Pepti-Agent: An AI Agent for Peptide Design and Optimization

Résumé Technique : Pepti-Agent

Énoncé du Problème
Les peptides thérapeutiques occupent un espace de conception critique entre les petites molécules et les produits biologiques, offrant des avantages en termes de spécificité et de modulabilité. Cependant, leur développement est entravé par des contraintes concurrentes : la solubilité, l'activité hémolytique et le collage non spécifique aux surfaces sont régis par des caractéristiques de séquence qui se chevauchent, ce qui signifie que l'optimisation d'une propriété dégrade souvent une autre. Les approches computationnelles actuelles associent généralement des modèles génératifs à des prédicteurs de propriétés, mais reposent sur des scripts monolithiques difficiles à inspecter, à étendre ou à réutiliser. De plus, ces systèmes affinent souvent les séquences sur la base d'un raisonnement en langage naturel plutôt qu'en suivant l'évolution de l'état multi-propriétés de chaque candidat. Le défi consiste à créer un cadre qui traite la conception de peptides comme un problème d'optimisation multi-objectifs contraint, où l'affinement est guidé par les sorties des prédicteurs en temps réel plutôt que par un raisonnement statique.

Méthodologie
Les auteurs présentent Pepti-Agent, un cadre spécifique aux peptides en boucle fermée, orchestré via le Model Context Protocol (MCP). Le système découple la génération, la prédiction et la mutation en outils indépendamment inspectables, permettant à un contrôleur basé sur un Grand Modèle de Langage (LLM) de les coordonner en fonction de données en temps réel.

• Architecture : Le flux de travail suit un schéma act-observe-adapt (agir-observer-adapter). Lorsqu'un utilisateur fournit une séquence de départ (ou que l'agent en génère une), le système l'évalue par rapport à trois prédicteurs de propriétés. Si les contraintes ne sont pas respectées, l'agent entre dans une boucle d'affinement itérative.
• Composants :
  • Générateurs : Des modèles PeptideGPT spécialisés et affinés génèrent des candidats pour des peptides solubles, non hémolytiques et non-adhérents (non-fouling).
  • Prédicteurs : Des classificateurs basés sur ProtBERT (backbone gelé avec des têtes linéaires) estiment les probabilités de solubilité, d'hémolyse et de non-adhérence.
  • Opérateurs de Mutation : Deux opérateurs complémentaires affinent les séquences :
    1. Un mutateur à site unique guidé par LLM qui propose des substitutions pour améliorer une propriété cible tout en minimisant l'impact sur les autres.
    2. Un mutateur de repli basé sur ESM2 (modèle de langage masqué) utilisé lorsque la proposition du LLM stagne ou est invalide.
  • Agrégation : Un score composite $S(x) = p_{sol}(x) + p_{nf}(x) + (1 - p_{hem}(x))$ est utilisé pour classer les candidats et déterminer les conditions d'arrêt.
• Logique de Contrôle : Le contrôleur suit le profil multi-propriétés de chaque candidat. L'affinement se poursuit jusqu'à ce que les trois seuils de propriétés (fixés à 0,5) soient satisfaits, qu'un budget de cycles soit atteint, ou qu'une oscillation (réintroduction d'une séquence précédente) soit détectée. Le système privilégie l'inspectabilité, conservant les propositions échouées dans le journal de trajectoire pour diagnostic plutôt que de les écarter.

Contributions Clés

1. Agent orchestré par MCP : Introduction d'un agent en boucle fermée qui intègre des générateurs PeptideGPT, des classificateurs basés sur ProtBERT et des doubles opérateurs de mutation derrière une interface d'outil réutilisable.
2. Récupération de Faisabilité : Démonstration que l'agent peut conduire un pool de peptides générés à satisfaire simultanément les trois seuils de propriétés, récupérant efficacement la faisabilité pour les candidats qui ont initialement échoué.
3. Diagnostic de l'Espace de Recherche : Une analyse à départ apparié comparant l'agent conservateur à une recherche par Substitution Simple Exhaustive (ES). Cela révèle la « marge de progression » (potentiel d'optimisation) laissée par les critères d'acceptation du contrôleur actuel.
4. Expansion de l'Espace d'Action : Une analyse d'un réglage de raffinement « agressif » qui relâche les contraintes de longueur fixe, montrant qu'un champ d'action plus large peut accéder à des régions de score plus élevé, bien qu'en modifiant la longueur de la séquence.

Résultats
L'article évalue Pepti-Agent à travers trois analyses sur 300 peptides générés et 24 peptides de départ représentatifs :

• Raffinement Conservateur (Faisabilité) : Sur un pool de 300 peptides, l'agent a réduit le nombre de candidats échouant à une propriété quelconque de 2 à 0. Bien que la solubilité moyenne et l'hémolyse se soient légèrement améliorées, la non-adhérence moyenne a légèrement diminué ($0,649 \to 0,637$), indiquant un compromis. Le score composite $S$ a montré une légère amélioration non significative. L'agent a réussi à récupérer la faisabilité, mais n'a pas significativement optimisé le score composite au sein de la région faisable.
• Recherche Exhaustive (Limite Supérieure Locale) : Comparé à une recherche exhaustive de substitutions de résidus uniques (ES) sur 24 peptides de départ faisables, l'agent conservateur a été surpassé dans les 24 cas. La méthode ES a obtenu un gain de score composite moyen de $0,059$ par rapport à l'original, tandis que le gain de l'agent conservateur était négligeable ($-0,001$). Cela indique que le contrôleur actuel ne parvient pas à atteindre l'optimum local dans le régime de longueur fixe et de modification simple.
• Raffinement Agressif (Espace d'Action Étendu) : Une politique agressive autorisant les changements de longueur a obtenu un gain de score composite moyen de $0,082$ par rapport aux départs originaux, surpassant à la fois l'agent conservateur et la recherche ES dans la plupart des cas. Cependant, cette amélioration était principalement portée par le changement de longueur du peptide (21 cas sur 24), avec une augmentation de longueur moyenne de 2,42 résidus. Lorsqu'il était restreint à des sorties de longueur égale, l'agent agressif présentait des performances comparables à l'ES.

Signification et Revendications
L'article positionne Pepti-Agent non pas comme un optimiseur supérieur validé par rapport aux méthodes existantes, mais comme un substrat transparent et reproductible pour étudier les stratégies de conception de peptides.

• Revendications Modestes : Les auteurs précisent explicitement qu'aucun candidat n'a été validé expérimentalement ; tous les résultats sont « internes au modèle » et limités par le calibrage des prédicteurs. Les comparaisons à départ apparié sont présentées comme des « diagnostics de l'espace de recherche » plutôt que comme des benchmarks définitifs.
• Insight Central : Ce travail démontre que l'agent est efficace pour la récupération de faisabilité (amener les candidats au-dessus des seuils) mais actuellement limité dans l'optimisation intra-faisable en raison de ses critères d'acceptation conservateurs et de son manque de recherche de voisinage.
• Direction Future : L'article soutient que la « conception de l'espace d'action » (quels édits sont autorisés) est au moins aussi importante que le planificateur lui-même. Il propose que les travaux futurs doivent séparer les effets de la logique du contrôleur de la politique d'édition pour quantifier réellement la valeur de l'orchestration agentique.

En résumé, Pepti-Agent fournit un cadre modulaire et inspectable qui intègre avec succès des modèles génératifs et prédictifs pour la conception de peptides, offrant un diagnostic clair de là où les agents basés sur des outils réussissent (faisabilité) et de là où ils échouent (optimisation locale) par rapport à la recherche exhaustive.