Agentic Discovery of Non-Canonical Antimicrobial Peptides with AMPGAN v3

तकनीकी सारांश: AMPGAN v3 के साथ गैर-कैनोनिकल एंटीमाइक्रोबियल पेप्टाइड्स की एजेंटिक खोज

समस्या विवरण
एंटीमाइक्रोबियल प्रतिरोध (AMR) प्रतिवर्ष दस लाख से अधिक मौतों का कारण बनता है, फिर भी 2000 के बाद से नवीन एंटीबायोटिक वर्गों की खोज स्थिर हो गई है। जबकि एंटीमाइक्रोबियल पेप्टाइड्स (AMPs) अपने बहु-क्रियात्मक तंत्र और धीमी प्रतिरोध उभरने की क्षमता के कारण एक आशाजनक समाधान प्रदान करते हैं, वर्तमान जनरेटिव AI मॉडल दो महत्वपूर्ण सीमाओं का सामना करते हैं:

1. संरचनात्मक और रासायनिक बाधाएं: मौजूदा मॉडल मुख्य रूप से कैनोनिकल L-अमीनो एसिड से बने $\alpha$-हेलिकल अनुक्रमों को उत्पन्न करते हैं। ये छोटे हेलिकल पेप्टाइड्स अक्सर संरचनात्मक अस्थिरता और तीव्र प्रोटियोलिटिक क्षरण (proteolytic degradation) से ग्रस्त होते हैं। वास्तविक दुनिया के चिकित्सीय अनुप्रयोगों के लिए गैर-कैनोनिकल रसायन विज्ञान, जैसे कि D-अमीनो एसिड और N/C-टर्मिनस संशोधन (जैसे, एमिडेशन) की आवश्यकता होती है, जो वर्तमान मॉडल उत्पन्न नहीं कर सकते।
2. प्रशिक्षण अस्थिरता: पूर्ववर्ती कंडीशनल GAN दृष्टिकोण (जैसे, AMPGAN v2) गंभीर प्रशिक्षण अस्थिरता से ग्रस्त हैं, जहाँ केवल ~10% रैंडम इनिशियलाइजेशन ही उपयोगी मॉडल बना पाते हैं, जो अक्सर दोहराव वाले सिंगल-टोकन आउटपुट पर कोलैप्स हो जाते हैं।
3. वर्कफ़्लो स्केलेबिलिटी: इन-सिलिको डिज़ाइनों को परीक्षण योग्य उम्मीदवारों में बदलने के लिए बार-बार फ़िल्टरिंग और डेटाबेस सत्यापन चरणों की आवश्यकता होती है, जो मैन्युअल रूप से किए जाने पर कुशलतापूर्वक स्केल नहीं कर पाते।

कार्यप्रणाली
लेखक AMPGAN v3, एक मल्टी-ऑब्जेक्टिव कंडीशनल जेनेरेटिव एडवरसैरियल नेटवर्क (GAN), और Pepcraft, एक एंड-टू-एंड खोज के लिए मल्टी-एजेंट फ्रेमवर्क पेश करते हैं।

• AMPGAN v3 आर्किटेक्चर:

  • विस्तारित शब्दावली (Expanded Vocabulary): मॉडल को 34,275 प्रयोगात्मक रूप से प्रमाणित AMP अनुक्रमों (DBAASP v3 से) के क्यूरेटेड डेटासेट पर प्रशिक्षित किया गया है, जिसमें विशेष रूप से D-अमीनो एसिड और टर्मिनस संशोधनों को शामिल किया गया है। अनुक्रमों को N/C-टर्मिनस संशोधनों और अनुक्रम सीमाओं के लिए विशेष टोकन के साथ एनकोड किया गया है।
  • डुअल-डिस्क्रिमिनेटर डिज़ाइन: प्रशिक्षण अस्थिरता को हल करने के लिए, लेखक एडवरसैरियल और एक्टिविटी-अवेयर सुपरविजन को दो विशिष्ट डिस्क्रिमिनेटर्स में विभाजित करते हैं:
    • $D_{adv}$: एक अनकंडीशनल डिस्क्रिमिनेटर जो यह निर्णय लेता है कि क्या एक अनुक्रम संभावित रूप से पेप्टाइड जैसा है (वितरणात्मक निर्णय)।
    • $D_{mic}$: एक कंडीशनल डिस्क्रिमिनेटर जो विशेष रूप से वास्तविक अनुक्रमों पर लक्षित प्रजातियों के आधार पर मिनिमम इनहिबिटरी कंसंट्रेशन (MIC) मानों को रिग्रेट (regress) करने के लिए प्रशिक्षित किया गया है (क्षमता संबंधी निर्णय)।
  • प्रशिक्षण उद्देश्य: जेनरेटर को चार लॉस के भारित संयोजन के माध्यम से अनुकूलित किया जाता है: लेंथ लॉस ($L_{len}$), सिमिलरिटी लॉस ($L_{sim}$), एडवरसैरियल लॉस ($L_{adv}$), और MIC रिग्रेशन लॉस ($L_{mic}$)। डिस्क्रीट टोकन सैंपलिंग को संभालने के लिए मॉडल Gumbel-Softmax का उपयोग करता है।

• PepCraft एजेंटिक फ्रेमवर्क:

  • एक प्लानिंग एजेंट विशेषज्ञ एक्सेक्यूटर एजेंटों को ऑर्केस्ट्रेट करता है ताकि खोज पाइपलाइन को स्वचालित किया जा सके।
  • जेनरेटिंग एजेंट: प्राकृतिक भाषा के उद्देश्यों को AMPGAN v3 और स्ट्रक्चर प्रेडिक्शन टूल्स (SimpleFold) के लिए संरचित कॉल्स में अनुवादित करता है।
  • फ़िल्टरिंग एजेंट: भौतिक-रासायनिक और संरचनात्मक स्क्रीन (चार्ज, हाइड्रोफोबिसिटी, स्थिरता सूचकांक) को क्रमिक रूप से लागू करता है।
  • वेरिफाइंग एजेंट: नवीनता का आकलन करने और ज्ञात गतिविधियों को पुनः प्राप्त करने के लिए SwissProt और DBAASP के विरुद्ध BLAST होमोलॉजी सर्च करता है।
  • सिस्टम पुनरावृत्ति करता है, जहाँ प्लानिंग एजेंट मध्यवर्ती परिणाम यदि उपयोगकर्ता के उद्देश्यों से विचलित होते हैं, तो संशोधित मापदंडों के साथ एक्सेक्यूटर्स को पुनः कॉल करता है।

प्रमुख योगदान

1. AMPGAN v3 मॉडल: पहला जनरेटिव मॉडल जो AMPs के लिए है और D-अमीनो एसिड तथा टर्मिनल संशोधनों का समर्थन करता है, जो कैनोनिकल L-अमीनो एसिड से परे सुलभ रासायनिक स्थान को महत्वपूर्ण रूप से विस्तारित करता है।
2. स्थिरता में सुधार: एडवरसैरियल और एक्टिविटी सुपरविजन को अलग करके, मॉडल ~10% (AMPGAN v2 के लिए) की तुलना में ~70% (21/30 रन) की सफलता दर प्राप्त करता है, जिससे मोड कोलैप्स कम होता है।
3. एजेंटिक वर्कफ़्लो: PepCraft का परिचय यह प्रदर्शित करता है कि कैसे जनरेटिव AI को वैज्ञानिक खोज के लिए एजेंटिक सिस्टम के साथ संयोजित किया जा सकता है, जिससे अनुकूलन योग्य कंट्रोल फ्लो और स्वचालित क्यूरेशन संभव होता है।
4. प्रायोगिक सत्यापन: पेपर पूरी पाइपलाइन का एक छोटा लेकिन वास्तविक दुनिया का सत्यापन प्रदान करता है, जो जनरेशन से लेकर वेट-लैब टेस्टिंग तक है।

परिणाम

• इन विट्रो सत्यापन: तीन संरचनात्मक वर्गों ($\alpha$-helix, $\beta$-hairpin, random coil) में फैले और गैर-कैनोनिकल केमिस्ट्री को शामिल करने वाले पांच उम्मीदवारों का संश्लेषण किया गया और परीक्षण किया गया।
  • दो उम्मीदवारों ने ग्राम-पॉजिटिव स्ट्रेन के खिलाफ गतिविधि दिखाई।
    कर सबसे अच्छा उम्मीदवार, HY-P60322 ने Bacillus subtilis के विरुद्ध 8 µg/mL और Staphylococcus epidermidis के विरुद्ध 16 µg/mL का MIC प्राप्त किया।
  • उल्लेखनीय रूप से, सक्रिय उम्मीदवारों ने उन प्रजातियों को बाधित नहीं किया जिनका उपयोग जनरेशन के दौरान कंडीशनिंग लक्ष्यों के रूप में किया गया था (उदाहरण के लिए, HY-P60322 को E. coli पर कंडिशन किया गया था लेकिन यह B. subtilis के विरुद्ध सक्रिय था), जो दर्शाता है कि इस विशिष्ट मामले में प्रजाति-कंडीशनिंग प्रजाति-चयनात्मक गतिविधि में अनुवादित नहीं हुई।
• इन सिलिको प्रदर्शन:
  • AMPGAN v3 ने तुलना किए गए मॉडलों (AMPGAN v2, HydrAMP, AMP-Designer) के बीच उच्चतम अनुमानित AMP दरों (AMP Scanner v2 द्वारा 92.7%, amPEP द्वारा 95.1%) को प्राप्त किया।
  • एम्बेडिंग स्पेस विश्लेषण (ESM2 + PCA) ने दिखाया कि AMPGAN v3 ने अपने पूर्ववर्ती की तुलना में कवरेज बनाए रखते हुए सिग्निफिकेंट फिडेलिटी (रिवर्स KL डाइवर्जेंस) में सुधार किया, हालांकि AMP-Designer (जो 600K+ पेप्टाइड्स पर प्री-ट्रेन किया गया है) ने अपने बड़े प्रोटीन प्रायर के कारण कम डाइवर्जेंस दिखाया।
• एजेंटिक दक्षता:
  • मल्टी-एजेंट PepCraft फ्रेमवर्क को 20 उम्मीदवारों तक के कार्य आकार के लिए सिंगल-एजेंट बेसलाइन की तुलना में कम टूल कॉल्स की आवश्यकता पड़ी।
  • प्लानिंग एजेंट को एक बड़े मॉडल के माध्यम से और एक्सेक्यूटर्स को छोटे, सस्ते मॉडलों के माध्यम से रूट करके, मल्टी-एजेंट दृष्टिकोण ने सिंगल-एजेंट सिस्टम की तुलना में कुल आउटपुट टोकन उपयोग को काफी कम कर दिया, जिन्हें सभी टोकन एक बड़े मॉडल के माध्यम से रूट करने पड़ते हैं।
  • गुणात्मक विश्लेषण से पता चला कि एजेंट की प्राथमिकता सिफारिशें वास्तविक इन विट्रो परिणामों के साथ संरेखित थीं (HY-P60322 को प्राथमिकता के लिए फ्लैग करना और अन्य को कम प्राथमिकता देने के लिए फ्लैग करना)।

महत्व और दावे
पेपर का दावा है कि AMPGAN v3 और PepCraft यह जांचने की दिशा में एक कदम हैं कि "चिकित्सीय पेप्टाइड खोज में जनरेटिव और एजेंटिक AI कैसे संयोजित होते हैं, इसे एक छोटे लेकिन वास्तविक पैमाने पर देखा जा सकता है।" लेखक इस बात पर जोर देते हैं कि उनका योगदान उन्हें चिकित्सीय व्यवहार्यता के लिए आवश्यक रासायनिक स्थिरता (गैर-कैनोनिकल अमीनो एसिड के माध्यम से) के साथ पेप्टाइड्स उत्पन्न करने की अनुमति देता है और एक ऐसा वर्कफ़्लो प्रदर्शित करता है जहाँ एजेंटिक सिस्टम न्यूनतम मानवीय हस्तक्षेप के साथ जनरेशन, फ़िल्टरिंग और सत्यापन को संचालित कर सकते हैं। उनका कार्य सीमित दायरे का है, जहाँ एजेंट सिफारिशों और वेट-लैब परिणामों के बीच संरेखण उत्साहजनक है लेकिन इसके लिए आगे के प्रोस्पेक्टिव मूल्यांकन की आवश्यकता है। लेखक नोट करते हैं कि भविष्य का कार्य लक्ष्य-जागरूक जनरेशन को परिष्कृत करने और साइक्लाइजेशन जैसे पोस्ट-ट्रांसलेशनल संशोधनों को शामिल करने के लिए रासायनिक शब्दावली का विस्तार करने पर केंद्रित होगा।