🧬 biology

Agentic Discovery of Non-Canonical Antimicrobial Peptides with AMPGAN v3

本論文は、D-アミノ酸や末端修飾を伴う非標準的な抗菌ペプチドの生成が可能なマルチオブジェクティブ条件付きGANであるAMPGAN v3と、発見プロセスをオーケストレートし、in vitro実験によって検証された候補を優先順位付けすることに成功したエージェント型フレームワークであるPepCraftを紹介するものである。

原著者： Jay Jung, Xiaohan Zhang, Shenghan Song, Mahmoud Sayedahmed, Chijian Xiang, Yunong Xu, Ahmed AbdelKhalek, Severin T. Schneebeli, Matthew J. Wargo, Jianing Li, Safwan Wshah

公開日 2026-06-17

📖 1 分で読めます☕ さくっと読める

CC BY 4.0

原著者： Jay Jung, Xiaohan Zhang, Shenghan Song, Mahmoud Sayedahmed, Chijian Xiang, Yunong Xu, Ahmed AbdelKhalek, Severin T. Schneebeli, Matthew J. Wargo, Jianing Li, Safwan Wshah

原論文は CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) でライセンスされています。 ⚕️ これは査読を受けていないプレプリントのAI生成解説です。医学的助言ではありません。この内容に基づいて健康上の判断をしないでください。免責事項の全文を読む

大いなる問題：抗生物質の不足

私たちを病気にさせる細菌を、巧妙な泥棒のグループだと想像してみてください。何十年もの間、私たちは彼らを締め出すための「鍵」（抗生物質）を持ってきました。しかし、泥棒たちはその鍵の開け方を学んでしまいました。これが「薬剤耐性」と呼ばれる問題です。これは非常に深刻で、年間100万人以上の命を奪っています。

科学者たちは新しい鍵（新しい薬）を鍛えようとしてきましたが、それは「発見の空白期」となっていました。コストがかかり、時間がかかり、過去25年間で新しいタイプの鍵はほとんど見つかっていません。

解決策：小さなタンパク質の鍵（AMPs）

研究者たちは、**抗菌ペプチド（AMPs）**に注目しています。これらは、いわば「分子のバール」として機能する、短く小さなタンパク質の鎖だと考えてください。特定の鍵穴をこじ開けるのではなく、細菌のドア（細胞膜）を叩き壊してこじ開けるのです。特定の鍵穴を狙うのではなく、ドアそのものを破壊するため、泥棒（細菌）がそれに対抗する方法を学ぶのは非常に困難になります。

旧来の方法 vs 新しい方法（AMPGAN v3）

以前は、科学者はAIを使ってこれらの小さなタンパク質の鍵を設計していました。しかし、従来のAIモデルには2つの大きな欠陥がありました。

「標準的な」鍵しか作れなかった： 自然界に存在する標準的な20種類の構成要素（アミノ酸）しか使えませんでした。しかし、現実世界の薬には、人体内で生き残るために「特別な」構成要素（D-アミノ酸や末端の化学的キャップなど）が必要になることがよくあります。旧来のAIはこれらを作ることができませんでした。
不安定だった： レシピ通りに作っても、10回中1回しか成功しないケーキ作りを想像してみてください。旧来のAI（AMPGAN v2）は、頻繁にクラッシュしたり、同じ退屈な言葉を何度も出力したりすることがありました。

登場したのは AMPGAN v3 です：
チームは、新しいAIである AMPGAN v3 を構築しました。これは、特別な成分（非天然のアミノ酸など）も含め、あらゆる材料を使えるようになる「熟練のシェフ」のようなものです。

秘伝のソース： 彼らは「審判」の役割を2つに分離しました。一方はレシピが本物のタンパク質のように見えるかをチェックする審判（敵対的生成）、もう一方はそれが実際に細菌を殺す力を備えているかをチェックする審判（活性）です。この分離により、AIのクラッシュが止まり、成功率は以前の10%から**70%**へと向上しました。
結果： これにより、以前のAIモデルでは不可能だった「D-アミノ酸」や「化学的キャップ」を含むペプチドを設計することに成功しました。

「ロボットチーム」（PepCraft）

薬を設計することは、単にレシピを書くだけではありません。材料が安全か、レシピがユニークか、そしてそれが本当に新しいものかを確認する必要があります。これを行うのは、手作業で100万粒の砂を仕分けするようなものです。

研究者たちは、この雑務をこなすための「ロボットチーム」（エージェント・フレームワーク）である PepCraft を構築しました。

プランナー（計画者）： チームリーダーであり、目標（例：「大腸菌のための鍵を作れ」）を受け取り、それをタスクに分解します。
ジェネレーター（生成者）： AMPGAN v3 を使って新しいレシピを作成するシェフです。
フィルター（濾過器）： 品質管理検査官であり、レシピが長すぎないか、重すぎないか、あるいは化学的に不安定でないかをチェックします。
ベリファイアー（検証者）： 図書館員であり、レシピがすでに本（既知の薬）の中に載っていないか、そしてそれが本当に新しいものであるかをチェックします。

プランナーは、「そのレシピは品質チェックに失敗しました。シェフ、別の材料を使ってやり直してください」と指示を出すことができ、自動的に結果を洗練させるループを作り出します。

実験室でのテスト（ラボ）

チームはコンピュータ上での作業に留まりませんでした。彼らはAIによる最高の設計の中から5つを選び出し、それらを実際にラボで合成して、本当に機能するかどうかをテストしました。

テスト： これらの小さなタンパク質の鍵を、さまざまな種類の細菌にさらしました。
成功： 5つ中2つが成功しました！
- 一つの鍵（HY-P60322）は、Bacillus subtilis（一般的なグラム陽性菌）に対して非常に強力で、極めて低い濃度でこれを死滅させました。
- もう一つの鍵（HY-P60325）も、同じ細菌に対して効果がありました。
注意点： 興味深いことに、AIは大腸菌（E. coli）や黄色ブドウ球菌（S. aureus）のために設計するように指示されていましたが、実際に効果を発揮したのは異なる細菌（B. subtilis）でした。AIは「殺し屋の鍵」の一般的な「形状」を学習しましたが、特定のターゲットに関する指示は、最終的な結果に完全には反映されませんでした。

ロボットチームの報告

チームがこれら5つの候補に対して PepCraft ロボットチームを実行したところ、「検証者」と「プランナー」はデータを見て次のように報告しました。「候補1は、データベース内の強力な殺菌剤と一致しているため、有望に見えます。候補3と5は弱そうです。」

すごい点： ロボットチームの予測は、実際のラボの結果と一致しました！彼らが「最高」として推奨したものは、実際にラボで機能した2つのうちの1つでした。

まとめ

この論文は、より安定したAI（AMPGAN v3）と、ワークフローを管理するAIロボットのチーム（PepCraft）を組み合わせることで、新しい薬の候補をより速く、より確実に発見できることを示しています。彼らは、デジタル上の5つの設計を作成し、それを実生活の環境で構築し、そのうちの2つが実際に細菌を死滅させたことを証明することで、その有効性を証明しました。

技術要約：AMPGAN v3による非標準的抗菌ペプチドのエージェンティックな発見

問題提起
薬剤耐性（AMR）は年間100万人以上の死を招いているが、新規抗生物質クラスの発見は2000年以降停滞している。抗菌ペプチド（AMP）は、その多角的な作用メカニズムと耐性出現の遅さから有望な解決策となるが、現在の生成AIモデルには2つの決定的な限界がある：

構造的および化学的制約： 既存のモデルは、主に標準的なL-アミノ酸で構成された $\alpha$ ヘリックス配列を生成する傾向がある。これらの短いヘリックスペプチドは、しばしば構造的不安定性や迅速なタンパク質分解に陥る。実用的な治療への応用には、安定性を確保するためのD-アミノ酸やN/C末端修飾（例：アミド化）といった非標準的な化学構造が必要であるが、現在のモデルはこれらを生成できない。
学習の不安定性： 従来の条件付きGANアプローチ（例：AMPGAN v2）は、深刻な学習の不安定性を抱えており、ランダムな初期化のうち、使用可能なモデルが得られるのはわずか約10%であり、多くの場合、反復的な単一トークンの出力へと崩壊（モード崩壊）してしまう。
ワークフローのスケーラビリティ： イン・シリコ（in-silico）設計をテスト可能な候補へと変換するには、反復的なフィルタリングとデータベース検証のステップが必要であり、これらを手動で行うとスケーラビリティが著しく低下する。

手法
著者らは、マルチオブジェクティブ条件付き敵対的生成ネットワーク（GAN）であるAMPGAN v3と、エンドツーエンドの発見のためのマルチエージェントフレームワークであるPepCraftを導入する。

AMPGAN v3 アーキテクチャ:
- 拡張された語彙： 本モデルは、DBAASP v3から抽出された、D-アミノ酸および末端修飾を明示的に含む、実験的に検証された34,275個のAMP配列のキュレーション済みデータセットで学習されている。配列は、N/C末端修飾と配列境界のための特殊トークンと共にエンコードされる。
- デュアル・ディスクリミネータ設計： 学習の不安定性を解消するため、著者らは、敵対的監視と活性認識監視を2つの特化したディスクリミネータに分離した：
  - $D_{adv}$ ：配列が妥当なペプチドらしいものかどうかを判断する、無条件のディスクリミネータ（分布的判断）。
  - $D_{mic}$ ：ターゲット種に基づく最小発育阻止濃度（MIC）値を回帰するために、実配列のみを用いて学習される条件付きディスクリミネータ（活性の判断）。
- 学習目的関数： 生成器は、長さ損失（ $L_{len}$ ）、類似性損失（ $L_{sim}$ ）、敵対的損失（ $L_{adv}$ ）、およびMIC回帰損失（ $L_{mic}$ ）の4つの損失の加重結合によって最適化される。モデルは、離散的なトークンサンプリングを扱うためにGumbel-Softmaxを使用する。
PepCraft エージェント・フレームワーク:
- **プランニング・エージェント（Planning Agent）**が、専門のエグゼキューター（実行）エージェントをオーケストレートし、発見パイプラインを自動化する。
- 生成エージェント（Generating Agent）： 自然言語の目的を、AMPGAN v3および構造予測ツール（SimpleFold）への構造化された呼び出しへと翻訳する。
- フィルタリング・エージェント（Filtering Agent）： 一連の物理化学的および構造的スクリーニング（電荷、疎水性、安定性指数）を適用する。
- 検証エージェント（Verifying Agent）： SwissProtおよびDBAASPに対するBLASTホモロジー検索を実行し、新規性を評価し、既知の活性を回収する。
- システムは反復を行い、中間結果がユーザーの目的から逸脱した場合、プランニング・エージェントは修正されたパラメータとともにエグゼキューターを再呼び出しする。

主な貢献

AMPGAN v3 モデル： D-アミノ酸と末端修飾をサポートする、AMPのための初の生成モデルであり、標準的なL-アミノ酸を超えたアクセシブルな化学空間を大幅に拡大した。
安定性の向上： 敵対的監視と活性監視をデカップリング（分離）することで、AMPGAN v2の約10%に対し、約70%（30回中21回）の成功率を達成し、モード崩壊を軽減した。
エージェンティック・ワークフロー： PepCraftの導入は、生成AIがいかにして科学的発見のためにエージェンティックなシステムと構成され得るかを示しており、適応的な制御フローと自動化されたキュレーションを可能にする。
実験的検証： 生成からウェットラボでのテストに至るまでのパイプライン全体の、小規模ながらも現実的な検証を提供している。

結果

イン・ビトロ（In Vitro）検証： 3つの構造クラス（ $\alpha$ $α$ -ヘリックス、 $\beta$ $β$ -ヘアピン、ランダムコイル）にまたがり、非標準的な化学構造を取り入れた5つの候補を合成し、テストした。
- 2つの候補がグラム陽性菌株に対して活性を示した。
- 最良の候補である HY-P60322 は、Bacillus subtilis に対して 8 µg/mL、Staphylococcus epidermidis に対して 16 µg/mL のMICを達成した。
- 特筆すべき点として、活性を示した候補は、生成時の条件付けターゲットとして使用された種（例：HY-P60322はE. coliに対して条件付けされていたが、B. subtilisに対して活性を示した）を阻害しなかった。これは、この特定の事例において、種条件付けが種選択的な活性へと翻訳されなかったことを示している。
イン・シリコ（In Silico）性能：
- AMPGAN v3は、比較されたモデル（AMPGAN v2, HydrAMP, AMP-Designer）の中で、最も高い予測AMP率（AMP Scanner v2による92.7%、amPEPによる95.1%）を達成した。
- 埋め込み空間解析（ESM2 + PCA）により、AMPGAN v3は、広範なカバー率を維持しつつ、前身のモデルよりも忠実度（逆KLダイバージェンス）が大幅に向上していることが示された。ただし、大規模なタンパク質プライアを持つAMP-Designerの方が、より低いダイバージェンスを示した。
エージェンティックな効率性：
- マルチエージェントのPepCraftフレームワークは、タスクサイズが20候補までの場合、シングルエージェントのベースラインよりも少ないツール呼び出し数を必要とした。
- プランニング・エージェントを大規模モデル経由で、エグゼキューターをより小型で安価なモデル経由でルーティングすることで、マルチエージェント・アプローチは、すべてのトークンを大規模モデル経由でルーティングしなければならないシングルエージェント・システムと比較して、総出力トークン使用量を大幅に削減した。
- 定性的分析により、エージェントの優先順位付けの推奨事項が、実際のイン・ビトロの結果と一致していることが示された（HY-P60322を優先順位付けの対象とし、その他を除外対象としてフラグ立てした）。

意義と主張
本論文は、AMPGAN v3とPepCraftが、「生成AIとエージェンティックAIが、治療用ペプチドの発見において、小規模ながらも現実的なスケールでどのように構成されるかを検証する」ための一歩であると主張している。著者らは、自らの貢献が、治療上の生存可能性に必要な化学的安定性（非標準アミノ酸による）を備えたペプチドの生成を可能にし、エージェンティックなシステムが、最小限の人間の介入で生成、フィルタリング、および検証をオーケストレートできるワークフローを示すものであることを強調している。本研究の範囲は限定的であり、生成とエージェントの推奨事項とウェットラボの結果との整合性は、有望ではあるものの、さらなる前向きな評価を必要とする予備的なフレームワークを提示している。著者らは、今後の課題として、ターゲット認識型の生成の洗練、および環化などの翻訳後修飾を含む化学的語彙の拡張に焦点を当てるとしている。