Fung-AI: An AI/ML-driven pipeline for antifungal peptide discovery

Die Studie stellt Fung-AI vor, eine auf Generative Adversarial Networks basierende KI-Pipeline, die erfolgreich neue antimykotische Peptide entwirft, von denen einige sowohl gegen pflanzen- als auch gegen humanpathogene Pilze wirken und ein geringes Zytotoxizitätsprofil aufweisen.

Das Wesentliche

Das Problem: Unsichtbare Angreifer

Stellen Sie sich Pilze wie unsichtbare, hartnäckige Unkraut- oder Schimmel-Armeen vor. Sie befallen unsere Ernten (was uns den Hunger bringt) und können auch Menschen krank machen. Das Schlimme daran: Die Waffen, die wir bisher gegen sie haben (die alten Medikamente), werden immer unwirksamer, weil die Pilze lernen, sich dagegen zu wehren. Und neue Waffen zu erfinden ist wie in einem riesigen, dunklen Wald nach einer einzigen, perfekten Nadel zu suchen – extrem langsam und mühsam.

Die Lösung: Der KI-Designer (Fung-AI)

Die Forscher vom Johns Hopkins Applied Physics Laboratory haben sich gedacht: „Warum suchen wir nicht mit einem Computer?" Sie haben eine künstliche Intelligenz (KI) namens Fung-AI entwickelt.

Man kann sich diese KI wie einen genialen, aber noch unerfahrenen Koch vorstellen, der in einer riesigen Bibliothek von Rezepten (den Daten bekannter Pilzkiller) gelernt hat, wie ein gutes Rezept aussieht.

1. Das Kochen (Generieren): Der KI-Koch bekommt den Auftrag, völlig neue, noch nie dagewesene Rezepte für „Pilz-Killer-Peptide" (das sind winzige Protein-Stückchen) zu erfinden. Er kocht nicht einfach nach, sondern mixt Zutaten neu zusammen. In kurzer Zeit hat er 10.000 neue Rezepte (Peptid-Sequenzen) auf den Tisch gelegt.

2. Der Teller-Test (Filtern): Nicht jedes neue Rezept ist gut. Manche schmecken giftig für uns Menschen, andere töten die Pilze gar nicht. Deshalb haben die Forscher drei KI-Sommeliers (Klassifikatoren) hinzugezogen:

   • Sommelier 1: Prüft: „Tötet das den Pilz?"
   • Sommelier 2: Prüft: „Ist das für Menschen harmlos?" (Es soll nicht die roten Blutkörperchen zerstören).
   • Sommelier 3: Prüft: „Sieht das Rezept physikalisch plausibel aus?"

   Von den 10.000 Rezepten haben diese Sommeliers nur die 13 besten übrig gelassen, die wirklich vielversprechend und sicher schienen.

3. Das Probieren (Experiment): Diese 13 Rezepte wurden nun in einem echten Labor „gekocht" (hergestellt) und den Pilzen gegeben.

Das Ergebnis: Ein kleiner, aber wichtiger Sieg

Von den 13 getesteten Rezepten haben fünf tatsächlich funktioniert! Sie haben Pilze, die Weizenpflanzen angreifen (Fusarium), und sogar den menschlichen Hefepilz (Candida albicans) in Schach gehalten.

• Die Stärke: Sie waren nicht sofort tödlich für den Pilz (wie ein Blitz), aber sie haben ihn stark verlangsamt oder gestoppt.
• Die Sicherheit: Zwei dieser neuen Rezepte waren besonders gut: Sie töteten den Pilz, aber ließen menschliche Leberzellen (in einem Test) weitgehend unversehrt. Das ist wie ein Sicherheitsmann, der nur die Diebe (Pilze) festnimmt, aber die unschuldigen Passanten (Menschen) in Ruhe lässt.
• Die Schwäche: Gegen einen ganz neuen, sehr widerstandsfähigen Pilz namens C. auris waren sie leider machtlos. Das zeigt, dass man für jeden spezifischen Feind vielleicht eine eigene Waffe braucht.

Warum ist das wichtig?

Früher hätte man Jahre gebraucht, um nur ein paar dieser Kandidaten zu finden. Mit Fung-AI haben die Forscher in einem Bruchteil der Zeit neue, kreative Lösungen gefunden.

Die große Metapher:
Stellen Sie sich vor, Sie suchen nach einem Schlüssel, der eine spezielle, verrostete Tür (den Pilz) öffnet. Früher haben Sie Millionen von alten Schlüsseln durchprobiert. Mit Fung-AI haben Sie einen 3D-Drucker für Schlüssel gebaut. Der Drucker erstellt Tausende von neuen Schlüssel-Formen, ein Computer-Scanner prüft sofort, welche davon theoretisch passen und nicht in der Hand zerbrechen, und dann testen Sie nur die wenigen besten im echten Schloss.

Fazit

Die Studie ist ein Beweis dafür, dass KI nicht nur Bilder malen oder Texte schreiben kann, sondern auch neue Medikamente erfinden kann. Es ist ein erster Schritt (ein „Proof-of-Principle"), der zeigt, dass wir in Zukunft schneller und smarter gegen Pilzinfektionen kämpfen können, indem wir Computer als unsere kreativen Partner nutzen.

Technische Zusammenfassung

Titel: Fung-AI: Ein KI/ML-gesteuertes Pipeline-System zur Entdeckung von Antimykotika-Peptiden

1. Problemstellung

Pilzpathogene stellen eine wachsende Bedrohung für die globale Gesundheit und die Ernährungssicherheit dar. Sie verursachen schätzungsweise jährlich mindestens 2,5 Millionen infektionsbedingte Todesfälle und führen zu Ernteverlusten von 10–23 %. Die Entwicklung neuer Antimykotika ist jedoch langsam und schwierig, da Pilze als Eukaryoten viele zellbiologische Merkmale mit Säugetieren teilen, was die Selektivität von Wirkstoffen erschwert. Zudem nehmen Resistenzen gegen bestehende Medikamente zu.
Antimykotische Peptide (AFPs) gelten als vielversprechende Alternative zu kleinen Molekülen, da sie weniger anfällig für Resistenzentwicklung sind und über verschiedene Mechanismen (z. B. Membranstörung) wirken. Der Nachteil liegt jedoch in der hohen Toxizität mancher natürlicher Peptide für menschliche Zellen und der Schwierigkeit, neue, sichere Kandidaten effizient zu identifizieren.

2. Methodik: Die Fung-AI-Pipeline

Die Autoren entwickelten eine vollständig computergestützte Pipeline, die Generative KI nutzt, um de novo antifungale Peptide zu entwerfen. Der Prozess umfasst folgende Schritte:

• Datengrundlage: Es wurden öffentliche Datenbanken (DRAMP, CAMPR4, Literatur) genutzt, um Datensätze für antifungale und hämolytische (blutzellzerstörende) Peptide zu erstellen. Der finale Trainingsdatensatz für die Antifungale-Klassifikation umfasste ca. 7.335 Peptide.
• Generatives Modell (GAN): Ein Generative Adversarial Network (GAN) wurde trainiert, um neue Peptidsequenzen zu generieren. Um das Problem der begrenzten Datenmenge und des "Mode Collapse" (fehlende Vielfalt) zu lösen, wurde das GAN mit einem Encoder gekoppelt (Autoencoder-Ansatz) und sowohl mit antifungal als auch mit nicht-antifungal markierten Peptiden trainiert.
  • Output: Das Modell generierte ca. 10.000 einzigartige Peptidsequenzen (Länge 10–35 Aminosäuren).
• In-silico-Down-Selection (Filterung): Die generierten Peptide durchliefen einen mehrstufigen Filterprozess:
  1. Antifungale Klassifikation: Drei verschiedene binäre Klassifikatoren (basierend auf TCN, One-Hot-Encoding und BLOSUM-Embeddings) bewerteten die Wahrscheinlichkeit einer antifungalen Aktivität. Nur Peptide, die von allen drei Modellen als aktiv vorhergesagt wurden, wurden weiterverwendet (ca. 3.578 Kandidaten).
  2. Hämolyse-Filter: Ein binärer Klassifikator schloss Peptide aus, die eine hohe Wahrscheinlichkeit für hämolytische (toxische) Aktivität aufwiesen.
  3. Clustering und Novelty-Check: Mittels UMAP (Dimensionalitätsreduktion) und HDBSCAN (Clustering) wurden die verbleibenden Peptide gruppiert. Sequenzen wurden gegen die NCBI-Proteindatenbank (BLAST) abgeglichen, um sicherzustellen, dass sie neuartig sind und keine hohen Ähnlichkeiten (>90% Identität) zu bekannten Proteinen aufweisen.
  4. Biophysikalische Filterung: Es wurden Peptide ausgewählt, die positive Ladungen (mild kationisch, < +6), einen hydrophoben Anteil von 30–60 % und vorhergesagte lineare Strukturen (z. B. Alpha-Helices) aufwiesen.
• Experimentelle Validierung: Aus den verbleibenden Clustern wurden 13 Peptide synthetisiert und in zwei Phasen getestet:
  • Phase 1: Screening gegen Fusarium graminearum (Pflanzenpathogen) und Saccharomyces cerevisiae.
  • Phase 2: Erweitertes Screening der vielversprechendsten Kandidaten gegen humane Pathogene (Candida albicans, Candida auris) und Zytotoxizitätstests an HepG2-Leberzellen.

3. Wichtige Ergebnisse

• Generierung und Auswahl: Von den ursprünglich ~10.000 generierten Sequenzen wurden erfolgreich 13 Kandidaten für das Experiment ausgewählt.
• Antifungale Aktivität:
  • Fünf Peptide zeigten eine milde bis moderate antifungale Aktivität.
  • Die Minimalen Hemmkonzentrationen (MIC) lagen zwischen 250 µg/mL und 500 µg/mL.
  • Peptid 12 und 40 zeigten die breiteste Aktivität: MIC 250 µg/mL gegen F. graminearum und 500 µg/mL gegen C. albicans und S. cerevisiae.
  • Peptid 48 war ebenfalls gegen alle drei getesteten Pilzarten aktiv (500 µg/mL).
• Spezifität und Grenzen:
  • Keines der getesteten Peptide zeigte eine signifikante Hemmung des multidrug-resistenten Pathogens Candida auris (bis zu 500 µg/mL). Dies deutet auf die Notwendigkeit pathogenspezifischer Trainingsdaten hin.
• Zytotoxizität:
  • Die Toxizität variierte stark. Peptid 12 war hochtoxisch (LC50 ~66 µg/mL).
  • Peptid 48 zeigte keine Toxizität in den getesteten Konzentrationen.
  • Peptid 65 zeigte eine geringe Toxizität (LC50 > 704 µg/mL), was es zu einem vielversprechenden Kandidaten für weitere Optimierungen macht.
• Struktur: Die aktiven Peptide waren kationisch und wurden als Alpha-helikale Strukturen vorhergesagt, was typisch für membranzerstörende antimikrobielle Peptide ist.

4. Hauptbeiträge

1. Proof-of-Concept für Generative KI: Die Studie demonstriert erfolgreich, dass ein GAN, trainiert auf begrenzten öffentlichen Daten, in der Lage ist, vollständig neue, funktionale antifungale Peptide zu generieren, die nicht einfach Kopien bekannter Sequenzen sind.
2. Integrierte Pipeline: Die Kombination aus Generativem Modell, multiplen Klassifikatoren (Aktivität + Sicherheit) und Clustering-Methoden ermöglichte eine effiziente Vorauswahl, die den experimentellen Aufwand drastisch reduzierte (nur ~13 Peptide getestet).
3. Identifikation von Leitstrukturen: Die Entdeckung von Peptiden (insb. 48 und 65), die sowohl antifungale Aktivität als auch eine niedrige Toxizität gegenüber menschlichen Zellen aufweisen, liefert wertvolle Gerüste für die zukünftige therapeutische Optimierung.

5. Bedeutung und Ausblick

Die Fung-AI-Pipeline stellt einen wichtigen Schritt dar, um die Lücke in der Verfügbarkeit neuer Antimykotika zu schließen. Sie zeigt, dass KI-gestützte Ansätze das Potenzial haben, die Entdeckungszeit für neue Wirkstoffe zu verkürzen.

Limitationen und zukünftige Richtungen:

• Datenmangel: Die begrenzte Verfügbarkeit hochwertiger, pathogenspezifischer Daten (insbesondere für C. auris) limitiert die Spezifität und Potenz der generierten Peptide.
• Wirkmechanismus: Der genaue Wirkmechanismus (MOA) der Peptide wurde nicht experimentell bestimmt; zukünftige Arbeiten sollten MOA-Vorhersagen integrieren.
• Optimierung: Die gefundenen Peptide haben noch relativ hohe MIC-Werte im Vergleich zu etablierten Wirkstoffen. Durch Feinabstimmung der GANs auf spezifische Pathogene und chemische Optimierung der Peptidsequenzen (z. B. zur Erhöhung der Potenz und Stabilität) könnte die Wirksamkeit gesteigert werden.

Zusammenfassend beweist die Studie, dass generative KI ein leistungsfähiges Werkzeug für das de novo-Design von Therapeutika gegen Pilzinfektionen ist, auch wenn noch Herausforderungen bei der Datenqualität und der pathogenspezifischen Zielgenauigkeit bestehen.