Agentic Discovery of Non-Canonical Antimicrobial Peptides with AMPGAN v3

Résumé Technique : Découverte Agentique de Peptides Antimicrobiens Non Canoniques avec AMPGAN v3

Énoncé du Problème
La résistance antimicrobienne (RAM) cause plus d'un million de décès annuellement, pourtant la découverte de nouvelles classes d'antibiotiques stagne depuis l'an 2000. Bien que les peptides antimicrobiens (PAM) offrent une solution prometteuse en raison de leur action multi-mécaniste et de l'émergence plus lente de la résistance, les modèles d'IA générative actuels font face à deux limitations critiques :

1. Contraintes Structurelles et Chimiques : Les modèles existants génèrent principalement des séquences en $\alpha$-hélice composées d'acides aminés L canoniques. Ces peptides hélicoïdaux courts souffrent souvent d'instabilité conformationnelle et d'une dégradation protéolytique rapide. Les applications thérapeutiques réelles nécessitent des chimies non canoniques, telles que les acides aminés D et les modifications N/C-terminales (ex: amidations), pour assurer la stabilité, ce que les modèles actuels ne peuvent pas générer.
2. Instabilité de l'Entraînement : Les approches antérieures de GAN conditionnels (ex: AMPGAN v2) souffrent d'une grave instabilité d'entraînement, avec seulement ~10 % des initialisations aléatoires produisant des modèles utilisables, souvent victimes d'un effondrement vers des sorties répétitives à jeton unique.
3. Scalabilité du Flux de Travail : Traduire les conceptions in silico en candidats testables nécessite des étapes répétitives de filtrage et de vérification de base de données qui s'adaptent mal lorsqu'elles sont effectuées manuellement.

Méthodologie
Les auteurs introduisent AMPGAN v3, un Réseau Antagoniste Génératif (GAN) conditionnel multi-objectifs, et PepCraft, un cadre multi-agents pour la découverte de bout en bout.

• Architecture AMPGAN v3 :

  • Vocabulaire Étendu : Le modèle est entraîné sur un ensemble de données curatées de 34 275 séquences de PAM validées expérimentalement (issues de DBAASP v3), incluant explicitement les acides aminés D et les modifications terminales. Les séquences sont encodées avec des jetons spéciaux pour les modifications N/C-terminales et les limites de séquence.
  • Conception à Double Discriminateur : Pour résoudre l'instabilité de l'entraînement, les auteurs séparent la supervision antagoniste et la supervision liée à l'activité en deux discriminateurs spécialisés :
    • $D_{adv}$ : Un discriminateur inconditionnel qui juge si une séquence est plausiblement de type peptide (jugement distributionnel).
    • $D_{mic}$ : Un discriminateur conditionnel entraîné exclusivement sur des séquences réelles pour régresser les valeurs de Concentration Minimale Inhibitrice (CMI) basées sur l'espèce cible (jugement de puissance).
  • Objectif d'Entraînement : Le générateur est optimisé via une combinaison pondérée de quatre pertes : perte de longueur ($L_{len}$), perte de similitude ($L_{sim}$), perte antagoniste ($L_{adv}$) et perte de régression de la CMI ($L_{mic}$). Le modèle utilise le Gumbel-Softmax pour gérer l'échantillonnage de jetons discrets.

• Cadre Agentique PepCraft :

  • Un Agent de Planification orchestre des agents exécutants spécialisés pour automatiser le pipeline de découverte.
  • Agent de Génération : Traduit les objectifs en langage naturel en appels structurés pour AMPGAN v3 et les outils de prédiction de structure (SimpleFold).
  • Agent de Filtrage : Applique des écrans physico-chimiques et structurels séquentiels (charge, hydrophobie, indice de stabilité).
  • Agent de Vérification : Effectue des recherches d'homologie BLAST contre SwissProt et DBAASP pour évaluer la nouveauté et récupérer les activités connues.
  • Le système itère, l'Agent de Planification révoquant les exécutants avec des paramètres révisés si les résultats intermédiaires s'écartent des objectifs de l'utilisateur.

Contributions Clés

1. Modèle AMPGAN v3 : Le premier modèle génératif pour les PAM qui supporte les acides aminés D et les modifications terminales, élargissant significativement l'espace chimique accessible au-delà des acides aminés L canoniques.
2. Amélioration de la Stabilité : En découplant la supervision antagoniste et la supervision d'activité, le modèle atteint un taux de succès de ~70 % (21/30 exécutions) contre ~10 % pour AMPGAN v2, atténuant l'effondrement de mode.
3. Flux de Travail Agentique : L'introduction de PepCraft démontre comment l'IA générative peut être composée avec des systèmes agentiques pour la découverte scientifique, permettant un contrôle adaptatif du flux et une curation automatisée.
4. Validation Expérimentale : L'article fournit une validation à petite échelle mais réelle de l'ensemble du pipeline, de la génération aux tests en laboratoire humide (wet-lab).

Résultats

• Validation In Vitro : Cinq candidats couvrant trois classes structurelles ($\alpha$-hélice, feuillet $\beta$, pelote aléatoire) et incorporant une chimie non canonique ont été synthétisés et testés.
  • Deux candidats ont montré une activité contre des souches Gram-positives.
  • Le meilleur candidat, HY-P60322, a atteint une CMI de 8 µg/mL contre Bacillus subtilis et 16 µg/mL contre Staphylococcus epidermidis.
  • Notamment, les candidats actifs n'ont pas inhibé les espèces utilisées comme cibles de conditionnement lors de la génération (ex: HY-P60322 était conditionné sur E. coli mais actif contre B. subtilis), indiquant que le conditionnement par espèce n'a pas traduit une activité sélective d'espèce dans ce cas précis.
• Performance In Silico :
  • AMPGAN v3 a atteint les taux de PAM prédits les plus élevés (92,7 % par AMP Scanner v2, 95,1 % par amPEP) parmi les modèles comparés (AMPGAN v2, HydrAMP, AMP-Designer).
  • L'analyse de l'espace d'enchâssement (ESM2 + PCA) a montré qu'AMPGAN v3 a considérablement amélioré la fidélité (divergence KL inverse) par rapport à son prédécesseur tout en maintenant la couverture, bien qu'AMP-Designer (pré-entraîné sur 600K+ peptides) présente une divergence plus faible en raison de son large a priori protéique.
• Efficacité Agentique :
  • Le cadre multi-agents PepCraft a nécessité moins d'appels d'outils que les lignes de base à agent unique pour des tailles de tâches allant jusqu'à 20 candidats.
  • En routant l'Agent de Planification vers un grand modèle et les Exécutants vers des modèles plus petits et moins coûteux, l'approche multi-agents a réduit considérablement l'utilisation totale de jetons de sortie par rapport aux systèmes à agent unique qui doivent router tous les jetons vers un grand modèle.
  • L'analyse qualitative a montré que les recommandations de priorité de l'agent s'alignaient sur les résultats in vitro réels (signalant HY-P60322 pour la priorité et les autres pour la dépriorisation).

Signification et Revendications
L'article affirme que AMPGAN v3 et PepCraft représentent une étape vers « l'examen, à une petite échelle réelle, de la manière dont l'IA générative et agentique se composent dans la découverte de peptides thérapeutiques ». Les auteurs soulignent que leurs contributions permettent la génération de peptides dotés de la stabilité chimique requise pour la viabilité thérapeutique (via les acides aminés non canoniques) et démontrent un flux de travail où les systèmes agentiques peuvent orchestrer la génération, le filtrage et la vérification avec un minimum d'intervention humaine. Le travail est de portée modeste, présentant un cadre préliminaire où l'alignement entre les recommandations des agents et les résultats en laboratoire humide est encourageant mais nécessite une évaluation prospective supplémentaire. Les auteurs notent que les travaux futurs se concentreront sur l'affinage de la génération sensible à la cible et l'expansion du vocabulaire chimique pour inclure les modifications post-traductionnelles comme la cyclisation.