基于多模态学习与引导式序列合成的统一效价导向抗微生物肽发现框架

《PLOS Computational Biology》：A unified framework for potency-oriented AMP discovery via multi-modal learning and guided sequence synthesis

　　

耐药病原体的快速涌现对传统抗生素构成严重威胁，抗微生物肽(AMP)因作用机制独特且耐药风险低受到关注。研究人员提出一种闭环框架，整合AMP-Hunter（一种共享架构判别器，联合卷积神经网络(CNN)与图神经网络(GNN)完成AMP分类与MIC预测）与AMP-Forge（一种生成器，融合多序列比对(MSA)筛选原始候选，并以MIC引导潜空间优化与候选选择）。AMP-Hunter在分类任务测试集准确率达95.82%、F1为95.80%，MIC预测R2为0.9245、平均绝对误差(MAE)为0.2305，优于基线。在其预测引导下，AMP-Forge生成具备更低MIC值与更优抗菌相关理化性质的肽序列。分子动力学模拟进一步从计算层面证实所选序列具有稳定膜破坏与插入行为，与膜靶向活性一致。该“生成—筛选—验证”工作流可实现高效效价导向AMP发现，为理性肽设计、快速预测与转化应用提供实用策略。

研究背景方面，耐药菌扩散使传统β-内酰胺类与氨基糖苷类疗效下降，且临床抗生素常伴过敏与不耐受，而AMP虽具膜破坏、代谢干扰及免疫调节等广谱优势，却受限于实验发现慢、成本高、数据标签缺失（尤缺MIC连续值）、生成序列理化失衡及缺乏系统验证等瓶颈。为此，研究人员在《PLOS Computational Biology》提出闭环框架，联动判别与生成两端，实现从序列生成、性能筛选到动态验证的贯通。

关键技术方法上，研究人员采用Dean等与Wang等整理的AMP资源，经去重与非标准残基过滤后构建3280正/3280负分类集及6142条带log-MIC生成集（E. coli体系，MIC均取对数变换，负样本回归分支赋标签3.9999，仅留长度<40且无半胱氨酸肽）。表征端以ESM2（esm2_t33_650M_UR50S）提取1280维节点特征，PAM250进化矩阵经Smith-Waterman局部比对建图（阈值τ=0.2）；模型端判别器AMP-Hunter融合邻域混淆引导图卷积网络(NCGCN)与多尺度CNN，回归任务扩展连续标签NC指标，分类与MIC预测共享主干；生成器AMP-Forge以ESM2编码+变分自编码器(VAE)+GRU解码构成，MSA（MAFFT/WMSA）锁保守片段、掩码'X'标变量区，潜空间以预测MIC为梯度目标下降，配合softmin重采样与定向进化产出低MIC候选。

研究结果部分，3.1 Datasets小节阐明数据源于Dean等及Wang等，分类集6560条、生成集6142条，按4–9/10–19/20–29/30–39残基分组控长 confound。3.3 Classification results of the proposed model versus baseline models小节显示AMP-Hunter在五折8:1:1划分下测试集准确率95.82%、F¹ 95.80%，优于AMPlify、SBSM-Pro、AMP-CLIP及单CNN，验证CNN-NCGCN融合必要。3.4 Regression results of the proposed model versus baseline models小节中MIC回归测试集R² 0.9245、MAE 0.2305，MSE与R²均领先AMPredictor、AMP-READ与LSTM等。3.5 Comparison with baselines models小节将AMP-Forge与Diffusion、GAN、LSTM-VAE、HydrAMP、ProGen、AMPGen各生5000条对比，AMP-Forge获最低预测MIC，同时unique与diversity高、novelty与similarity适中，证明模板优化非自由从头但效价更优。3.6 Ablation study of AMP-Hunter小节（原文截断前）指向移除NCGCN或CNN模块致双任务退化，印证多模态融合贡献。

讨论与结论翻译：研究人员指出，现有深度学习方法受限于手工特征、标签不全与生成缺生物约束；本框架以ESM2+PAM250图、NC分组卷积、MIC引导VAE潜演化三者互补，首次在统一判别器内兼得分类与连续MIC回归，并以MSA保真+梯度寻优兼顾保守性与低MIC。生成—筛选—验证闭环经理化性质过滤与分子动力学模拟（稳定膜插入构象）增强可信度。结论认为，该工作为效价导向AMP发现提供可迁移的多模态闭环范式，对理性肽设计、耐药菌转化应用具实质意义。