🧬 biology

Agentic Discovery of Non-Canonical Antimicrobial Peptides with AMPGAN v3

Dieses Paper stellt AMPGAN v3 vor, ein Multi-Objective Conditional GAN, das in der Lage ist, nicht-kanonische antimikrobielle Peptide mit D-Aminosäuren und terminalen Modifikationen zu generieren, zusammen mit PepCraft, einem agentischen Framework, das den Entdeckungsprozess orchestriert und erfolgreich Kandidaten priorisiert hat, die durch In-vitro-Experimente validiert wurden.

Ursprüngliche Autoren: Jay Jung, Xiaohan Zhang, Shenghan Song, Mahmoud Sayedahmed, Chijian Xiang, Yunong Xu, Ahmed AbdelKhalek, Severin T. Schneebeli, Matthew J. Wargo, Jianing Li, Safwan Wshah

Veröffentlicht 2026-06-17

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Jay Jung, Xiaohan Zhang, Shenghan Song, Mahmoud Sayedahmed, Chijian Xiang, Yunong Xu, Ahmed AbdelKhalek, Severin T. Schneebeli, Matthew J. Wargo, Jianing Li, Safwan Wshah

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ⚕️ Dies ist eine KI-generierte Erklärung eines Preprints, das nicht peer-reviewed wurde. Dies ist kein medizinischer Rat. Treffen Sie keine Gesundheitsentscheidungen auf Grundlage dieses Inhalts. Vollständigen Haftungsausschluss lesen

Das große Problem: Der Antibiotika-Mangel

Stellen Sie sich vor, die Bakterien, die uns krank machen, sind wie eine Gruppe cleverer Diebe. Jahrzehntelang hatten wir einen Satz von Schlüsseln (Antibiotika), um sie auszusperren. Aber die Diebe haben gelernt, diese Schlösser zu knacken – ein Problem, das als Antibiotikaresistenz bezeichnet wird. Dies wird immer schlimmer und tötet jährlich über eine Million Menschen.

Wissenschaftler haben versucht, neue Schlüssel zu schmieden (neue Medikamente), aber es gab eine „Entdeckungslücke“. Es ist teuer, langsam, und wir haben in den letzten 25 Jahren nicht viele neue Arten von Schlüsseln gefunden.

Die Lösung: Winzige Protein-Schlüssel (AMPs)

Die Forscher untersuchen antimikrobielle Peptide (AMPs). Betrachten Sie diese als winzige, kurze Proteinketten, die wie „molekulare Brechstangen“ wirken. Anstatt zu versuchen, ein spezifisches Schloss zu knacken, schlagen sie die Tür (die Membran) der Bakterien einfach auf. Da sie die Tür zertrümmern, anstatt das Schloss zu knacken, fällt es den Dieben (Bakterien) viel schwerer, zu lernen, wie sie das verhindern können.

Der alte Weg vs. der neue Weg (AMPGAN v3)

Früher nutzten Wissenschaftler KI, um diese winzigen Protein-Schlüssel zu entwerfen. Aber die alten KI-Modelle hatten zwei große Mängel:

Sie erstellten nur „Standard“-Schlüssel: Sie verwendeten nur die 20 Standard-Bausteine (Aminosäuren), die in der Natur vorkommen. Wirkliche Medikamente benötigen jedoch oft „besondere“ Bausteine (wie D-Aminosäuren oder chemische Kappen an den Enden), um im menschlichen Körper zu überleben. Die alte KI konnte das nicht.
Sie waren instabil: Stellen Sie sich vor, Sie backen einen Kuchen nach einem Rezept, das nur in 1 von 10 Fällen funktioniert. Die alte KI (AMPGAN v2) stürzte oft ab oder gab immer wieder das gleiche langweilige Wort aus.

Hier kommt AMPGAN v3 ins Spiel:
Das Team hat eine neue KI entwickelt, AMPGAN v3, die wie ein Meisterkoch ist, der nun jede Zutat verwenden kann, einschließlich der speziellen, nicht-natürlichen Zutaten, die für echte Medikamente benötigt werden.

Die Geheimzutat: Sie haben den „Richter“ in zwei separate Rollen aufgeteilt. Ein Richter prüft, ob das Rezept wie ein echtes Protein aussieht (Adversarial), und der andere prüft, ob es tatsächlich Bakterien tötet (Activity). Diese Trennung verhinderte, dass die KI abstürzt, und machte sie 70 % der Zeit erfolgreich (statt zuvor 10 %).
Das Ergebnis: Sie entwarf erfolgreich Peptide, die spezielle „D-Aminosäuren“ und chemische Kappen enthalten – Dinge, die vorherige KI-Modelle nicht leisten konnten.

Das „Roboter-Team“ (PepCraft)

Ein Medikament zu entwerfen bedeutet nicht nur, das Rezept zu schreiben; man muss auch prüfen, ob die Zutaten sicher sind, ob das Rezept einzigartig ist und ob es wirklich neu ist. Dies manuell zu tun, ist so, als würde man versuchen, eine Million Sandkörner von Hand zu sortieren.

Die Forscher entwickelten PepCraft, ein „Roboter-Team“ (ein agentisches Framework), um die Fleißarbeit zu erleden:

Der Planer: Der Teamleiter, der das Ziel erhält (z. B. „Erstelle einen Schlüssel für *E. coli“) und es in Aufgaben unterteilt.
Der Generator: Der Koch, der die neuen Rezepte mithilfe von AMPGAN v3 erstellt.
Der Filter: Der Qualitätskontrolleur, der prüft, ob das Rezept zu lang, zu schwer oder chemisch instabil ist.
Der Verifizierer: Der Bibliothekar, der die Bibliothek prüft, um sicherzustellen, dass dieses Rezept nicht schon in einem Buch steht (ein bekanntes Medikament) und dass es tatsächlich neu ist.

Der Planer kann sagen: „Dieses Rezept hat die Qualitätskontrolle nicht bestanden, Chef, versuche es erneut mit anderen Zutaten“, wodurch ein Kreislauf entsteht, der die Ergebnisse automatisch verfeinert.

Der Praxistest (Das Labor)

Das Team blieb nicht nur am Computer. Sie ließen fünf der besten KI-Designs physisch im Labor herstellen, um zu sehen, ob sie funktionieren.

Der Test: Sie setzten diese winzigen Protein-Schlüssel verschiedenen Arten von Bakterien aus.
Der Erfolg: Zwei von fünf funktionierten!
- Ein Schlüssel (HY-P60322) war sehr stark gegen Bacillus subtilis (ein häufiges grampositives Bakterium) und tötete es bereits bei einer sehr geringen Konzentration.
- Ein weiterer Schlüssel (HY-P60325) funktionierte ebenfalls gegen dasselbe Bakterium.
Der Haken: Interessanterweise, obwohl die KI angewiesen wurde, Schlüssel speziell für E. coli oder S. aureus zu entwerfen, töteten die tatsächlich funktionierenden Schlüssel andere Bakterien (B. subtilis). Die KI lernte die allgemeine „Form“ eines tödlichen Schlüssels, aber die spezifische Zielvorgabe übertrug sich nicht perfekt auf das Endergebnis.

Der Bericht des Roboter-Teams

Als das Team das PepCraft-Roboterteam auf diese fünf Kandidaten anwendete, sahen sich der „Verifizierer“ und der „Planer“ die Daten an und sagten: „Kandidat 1 sieht vielversprechend aus, da er einem bekannten starken Killer in der Datenbank entspricht. Kandidat 3 und 5 sehen schwach aus.“

Der coole Teil: Die Vermutung des Roboter-Teams stimmte mit den echten Laborergebnissen überein! Der Kandidat, den sie als „besten“ empfahlen, war tatsächlich einer der zwei, die im Labor funktionierten.

Zusammenfassung

Diese Arbeit zeigt, dass die Kombination einer stabileren KI (AMPGAN v3), die „besondere Zutaten“ verwenden kann, mit einem Team von KI-Robotern (PepCraft), die den Arbeitsablauf steuern, es Wissenschaftlern ermöglicht, neue Medikamentenkandidaten schneller und zuverlässiger zu entdecken. Sie haben dies bewiesen, indem sie fünf digitale Designs erstellten, sie in der Realität nachbauten und feststellten, dass zwei von ihnen erfolgreich Bakterien töteten.

Technisches Resümee: Agentische Entdeckung nicht-kanonischer antimikrobieller Peptide mit AMPGAN v3

Problemstellung
Die antimikrobielle Resistenz (AMR) verursacht jährlich über eine Million Todesfälle, doch die Entdeckung neuartiger Antibiotika-Klassen ist seit dem Jahr 2000 stagniert. Während generative KI-Modelle überwiegend $\alpha$ -helikale Sequenzen aus kanonischen L-Aminosäuren generieren, stehen aktuelle Modelle vor zwei kritischen Einschränkungen:

Strukturelle und chemische Beschränkungen: Bestehende Modelle generieren primär kurze helikale Peptide, die oft unter konformeller Instabilität und schnellem proteolytischem Abbau leiden. Für reale therapeutische Anwendungen sind nicht-kanonische Chemien, wie D-Aminosäuren und N-/C-terminale Modifikationen (z. B. Amidierung), erforderlich, um die Stabilität zu gewährleisten – eine Fähigkeit, die aktuellen Modellen fehlt.
Trainingsinstabilität: Vorangegangene bedingte GAN-Ansätze (z. B. AMPGAN v2) leiden unter schwerer Trainingsinstabilität, wobei nur etwa 10 % der zufälligen Initialisierungen nutzbare Modelle hervorbringen, die oft zu repetitiven Single-Token-Ausgaben kollabieren.
Skalierbarkeit des Workflows: Die Übersetzung von In-silico-Designs in testbare Kandidaten erfordert repetitive Filterungs- und Datenbankverifizierungsschritte, die sich bei manueller Durchführung schlecht skalieren.

Methodik
Die Autoren führen AMPGAN v3, ein multi-Objectives bedingtes Generative Adversarial Network (GAN), und PepCraft, ein Multi-Agenten-Framework für die End-to-End-Entdeckung, ein.

AMPGAN v3 Architektur:
- Erweitertes Vokabular: Das Modell wird auf einem kuratierten Datensatz von 34.275 experimentell validierten AMP-Sequenzen (aus DBAASP v3) trainiert, die explizit D-Aminosäuren und Terminalmodifikationen enthalten. Sequenzen werden mit speziellen Tokens für N-/C-terminale Modifikationen und Sequenzgrenzen kodiert.
- Dual-Discriminator-Design: Um die Trainingsinstabilität zu lösen, trennen die Autoren die adversarielle und die aktivitätsbewusste Überwachung in zwei spezialisierte Diskriminatoren auf:
  - $D_{adv}$ : Ein unbedingter Diskriminator, der beurteilt, ob eine Sequenz plausibel peptidartig ist (distributionale Beurteilung).
  - $D_{mic}$ : Ein bedingter Diskriminator, der ausschließlich auf realen Sequenzen trainiert wurde, um MIC-Werte (minimale Hemmkonzentration) basierend auf der Zielspezies zu regredieren (Potenz-Beurteilung).
- Trainingsziel: Der Generator wird über eine gewichtete Kombination von vier Verlustfunktionen optimiert: Längenverlust ( $L_{len}$ ), Ähnlichkeitsverlust ( $L_{sim}$ ), adversarieller Verlust ( $L_{adv}$ ) und MIC-Regressionsverlust ( $L_{mic}$ ). Das Modell verwendet Gumbel-Softmax zur Handhabung diskreter Token-Sampling-Prozesse.
PepCraft Agentic Framework:
- Ein Planning Agent orchestriert spezialisierte Executor-Agenten, um die Entdeckungspipeline zu automatisieren.
- Generating Agent: Übersetzt natürliche Sprachziele in strukturierte Aufrufe für AMPGAN v3 und Strukturvorhersage-Tools (SimpleFold).
- Filtering Agent: Wendet sequentielle physikochemische und strukturelle Filter an (Ladung, Hydrophobizität, Stabilitätsindex).
- Verifying Agent: Führt BLAST-Homologie-Suchen gegen SwissProt und DBAASP durch, um Neuartigkeit zu bewerten und bekannte Aktivitäten wiederherzustellen.
- Das System iteriert, wobei der Planning Agent die Executor mit revidierten Parametern erneut aufruft, falls Zwischenergebnisse von den Nutzerzielen abweichen.

Zentrale Beiträge

AMPGAN v3 Modell: Das erste generative Modell für AMPs, das D-Aminosäuren und Terminalmodifikationen unterstützt und damit den zugänglichen chemischen Raum über kanonische L-Aminosäuren hinaus signifikant erweitert.
Stabilitätsverbesserung: Durch die Entkopplung von adversarieller und aktivitätsbezogener Überwachung erreicht das Modell eine Erfolgsrate von ~70 % (21/30 Durchläufe) im Vergleich zu ~10 % bei AMPGAN v2, wodurch Mode Collapse gemildert wird.
Agentic Workflow: Die Einführung des PepCraft-Frameworks zeigt, wie generative KI mit agentischen Systemen für die wissenschaftliche Entdeckung kombiniert werden kann, was einen adaptiven Kontrollfluss und eine automatisierte Kuration ermöglicht.
Experimentelle Validierung: Die Arbeit liefert eine klein angelegte, aber realitätsnahe Validierung der gesamten Pipeline, von der Generierung bis zum Wet-Lab-Testing.

Ergebnisse

In-vitro-Validierung: Fünf Kandidaten, die drei Strukturklassen abdecken ( $\alpha$ $α$ -Helix, $\beta$ $β$ -Hairpin, Random Coil) und nicht-kanonische Chemie enthalten, wurden synthetisiert und getestet.
- Zwei Kandidaten zeigten Aktivität gegen grampositive Stämme.
- Der beste Kandidat, HY-P60322, erreichte eine MIC von 8 µg/mL gegen Bacillus subtilis und 16 µg/mL gegen Staphylococcus epidermidis.
- Bemerkenswerterweise inhibierten die aktiven Kandidaten nicht die Spezies, die während der Generierung als Konditionierungsziele dienten (z. B. war HY-P60322 auf E. coli konditioniert, aber aktiv gegen B. subtilis), was darauf hindeutet, dass die Spezies-Konditionierung in diesem spezifischen Fall nicht direkt in eine Spezies-selektive Aktivität überging.
In-silico-Performance:
- AMPGAN v3 erreichte die höchsten vorhergesagten AMP-Raten (92,7 % durch AMP Scanner v2, 95,1 % durch amPEP) im Vergleich zu anderen Modellen (AMPGAN v2, HydrAMP, AMP-Designer).
- Eine Analyse des Embedding-Raums (ESM2 + PCA) zeigte, dass AMPGAN v3 die Fidelität (Reverse KL-Divergenz) gegenüber seinem Vorgänger signifikant verbesserte, während es gleichzeitig die Abdeckung beibehielt, obwohl AMP-Designer (vortrainiert auf 600K+ Peptiden) aufgrund seines großen Protein-Priors eine geringere Divergenz aufwies.
Agentische Effizienz:
- Das Multi-Agenten-Framework PepCraft benötigte weniger Tool-Aufrufe als Single-Agent-Baselines für Aufgaben mit einer Größe von bis zu 20 Kandidaten.
- Durch das Routing des Planning Agents über ein großes Modell und der Executor über kleinere, kostengünstigere Modelle reduzierte der Multi-Agenten-Ansatz den gesamten Output-Token-Verbrauch signifikant im Vergleich zu Single-Agent-Systemen, die alle Tokens durch ein großes Modell routen müssen.
- Die qualitative Analyse zeigte, dass die Priorisierungsempfehlungen des Agenten mit den tatsächlichen In-vitro-Ergebnissen übereinstimmten (Markierung von HY-P60322 zur Priorisierung und anderer zur Depriorisierung).

Bedeutung und Ansprüche
Die Arbeit behauptet, dass AMPGAN v3 und PepCraft einen Schritt darlegen, um „auf kleiner, aber realer Skala zu untersuchen, wie generative und agentische KI in der therapeutischen Peptidentdeckung zusammenspielt“. Die Autoren betonen, dass ihre Beiträge es ermöglichen, Peptide mit der für die therapeutische Anwendung erforderlichen chemischen Stabilität (via nicht-kanonischer Aminosäuren) zu generieren, und demonstrieren einen Workflow, in dem agentische Systeme die Generierung, Filterung und Verifizierung mit minimalem menschlichem Eingriff steuern können. Die Arbeit ist in ihrem Umfang moderat; sie präsentiert ein vorläufiges Framework, bei dem die Übereinstimmung zwischen den Empfehlungen der Agenten und den Wet-Lab-Ergebnissen ermutigend ist, jedoch einer weiteren prospektiven Evaluierung bedarf. Die Autoren merken an, dass zukünftige Arbeiten darauf abzielen werden, die zielbewusste Generierung zu verfeinern und das chemische Vokabular um posttranslationale Modifikationen wie Cyclisierung zu erweitern.