Agentic Discovery of Non-Canonical Antimicrobial Peptides with AMPGAN v3

Sintesi Tecnica: Scoperta Agente di Peptidi Antimicrobici Non Canonici con AMPGAN v3

Definizione del Problema
La resistenza antimicrobica (AMR) causa oltre un milione di morti ogni anno, eppure la scoperta di nuove classi di antibiotici è stagnata dal 2000. Mentre i modelli di IA generativa attuali affrontano due criticità fondamentali:

1. Vincoli Strutturali e Chimici: I modelli esistenti generano prevalentemente sequenze ad $\alpha$-elica composte da amminoacidi canonici L, che spesso soffrono di instabilità conformazionale e rapida degradazione proteolitica. Le applicazioni terapeutiche reali richiedono chimiche non canoniche, come gli amminoacidi D e modifiche N/C-terminali (es. amidazione), per garantire la stabilità, cosa che i modelli attuali non possono generare.
2. Instabilità dell'Addestramento: Gli approcci precedenti basati su GAN condizionali (es. AMPGAN v2) soffrono di una grave instabilità nell'addestramento, con solo il ~10% delle inizializzazioni casuali che produce modelli utilizzabili, spesso collassando in output ripetitivi a singolo token.
3. Scalabilità del Workflow: Tradurre i design in-silico in candidati testabili richiede passaggi ripetitivi di filtraggio e verifica dei database che scalano male quando eseguiti manualmente.

Metodologia
Gli autori introducono AMPGAN v3, una rete Generativa Avversaria (GAN) condizionale multi-obiettivo, e PepCraft, un framework multi-agente per la scoperta end-to-end.

• Architettura di AMPGAN v3:

  • Vocabolario Espanso: Il modello è addestrato su un dataset curato di 34.275 sequenze di AMP sperimentalmente validate (da DBAASP v3), includendo esplicitamente amminoacidi D e modifiche terminali. Le sequenze sono codificate con special token per le modifiche N/C-terminali e i confini della sequenza.
  • Design a Doppio Discriminatore: Per risolvere l'instabilità dell'addestramento, gli autori separano la supervisione avversaria e quella di attività in due discriminatori specializzati:
    • $D_{adv}$: Un discriminatore incondizionale che giudica se una sequenza sia plausibilmente simile a un peptide (giudizio distributivo).
    • $D_{mic}$: Un discriminatore condizionale addestrato esclusivamente su sequenze reali per regredire i valori di Concentrazione Minima Inibitoria (MIC) in base alle specie target (giudizio di potenza).
  • Obiettivo di Addestramento: Il generatore è ottimizzato tramite una combinazione pesata di quattro perdite: perdita di lunghezza ($L_{len}$), perdita di similarità ($L_{sim}$), perdita avversaria ($L_{adv}$) e perdita di regressione MIC ($L_{mic}$). Il modello utilizza Gumbel-Softmax per gestire il campionamento di token discreti.

• Framework Agente di PepCraft:

  • Un Agente di Pianificazione (Planning Agent) orchestra agenti esecutori specializzati per automatizzare la pipeline di scoperta.
  • Agente Generativo (Generating Agent): Traduce obiettivi in linguaggio naturale in chiamate strutturate per AMPGAN v3 e strumenti di predizione strutturale (SimpleFold).
  • Agente di Filtraggio (Filtering Agent): Applica screening sequenziali fisico-chimici e strutturali (carica, idrofobicità, indice di stabilità).
  • Agente di Verifica (Verifying Agent): Esegue ricerche di omologia BLAST contro SwissProt e DBAASP per valutare la novità e recuperare le attività note.
  • Il sistema itera, con il Planning Agent che richiama gli esecutori con parametri rivisti se i risultati intermedi deviano dagli obiettivi dell'utente.

Contributi Chiave

1. Modello AMPGAN v3: Il primo modello generativo per AMP che supporta amminoacidi D e modifiche terminali, espandendo significativamente lo spazio chimico accessibile oltre gli amminoacidi L canonici.
2. Miglioramento della Stabilità: Decoupling (disaccoppiamento) della supervisione avversaria e di attività, il modello raggiunge un tasso di successo del ~70% (21/30 run) rispetto al ~10% di AMPGAN v2, mitigando il mode collapse.
3. Workflow Agente: L'introduzione del workflow agente PepCraft dimostra come l'IA generativa possa essere composta con sistemi agentici per la scoperta scientifica, permettendo un controllo adattivo del flusso e una cura automatizzata.
4. Validazione Sperimentale: Il paper fornisce una validazione su piccola scala ma reale dell'intera pipeline, dalla generazione al testing in laboratorio (wet-lab).

Risultati

• Validazione In Vitro: Cinque candidati che coprono tre classi strutturali ($\alpha$-elica, $\beta$-hairpin, random coil) e incorporano chimica non canonica sono stati sintetizzati e testati.
  • Due candidati hanno mostrato attività contro ceppi Gram-positivi.
  • Il miglior candidato, HY-P60322, ha raggiunto una MIC di 8 µg/mL contro Bacillus subtilis e 16 µg/mL contro Staphylococcus epidermidis.
  • Notevolmente, i candidati attivi non hanno inibito le specie utilizzate come target di condizionamento durante la generazione (es. HY-P60322 era condizionato su E. coli ma attivo contro B. subtilis), indicando che il condizionamento della specie non si è tradotto in attività selettiva per la specie in questo specifico caso.
• Performance In Silico:
  • AMPGAN v3 ha raggiunto i più alti tassi di AMP predetto (92,7% tramite AMP Scanner v2, 95,1% tramite amPEP) tra i modelli confrontati (AMPGAN v2, HydrAMP, AMP-Designer).
  • L'analisi dello spazio di embedding (ESM2 + PCA) mostra che AMPGAN v3 ha migliorato significativamente la fedeltà (divergenza KL inversa) rispetto al suo predecessore mantenendo la copertura, sebbene AMP-Designer (pre-addestrato su 600K+ peptidi) mostri una divergenza inferiore grazie al suo ampio prior proteico.
• Efficienza Agente:
  • Il framework multi-agente PepCraft ha richiesto meno chiamate di strumenti rispetto ai baseline a singolo agente per dimensioni di task fino a 20 candidati.
  • Instradando il Planning Agent attraverso un modello grande e gli Executor attraverso modelli più piccoli ed economici, l'approccio multi-agente ha ridotto significativamente l'uso totale di token in output rispetto ai sistemi a singolo agente che devono instradare tutti i token attraverso un modello grande.
  • L'analisi qualitativa ha mostrato che le raccomandazioni di priorità dell'agente erano allineate con gli esiti in vitro effettivi (segnalando HY-P60322 per la priorità e altri per la depriorità).

Significatività e Rivendicazioni
Il paper sostiene che AMPGAN v3 e PepCraft rappresentano un passo verso l'esame di "come l'IA generativa e l'IA agente si compongano nella scoperta di peptidi terapeutici, su una scala piccola ma reale". Gli autori sottolineano che i loro contributi permettono la generazione di peptidi con la stabilità chimica necessaria per la viabilità terapeutica (tramite amminoacidi non canonici) e dimostrano un workflow in cui i sistemi agentici possono orchestrare generazione, filtraggio e verifica con un intervento umano minimo. Il lavoro è di portata modesta, presentando un framework preliminare dove l'allineamento tra le raccomandazioni dell'agente e i risultati in vitro è incoraggiante ma richiede una valutazione prospettica ulteriore. Gli autori notano che il lavoro futuro si concentrerà sul raffinamento della generazione consapevole del target e sull'espansione del vocabolario chimico per includere modifiche post-traduzionali come la ciclizzazione.