISMA-ScR（PRISMA for Scoping Reviews）和Joanna Briggs Institute指南，研究人员对Scopus、Web of Science、ScienceDirect和PubMed进行了检索，纳入2021年至2026年间发表的文献。在5062条去重记录中，593条经标题和摘要筛选，88篇全文接受评估，80篇文献满足全部五项纳入标准，79篇完成数据提取。总体而言，49篇（62.0%）为原始研究，12篇（15.2%）描述工具或数据库，18篇（22.8%）为叙述性综述。抗菌肽（antimicrobial peptides）是最常见的肽类（33篇，41.8%），其次为抗氧化肽（21篇，26.6%）和血管紧张素转换酶抑制肽（ACE-inhibitory peptides，18篇，22.8%）。仅有11篇文献（13.9%）训练并评估了自有模型，而23篇（29.1%）将预测与分子对接（molecular docking）相结合。在61篇实证文献中，14篇（23.0%）报告了至少一项定量预测任务性能指标，13篇（21.3%）对指定比较对象进行了基准测试；所用指标彼此不可比。此外，在62篇适用文献中，18篇（29.0%）通过实验证实了自身预测；70篇（88.6%）指明了植物来源，其中最常见的是拟南芥（Arabidopsis thaliana）；8篇（10.1%）将研究材料与有文献记载的传统医学相关联。在所检索的文献范围内，未发现将机器学习应用于非洲植物多肽的研究——这一缺失是所抽样文献中的空白，而非此类工作不存在的证据。
论文主体内容总结
1. 引言
植物产生结构多样的多肽库，其中许多具有可测定的生物活性。两条研究传统汇聚于此：其一关注植物先天免疫的结构家族，包括抗菌肽、防御素（defensins）、硫堇（thionins）、snakins、hevein样多肽、脂质转移蛋白（lipid transfer proteins）和环肽（cyclotides）；其二关注食品与营养科学中通过酶解种子、叶片及副产物蛋白释放的生物活性序列。来自这两条传统的多肽可抑制细菌和真菌生长、清除自由基、抑制血管紧张素转换酶（angiotensin-converting enzyme，ACE）、抑制二肽基肽酶IV（dipeptidyl peptidase IV，DPP-IV）并降低血糖，以及调节免疫和炎症信号。随着抗菌药物耐药性侵蚀既有抗感染药物类别，以及对具有明确作用机制的功能性食品配料需求的增长，该领域的研究兴趣持续增强。
实验鉴定这些多肽速度缓慢，而候选空间极为庞大。对单一候选物的提取、分级、纯化、测序和生物测定可能耗时数月，而单个植物蛋白质组在模拟多种蛋白酶酶切后可产生数万条推定序列，若计入小开放阅读框（small open reading frames，sORFs）、microRNA编码多肽及其他非经典编码区则数量更多。因此，穷尽式实验筛选不仅昂贵而且不可行，必须在任何多肽被合成之前通过计算手段对候选物进行优先级排序。
计算方法在发现管线的多个环节提供这种优先级排序。基于序列的分类器为多肽属于某一生物活性类别赋予概率，已有预测器专门针对植物材料而非主导通用抗菌肽预测的分类学混合数据集进行训练。蛋白质语言模型（protein language models，PLMs）在大规模无标注序列语料上预训练并在较小标注植物数据集上微调，近来也被应用于同一任务。分子对接评估优先级排序后的序列是否占据靶标结合位点及其能量有利性；分子动力学模拟检验所得复合物是否稳定；基因组、转录组和肽组挖掘则识别候选位点和内源序列。这些方法互补而非竞争，大多数已发表的管线组合使用其中多种方法。
随着该领域文献的增长，其词汇也在扩展。研究和综述均将自身描述为人工智能驱动、机器学习引导或深度学习为基础，此类描述在二手文献中常被不加审视地重复。有四件事尚未明确：其中有多少工作实际训练并评估了预测模型；其性能报告的可比性如何；计算预测被生成该预测的研究通过实验确认的频率；以及该领域所依托的植物来源。这些涉及证据基础的范围、构成和内部一致性，而非任何单一方法的效能——这正是范围综述旨在确立的内容。
2. 材料与方法
2.1 研究设计
本范围综述采用Arksey和O'Malley的五阶段方法学框架，经Levac等人完善并经Peters等人进一步更新，并依据PRISMA-ScR指南进行报告。数据提取、分析和呈现遵循Pollock等人对范围综述的建议。选择范围综述而非系统综述的原因有二：研究对象是异构方法学文献的范围、分布和报告实践，而非特定干预的效果；且该文献缺乏共享结局指标，无法进行定量合并，因此无法产生合并估计值。
2.2 研究问题
综述问题采用范围综述推荐的Population–Concept–Context框架构建：哪些计算方法已被应用于植物源多肽的鉴定、预测、分类或设计，这些方法的性能和实验验证情况如何？两个子问题随之而来：该领域从哪些植物获取材料，以及这些材料在多大程度上与有文献记载的传统医学知识相关联。地理分布依据肽材料的植物学来源而非作者机构归属进行绘制，因为机构归属记录的是研究开展地点而非其研究的植物区系，二者在该文献中系统性偏离。
该框架有两处偏离原始方案并作为偏差记录：Population要素要求植物必须是多肽的来源，从而排除分子农业（molecular pharming）；Concept要素接纳任何in silico方法而非仅限机器学习，以免将综述拟检验的假设嵌入纳入标准。
2.3 纳入标准
纳入标准直接源自该框架，仅当全部五项标准均满足时文献方可纳入；任何一项标准不满足即构成排除。计算成分标准在原始研究和综述之间刻意不对称：实质性讨论计算方法的叙述性综述可纳入，但因讨论不等于应用，故记录为未应用任何方法。日期限制在检索时前瞻性应用而非事后施加。
2.4 信息来源
在四个书目数据库中进行了结构化检索：Scopus、Web of Science、ScienceDirect和PubMed。Scopus、Web of Science和ScienceDirect于2026年8月17日检索，分别返回3963、540和383条记录。PubMed于2026年8月17日检索，并在检索字符串修订后于2026年10月12日再次检索。修订纠正了原PubMed检索的两个缺陷：引号内短语中的截断运算符（PubMed不扩展）以及以滚动五年日期过滤器替代其他三个数据库应用的2021至2026年固定范围。原字符串返回30条记录，修订后字符串返回431条。两个集合不嵌套，原30条中有9条不在修订集合中，因此两个检索均被报告，其440条唯一记录的并集被继续推进。四个数据库共产生5326条记录。
2.5 检索策略
检索策略围绕三个概念构建。检索词分为三组，分别涵盖计算和in silico方法、多肽及多肽家族、植物及植物部位和天然产物。各组内术语以OR连接，组间以AND连接。使用截断以捕获形态变体。检索限于标题、摘要和作者关键词字段，以及2021至2026年。检索时不设语言限制；语言在筛选阶段作为纳入标准评估。
2.6 研究选择
四个数据库的记录合并后，使用数字对象标识符（DOIs）和规范化标题去除重复，移除264条重复记录，剩余5062条唯一记录。应用初始关键词过滤器识别待进行标题和摘要评估的记录；过滤器本身不决定纳入资格。过滤器保留593条记录进入标题和摘要筛选。在593条记录中，442条因不符合纳入标准被排除，60条因可用信息不足以确定资格而保持未决，91条进入全文获取。91条中88篇被获取并评估，3篇因订阅付费墙无法获取。全文评估后，80篇文献满足纳入标准，7篇被排除，1篇因信息不足保持未决。
2.7 数据提取
标准化提取表应用于79篇可完成提取的文献，捕获以下字段：研究类型；所涉及的多肽类别；植物来源；实际应用的每种计算工具、算法、模型和数据库；基于该列表分配的方法类别；所用数据集及其构成和规模；验证设计；每项报告的性能指标及其测量时的数据划分标签；如有基准测试则记录比较工具；是否对自身预测进行实验验证；是否将材料与有文献记载的传统医学体系相关联；主要发现；以及任何影响解释的注意事项。
四项操作性定义决定了所报告的计数。第一，计算方法按实际应用而非讨论内容进行提取。第二，验证指来源自身对同一来源计算预测或鉴定的特定多肽的生物活性进行实验确认。第三，仅当来源声明植物或多肽材料在指定的传统医学体系内有文献记载的使用并引用来源时，才记录为与传统医学相关联。第四，在物种统计中，仅当来源从该物种获取自身序列数据或植物材料时才计入该物种。
2.8 数据综合与分析
提取数据以描述性方式综合，这是范围综述适宜的综合方式，也是该证据的异质性所允许的唯一综合方式。频率和百分比按研究类型、多肽类别、方法类别、性能报告、验证状态、植物来源和传统医学关联进行报告。使用三个分母：79的提取总数用于所有来源均具备的属性；61篇实证文献用于性能报告和比较基准测试；62篇适用文献用于验证问题。
2.9 纳入证据的批判性评估
按照既定的范围综述方法学，未对纳入文献的方法学质量进行正式批判性评估，因为范围综述旨在绘制证据基础的范围和性质而非对其各组成部分的强度分级。作为替代，本综述系统性地提取了报告的性能、验证设计、数据集构成和比较基准测试，并按其来源值报告，使读者能够独立判断任何单篇文献的证据强度。
2.10 报告与方案
本综述遵循PRISMA-ScR指南，并提供完整的22项检查清单。未在数据提取前于公共注册库前瞻性注册方案，这是一项实质性局限，因为前瞻性注册是防止选择性报告和事后修改纳入标准的主要保障。修改及其后果已完整报告。
3. 结果
3.1 检索与筛选结果
四个数据库共识别5326条记录。去重移除264条，剩余5062条唯一记录。关键词过滤器保留593条进入标题和摘要阅读。442条被排除，60条无法解决，91条进入全文获取。88篇被获取并评估，80篇满足全部五项标准，79篇完成提取。在标题和摘要阶段，排除原因由植物来源决定241条、多肽焦点109条、缺乏计算成分88条、重复2条、不合格出版物类型1条和语言1条。在全文阶段，排除由多肽焦点4篇、植物来源1篇、缺乏计算成分1篇和出版物类型1篇决定，另有1篇无法确定资格。
3.2 提取证据的特征
80篇文献满足全部五项纳入标准，79篇完成提取。所有文献发表于2021至2026年间。年份分布明显偏向窗口末期：2021年7篇、2022年6篇、2023年10篇、2024年12篇、2025年24篇、2026年覆盖部分20篇。因此，79篇中44篇（55.7%）发表于2025年或2026年。按研究类型，49篇（62.0%）为原始研究，12篇（15.2%）为工具、预测器或数据库描述，18篇（22.8%）为叙述性综述。49篇原始研究和12篇工具或数据库描述共同构成61篇实证文献。
3.2.1 多肽类别
抗菌肽是最常涉及的类别，出现在79篇中的33篇（41.8%）。抗氧化肽紧随其后，21篇（26.6%）；血管紧张素转换酶抑制或抗高血压多肽18篇（22.8%）。另有18篇（22.8%）涉及生物活性多肽但未指定功能性活性类别。更具体的类别中，防御素12篇（15.2%），抗糖尿病、DPP-IV抑制或其他降糖活性多肽11篇（13.9%），抗癌多肽9篇（11.4%）。抗真菌多肽、抗病毒多肽、免疫调节多肽和环肽各8篇（10.1%）。抗炎多肽、小分泌或小信号多肽以及snakin或GASA结构域多肽各7篇（8.9%）。脂质转移蛋白5篇（6.3%），由sORFs、microRNAs或其他非经典编码区编码的多肽以及硫堇各4篇（5.1%），神经保护多肽4篇（5.1%）。细胞穿透多肽2篇（2.5%）。由于多数文献涉及多个类别，这些数字总和远超79。
3.2.2 计算方法（按实际应用）
按实际应用的方法对每篇文献进行分类，最大类别为生物信息学预测结合分子对接，23篇（29.1%）。第二大类17篇（21.5%）未应用任何计算方法，即叙述性综述。9篇（11.4%）在自身管线中应用已发表的预测模型而未训练或评估任何模型。7篇（8.9%）应用常规生物信息学和基因家族分析，另有7篇（8.9%）仅应用分子对接和模拟而无前置预测步骤。11篇（13.9%）训练并评估了自有机器学习模型。在该组内可区分三种模型开发程度：2篇微调预训练模型权重，4篇使用预训练蛋白质语言模型作为固定特征提取器并训练新的下游分类器，5篇从零开始训练模型。另有2篇将深度学习应用于结构预测而非发现或分类，2篇描述数据库或策展资源而无预测模型，1篇应用基于规则的in silico模拟。
3.2.3 报告的性能
在61篇实证文献中，14篇（23.0%）报告了至少一项预测任务的定量性能指标，2篇（3.3%）仅报告结构预测置信度分数，45篇（73.8%）未报告任何指标。按各文献的目标进行分解后，11篇训练并评估自有模型的文献中有10篇报告了至少一项指标。报告指标彼此不可比：包括准确率、平衡准确率、敏感性、特异性、精确率、召回率、F1分数、马修斯相关系数（Matthews correlation coefficient，MCC）、受试者工作特征曲线下面积（area under the receiver operating characteristic curve，AUC-ROC）、精确率-召回率曲线下面积（AUC-PR）、决定系数、均方根误差、平均绝对误差和皮尔逊相关系数。验证设计同样高度异质，从单一训练-测试划分到十折交叉验证结合多个独立测试集和二十次重复运行不等。13篇（21.3%）对至少一个指定的计算比较对象进行基准测试，其余48篇未指定任何比较对象。
3.2.4 计算预测的验证
在62篇适用文献中，18篇（29.0%）通过实验确认了同一来源计算预测或鉴定的特定多肽的生物活性；44篇（71.0%）未确认。18篇验证案例遵循一致且方法学上连贯的模式：计算筛选将大型候选集缩小为少量命名序列，这些特定序列被化学合成，其活性在相关测定中测量。验证案例集中在食品科学文献中关于抗氧化、抗高血压和抗糖尿病多肽的研究。在44篇未验证文献中，相当数量进行体外测定，但对象是散装蛋白质水解物或未解析的分子量级分，而非计算步骤选择的特定序列。此类工作确立了混合物具有该活性，但未确立预测多肽对其负责。
3.2.5 植物来源
79篇中70篇（88.6%）指明其肽材料的植物学来源；9篇（11.4%）未指明。在限制性统计中，拟南芥（Arabidopsis thaliana）是最常见的来源物种，出现在6篇文献中；蒺藜苜蓿（Medicago truncatula）和马铃薯（Solanum tuberosum）各3篇；大麦（Hordeum vulgare）、木槿（Hibiscus syriacus）、半夏（Pinellia ternata）、芝麻（Sesamum indicum）和葡萄（Vitis vinifera）各2篇。无论采用哪种统计方式，物种分布以模式生物和主要农作物为主。拟南芥作为该文献中研究最多的物种，主要是一种模式生物而非基于药用价值选择的物种。
3.2.6 与传统医学的关联
在79篇中，8篇（10.1%）将肽材料与有文献记载的传统医学体系相关联，所涉体系包括中医（Traditional Chinese Medicine）、阿育吠陀（Ayurveda）、尤纳尼（Unani）和印度悉达（Siddha）体系。71篇（89.9%）未作此类关联。若干文献将物种描述为药用或传统使用，但未指明体系或引用支持，均记录为未关联。
3.2.7 植物材料的地理范围
按肽材料的植物学来源而非作者归属绘制，本次检索范围内未发现任何文献将机器学习或深度学习应用于南非或其他非洲植物的多肽。该发现必须结合检索设计加以解读：检索策略不含非洲特定的地理、植物学或民族医学术语；未检索非洲期刊在线（African Journals Online）或SciELO等区域或大陆数据库；未查阅灰色文献、学位论文或机构知识库；未检索预印本服务器。因此，此处报告的缺失是所抽样索引国际文献中的缺失，而非此类工作不存在的证据。
4. 讨论
4.1 主要发现总结
本综述提取了79篇文献，产生五项相互依存的发现。第一，该领域机器学习的数量远小于其表述所暗示的规模：79篇中11篇（实证文献的18.0%）训练并评估了自有模型。第二，性能报告不仅不一致，而且在结构上不可比：61篇实证文献中14篇报告了任何定量指标，且所报告的数量来自不同统计框架。第三，实验自我验证发生在62篇适用文献中的18篇，集中在特定子文献中。第四，植物学来源通常被指明（79篇中70篇），但所涉物种以模式生物和主要农作物为主。第五，与有文献记载的传统医学知识的关联罕见（79篇中8篇）。
4.2 抗菌肽及其鉴定方法
抗菌肽仍是最常研究的类别（79篇中33篇），但应用于该类别的计算方法在复杂性和证据强度上差异巨大。一端是训练基于植物特异性抗菌肽数据集的分类器、在交叉验证和独立测试集上评估并报告完整指标集的工具。另一端是运行一两个已发表预测服务器并报告候选计数（有时附对接能量）而不对预测本身进行任何评估的研究。两端的文献以相近的语言描述，读者无法从标题或摘要中的机器学习引导等表述判断属于哪种。
4.3 性能报告及其补救措施
约四分之三的实证文献未报告性能指标，而报告者中没有任何单一指标被半数以上文献共享。补救措施无需新方法，仅需报告规范，四项内容即可：数据集构成；验证设计；指标集（每项指标标注测量时的数据划分，并至少报告一项对类别不平衡稳健的指标如MCC或平衡准确率）；以及至少一个由作者在相同数据上评估的指定比较工具。
4.4 验证与水解物问题
62篇适用文献中18篇通过实验确认了自身预测的多肽活性。验证案例集中在蛋白质水解物的食品科学文献中。一个具体实践应被明确指出：相当数量的文献对散装蛋白质水解物或未解析的分子量级分进行体外测定，而非对计算步骤选择的命名序列进行测定，然后将计算预测描述为已验证。这些预测并未被验证。该领域预测已超过确认，而非缓解了确认的负担。
4.5 地理范围与可主张结论的限度
按肽材料的植物学来源绘制，证据集中在相对少数命名物种，以模式生物和主要农作物为主，79篇中9篇未指明植物学来源。本次检索范围内未发现将机器学习应用于南非或其他非洲植物多肽的文献。该发现必须结合检索设计的局限加以解读。此处报告的缺失是所抽样索引国际文献中的缺失，而非此类工作不存在的证据。预测器的可迁移性问题悬而未决：本领域预测器主要在模式生物和主要农作物序列上训练，模型在系统发育遥远且训练数据中代表性不足的类群上是否保持性能是开放问题。
4.6 优势与局限
本综述的主要优势在于选择过程可复现。选择从保留的数据库导出文件执行，使用已发布的完整术语列表的文档化关键词过滤器，且过滤器在使用前经过召回率测试。每项资格决定均附标准级判定和支持证据引用，每项提取值同样有据可查。若干局限按重要性排序：筛选记录不完整；两位审稿人的逐条决定未以可比较形式保留，无法计算审稿人间一致性；60条记录因信息不足未进入全文评估；PubMed检索在综述过程中被修订；80篇满足标准但仅79篇完成提取；未前瞻性注册方案且纳入标准在实施过程中被修改；检索设计限制了地理主张；提取计数依赖分类规则。
4.7 对研究与实践的启示
四项启示按可操作性排序。第一，报告标准是最紧迫且最易解决的需求。第二，作者应明确说明是构建预测器还是应用预测器。第三，验证差距仍然显著，水解物问题应在报告中明确命名。第四，有文献记载的民族医学知识是候选物选择中大幅未充分利用的先验信息来源。
5. 结论
本范围综述绘制了植物源多肽计算发现领域的证据图景，综合了通过可复现检索识别的79篇文献。该文献比其抗菌起源更广泛：来自食品科学水解物文献的抗氧化和ACE抑制多肽现在占证据份额与抗菌肽相当。方法学上，它也小于其自身表述所暗示的规模：79篇中11篇训练并评估了机器学习模型。性能报告是该领域最薄弱的环节。识别出三个缺口：实验确认率低、与传统医学知识关联稀少、以及所检索范围内未发现将机器学习应用于非洲植物多肽的研究。解决这些缺口所需的方法学工具已存在且大多可免费获取。该领域缺乏的不是能力而是规范。
