Fung-AI: An AI/ML-driven pipeline for antifungal peptide discovery

Dit artikel introduceert Fung-AI, een door AI-aangedreven pijplijn die generatieve modellen gebruikt om nieuwe antifungale peptiden te ontwerpen, waarvan er enkele effectief bleken tegen schimmelpathogenen zoals *Fusarium graminearum* en *Candida albicans* met een laag cytotoxiciteitsprofiel.

De kern

🍄 De Fung-AI: Een slimme robot die nieuwe wondermiddelen tegen schimmels bedenkt

Stel je voor dat schimmels (zoals die op brood, maar ook die gevaarlijke varianten die mensen ziek maken) een enorme, onzichtbare muur bouwen rondom onze gezondheid en ons voedsel. De medicijnen die we nu hebben, werken vaak niet meer omdat de schimmels slim zijn geworden en resistentie hebben ontwikkeld. Het vinden van nieuwe medicijnen is als het zoeken naar een naald in een hooiberg, maar dan met een hooiberg die elke dag groter wordt.

Dit is waar Fung-AI om de hoek komt kijken.

1. De "Droomfabriek" (De AI)

In plaats van dat wetenschappers jarenlang in een lab zitten om één voor één nieuwe stoffen te testen, hebben de onderzoekers een kunstmatige intelligentie (AI) getraind.

• De Analogie: Denk aan deze AI als een super-slimme chef-kok die duizenden kookboeken heeft gelezen. Deze chef weet precies welke ingrediënten (aminozuren) samen een lekker gerecht (een werkend medicijn) maken, en welke een rotte maag (giftig voor mensen) veroorzaken.
• Wat deed de AI? De chef-kok (de AI) begon te "dromen". Hij bedacht 10.000 nieuwe recepten (peptiden) die nog nooit eerder bestaan hebben. Dit zijn korte stukjes eiwitten die de schimmel kunnen aanvallen.

2. De "Slijpsteen" (De Selectie)

De chef-kok had 10.000 recepten bedacht, maar je kunt niet 10.000 gerechten tegelijk koken. Je moet de beste eruit halen.

• De Analogie: De AI gebruikte een drievoudige filter (een soort super-slijpsteen) om de slechte recepten te verwijderen:
  1. Werkt het? (Is het een goed medicijn tegen schimmels?)
  2. Is het veilig? (Doet het geen pijn aan de menselijke cellen? Dit heet "niet hemolytisch" zijn, oftewel: het breekt je rode bloedcellen niet kapot).
  3. Is het nieuw? (Is het niet gewoon een kopie van iets dat al bestaat?)

Na dit strenge proces bleven er slechts 13 kandidaten over die het meest veelbelovend leken.

3. De "Proefkeuken" (Het Lab)

Nu kwam het echte werk. De onderzoekers maakten deze 13 nieuwe recepten in het lab en testten ze op echte schimmels.

• Het Resultaat:
  • Ze testten ze op een schimmel die tarweplanten ziek maakt (Fusarium) en op een schimmel die mensen ziek maakt (Candida).
  • 5 van de 13 bleken echt te werken! Ze konden de schimmels afremmen.
  • 2 van die 5 waren zelfs heel veilig voor menselijke cellen (ze deden geen pijn aan de levercellen in de test).

4. De "Grote Uitdaging" (De Grenzen)

Niet alles was perfect.

• De "Onoverwinnelijke Schimmel": Er is een heel gevaarlijke schimmel genaamd Candida auris die vaak resistent is tegen alles. Geen van de nieuwe recepten werkte hier tegen.
• De Les: Het is alsof je een sleutel hebt gemaakt die 5 deuren opent, maar de 6e deur (C. auris) is gemaakt van een heel ander metaal. De AI moet nog wat meer leren over die specifieke deur om een nieuwe sleutel te maken.

Waarom is dit belangrijk?

Vroeger duurde het vinden van een nieuw medicijn jaren en kostte het miljoenen. Met Fung-AI hebben ze in een paar maanden tijd een nieuwe generatie medicijnen bedacht die nog nooit bestaan hebben.

• Kortom: Ze hebben een digitale uitvinder gebouwd die duizenden ideeën per seconde bedenkt, de beste eruit filtert, en ons dan een handvol echte, werkende kandidaten geeft om verder te testen.

Het is een eerste stap (een "proof-of-principle"), maar het laat zien dat we met de hulp van slimme computers misschien eindelijk een antwoord hebben op de groeiende bedreiging van schimmels, zowel voor onze gewassen als voor onze gezondheid.

Technische samenvatting

Titel: Fung-AI: Een AI/ML-gedreven pijplijn voor de ontdekking van antifungale peptiden

1. Het Probleem

Fungale pathogenen vormen een groeiende bedreiging voor de wereldwijde volksgezondheid en voedselzekerheid, met naar schatting 2,5 miljoen sterfgevallen per jaar en aanzienlijke oogstverliezen. De huidige situatie wordt verergerd door:

• Een tekort aan bekende klassen van antifungale geneesmiddelen.
• De opkomst van multiresistente en pan-resistente klinische isolaten (zoals Candida auris).
• De moeilijke aard van de ontdekking van nieuwe geneesmiddelen, omdat schimmels veel celbiologische kenmerken delen met zoogdieren, wat het moeilijk maakt om middelen te vinden die selectief zijn (schimmels doden zonder menselijke cellen te beschadigen).

Traditionele antimicrobiële peptiden (AMP's) zijn veelbelovend vanwege hun vermogen om resistentie te omzeilen, maar hun experimentele screening is tijdrovend. Er is behoefte aan snellere, de novo ontwerpmethoden.

2. Methodologie: De Fung-AI Pijplijn

De auteurs hebben een semi-automatische, computationele pijplijn ontwikkeld genaamd Fung-AI. Deze pijplijn combineert generatieve kunstmatige intelligentie met classificatiemodellen om nieuwe kandidaat-peptiden te genereren en te filteren.

A. Data Cursatie en Voorbereiding

• Datasets: Er werden datasets samengesteld voor antifungale peptiden (uit literatuur, DRAMP 4.0, CAMPR4) en hemolytische (giftige) peptiden.
• Filtering: Peptiden werden gefilterd op lengte (10-35 aminozuren) om een bruikbare dataset van ~7.335 peptiden te creëren voor training.

B. Generatief Model (GAN)

• Een Generative Adversarial Network (GAN) werd getraind om nieuwe, diverse peptidesequenties te genereren.
• Om "mode collapse" (het genereren van weinig variatie) te voorkomen en rekening te houden met de beperkte dataset, gebruikten ze een aangepaste architectuur met een encoder die fungeert als zowel generator als decoder.
• Het model werd getraind op zowel antifungale als niet-antifungale peptiden om een breder spectrum te leren.
• Output: De GAN genereerde ongeveer 10.000 unieke kandidaat-peptiden.

C. In silico Screening en Down-selection
De gegenereerde peptiden werden door een reeks filters gehaald:

1. Antifungale Classificatie: Drie verschillende machine learning-modellen (gebaseerd op TCN, One-hot encoding, en BLOSUM-embedding met 1DCNN-BiLSTM) voorspelden de kans op antifungale activiteit. Alleen peptiden die door alle drie als actief werden gemarkeerd (drempel 0,5), werden behouden (~3.578 peptiden).
2. Hemolytische Classificatie: Een binaire classifier filterde peptiden die waarschijnlijk hemolytisch (giftig voor rode bloedcellen) waren.
3. Clustering en Novelty:
   • UMAP werd gebruikt voor dimensiereductie om de gegenereerde peptiden te vergelijken met de trainingsdata.
   • HDBSCAN (clustering) identificeerde groepen van vergelijkbare peptiden.
   • BLAST zoekopdrachten tegen de NCBI Non-Redundant database bevestigden dat de geselecteerde peptiden nieuw waren (geen hoge gelijkenis met bestaande eiwitten).
4. Fysische Eigenschappen: Peptiden werden gefilterd op biophysica (positieve lading < +6, 30-60% hydrofobe aminozuren) en voorspelde structuur (via PEP-FOLD4).

D. Experimentele Validatie
Uiteindelijk werden 13 peptiden geselecteerd voor synthese en experimentele testen in twee fasen:

• Fase 1: Screening tegen Fusarium graminearum (plantenpathogeen) en Saccharomyces cerevisiae.
• Fase 2: Uitgebreide screening van de meest veelbelovende cluster (Cluster 17) tegen menselijke pathogenen (Candida albicans, Candida auris) en cytotoxiciteitstesten op HepG2 (leverkankercellen).

3. Belangrijkste Resultaten

• Generatie en Selectie: Van de ~10.000 gegenereerde peptiden werden er 13 geselecteerd voor experimentele validatie.
• Antifungale Activiteit:
  • 5 van de 9 geteste peptiden uit Cluster 17 toonden activiteit tegen F. graminearum.
  • Peptide 12 en 40 toonden de beste activiteit met een Minimale Remmende Concentratie (MIC) van 250 µg/mL tegen F. graminearum en 500 µg/mL tegen C. albicans.
  • Peptide 48 toonde brede activiteit (500 µg/mL) tegen F. graminearum, S. cerevisiae en C. albicans.
  • Peptide 65 was actief tegen F. graminearum en C. albicans.
  • Geen activiteit werd waargenomen tegen Candida auris bij concentraties tot 500 µg/mL.
• Cytotoxiciteit:
  • Peptide 12 was het meest cytotoxisch (LC50 ~66 µg/mL).
  • Peptide 48 vertoonde geen toxiciteit bij de geteste concentraties.
  • Peptide 65 had een hoge LC50 van 704,2 µg/mL, wat wijst op lage toxiciteit en potentieel als veilig scaffold voor verdere optimalisatie.
• Structuur: De actieve peptiden vertoonden voorspelde α-helix structuren en waren kationisch, kenmerken die overeenkomen met bekende membraanverstorende antimicrobiële peptiden.

4. Kernbijdragen

1. Proof-of-Concept: Het bewijst dat generatieve AI (GAN's) succesvol kan worden ingezet om de novo antifungale peptiden te ontwerpen, zelfs met beperkte trainingsdata.
2. Geïntegreerde Pijplijn: De ontwikkeling van een volledig computergestuurde workflow die generatie, classificatie, clustering en biophysica-filtering combineert om de experimentele workload drastisch te verlagen.
3. Nieuwe Kandidaten: Identificatie van nieuwe, niet-natuurlijke peptidesequenties met aantoonbare antifungale activiteit, waarvan sommige een gunstig veiligheidsprofiel hebben (lage toxiciteit).
4. Open Science: Alle code, data en modellen zijn openbaar beschikbaar gesteld via GitHub, wat replicatie en verdere ontwikkeling door de gemeenschap mogelijk maakt.

5. Betekenis en Toekomstperspectief

De studie toont aan dat AI-gedreven ontwerpen een krachtige aanvulling kan zijn op de traditionele geneesmiddelenontdekking, vooral in het domein van antifungale middelen waar de pipeline vaak vastloopt.

• Snelheid en Kosten: De pijplijn reduceert de tijd en kosten voor het vinden van kandidaten door duizenden virtuele screeningen te doen voordat er één peptid wordt gesynthetiseerd.
• Optimalisatiepotentieel: Hoewel de MIC-waarden nog hoger zijn dan die van sommige bestaande geneesmiddelen (zoals VLL-28), bieden de gevonden peptiden (vooral 48 en 65) een uitstekend uitgangspunt voor chemische optimalisatie om de potentie te verhogen en de toxiciteit verder te verlagen.
• Uitdagingen: De auteurs erkennen dat de beperkte hoeveelheid data voor specifieke pathogenen (zoals C. auris) de prestaties beperkt. Toekomstig werk moet zich richten op het verzamelen van meer pathogeen-specifieke data en het integreren van mechanisme-van-actie (MOA) voorspellingen in de pijplijn.

Concluderend biedt Fung-AI een robuust raamwerk om de groeiende bedreiging van fungale infecties aan te pakken door middel van snelle, datagedreven innovatie in de geneesmiddelenontwikkeling.