《Advanced Science》：Lipidomic Profile Reconstruction of Therapeutic Membrane Targets Using Physics-Based Optimization with Limited Activity Data
编辑推荐：
膜靶向肽基序通过与其脂质组成的特异性相互作用识别生物膜靶标的特征。为了阐明结合序列与脂质组成之间的复杂关系，研究人员提出了一种替代性计算框架，通过将遗传算法与粗粒化分子动力学模拟相结合，利用有限的序列活性数据。正如通过含有哺乳动物脂质组成的模型膜的进化优化
膜靶向肽基序通过与其脂质组成的特异性相互作用识别生物膜靶标的特征。为了阐明结合序列与脂质组成之间的复杂关系，研究人员提出了一种替代性计算框架，通过将遗传算法与粗粒化分子动力学模拟相结合，利用有限的序列活性数据。正如通过含有哺乳动物脂质组成的模型膜的进化优化所证明的，四个真阳性和四个假阳性抗菌肽序列包含足够的信号，可调节膜性质，从而在粗粒化分子动力学模拟中最大化真阳性（深插入）与假阳性（浅插入）之间插入行为的分离。这产生了与大型数据驱动分类方法在平衡的小型测试数据集上相当的稳健判别性能。这一发现揭示了脂质组成的细微差异如何精确控制膜相关蛋白的选择性结合，从而调节其在活细胞内的运输、聚集和功能。所用方法从有限的序列数据中重建脂质组学特征，独特地揭示了治疗性肽的靶向模式以及膜相关蛋白的选择性机制。
## 论文解读文章
该研究发表在《Advanced Science》上，题为“基于物理的优化与有限活性数据重建治疗性膜靶标的脂质组学特征”。膜靶向肽基序通过与脂质组成的特异性相互作用识别生物膜靶标。理解结合序列与脂质组成的关系对于开发选择性治疗药物至关重要。然而，哺乳动物细胞含有超过1000种脂质，膜组成复杂且因细胞类型和亚细胞位置而异。针对癌细胞、包膜病毒、肿瘤来源外泌体等治疗靶标的选择性肽序列极为稀缺，传统数据驱动方法因缺乏训练样本而严重受限。因此，研究人员提出一种基于物理的替代框架，利用有限的序列活性数据重建靶膜的有效脂质组成。
研究人员将遗传算法（Genetic Algorithm, GA）与粗粒化分子动力学（Coarse-Grained Molecular Dynamics, CGMD）模拟相结合，形成进化分子动力学（Evo-MD）方法。他们使用IBM公司深度生成模型产生的8条抗菌肽（Antimicrobial Peptide, AMP）序列（4条真阳性、4条假阳性）作为训练数据，通过反向优化哺乳动物脂质组成以模拟细菌膜的特性。以相对膜插入深度作为适应度函数，指导膜组成进化。结果表明，优化后的膜富含负电荷磷脂酰甘油（Phosphatidylglycerol, PG），几乎不含胆固醇，饱和脂质尾显著富集。该膜模型显著扩大了活性肽（深插入）与非活性肽（浅插入）之间的插入深度差异，在20条独立验证肽上实现了与HydrAMP、DBAASP和AntiBP3等数据驱动分类器相当的判别性能，尤其是在假阳性预测方面表现出色。这项研究揭示了脂质组成的细微差异可精确控制膜相关蛋白的选择性结合，并展示了“逆脂质组学”概念——从有限数据重建有效脂质组成——在治疗性肽设计中的潜力。
主要关键技术方法包括：1）异步Evo-MD框架：采用遗传算法，通过MPI并行化，将MD模拟适应度评估集成到进化循环中；2）CGMD模拟：使用Martini 2粗粒化力场和Gromacs引擎，膜由ABS0LUTE INSANE构建，肽由PeptideBuilder构建并用martinize2参数化；3）适应度评估：通过高斯拟合计算肽与膜的距离，定义相对插入深度，加权求和作为适应度函数；4）验证集：包含10条来自APD3数据库的活性AMP和10条实验验证的假阳性序列。这些方法使得仅利用8条序列即可有效优化膜组成。
### 2.1 使用有限数据通过物理驱动进化优化脂质组成
研究人员将Evo-MD工作流反向应用于脂质优化，利用标记肽序列而非肽序列优化。以8条AMP序列调整哺乳动物脂质组成，使相对插入深度排序与体外实验活性排序一致。该过程通过异步并行遗传算法实现，有效种群规模为215个膜组成向量，最终获得能够再现实验活性排序的膜模型。
### 2.2 相对膜插入深度作为细菌活性的度量
通过高斯拟合确定肽与膜的相对插入深度，作为适应度函数。该度量最大化真阳性与假阳性间的分离，并用于预测抗菌活性。实验活性排名基于最小抑菌浓度（Minimum Inhibitory Concentration, MIC）值，活性肽表现为低MIC，非活性肽表现为高MIC。相对插入深度定义为肽在靶膜与宿主膜中插入距离的差值，可定量反映选择性结合。
### 2.3 最佳靶膜富含负电荷脂质且缺乏胆固醇
五个独立Evo-MD运行收敛，最佳膜组成（膜3）含34% PG，胆固醇含量可忽略，饱和脂质尾（DL和DP）占主导。这与细菌膜特征一致，且与宿主膜的高胆固醇含量形成对比。饱和脂质尾的富集增加了膜表面疏水性，增强了双亲性肽与膜的结合。该结果说明，有限的活性数据即可指导重建具有细菌膜关键理化特征的脂质组成。
### 2.4 优化的膜组成提高抗菌肽分类准确率
在20条独立验证肽上，优化膜比标准3:1 POPC:POPG膜产生更大的插入深度分离，且分类性能与现有机器学习方法相当。值得注意的是，优化膜显著提高了假阳性预测的正确性，有效减少了不必要的实验筛选。分类敏感性、特异性、准确率、马修斯相关系数（Matthews Correlation Coefficient, MCC）和p值等指标表明，该方法具有统计显著的判别能力。
讨论部分指出，该方法能够补偿Martini力场的系统偏差；哺乳动物基础脂质集能够通过集合性质访问细菌膜子空间，表明膜选择性编码具有多重途径；未来可结合物理驱动的肽序列设计。研究结论是：通过有限活性数据，结合物理优化，可以重建靶膜脂质组成，从而实现高判别性能，为稀疏数据下治疗性肽的设计提供新途径。
