🧬 biology

Agentic Discovery of Non-Canonical Antimicrobial Peptides with AMPGAN v3

本文介绍了 AMPGAN v3，这是一种能够生成含有 D-氨基酸和末端修饰的非规范抗菌肽的多目标条件生成对抗网络，以及 PepCraft，一个编排发现过程并成功优先排序了经体外实验验证候选药物的智能体框架。

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

发布于 2026-06-17

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

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

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ⚕️ 这是一篇未经同行评审的预印本的AI生成解释。这不是医疗建议。请勿根据此内容做出健康决定。阅读完整免责声明

以下是关于论文《AMPGAN v3：通过智能体发现非规范抗菌肽》的解释，通过简单的概念和日常类比进行了拆解。

核心问题：抗生素短缺

想象一下，让我们生病的细菌就像一群聪明的窃贼。几十年来，我们拥有一套用来将他们锁在门外的钥匙（抗生素）。但这些窃贼已经学会了如何撬开这些锁，这就是所谓的抗生素耐药性。这个问题正变得日益严重，每年导致超过一百万人死亡。

科学家们一直试图锻造新的钥匙（新药），但这却陷入了“发现真空期”。这个过程既昂贵又缓慢，而且在过去的 25 年里，我们并没有发现多少新型号的钥匙。

解决方案：微型蛋白质钥匙 (AMPs)

研究人员正在研究抗菌肽 (AMPs)。可以将它们想象成一种微型的、短小的蛋白质链，充当“分子撬棍”。它们并不试图去配一把特定的锁，而是直接砸开细菌的大门（细胞膜）。因为它们是砸开门而不是通过技术性开锁，所以窃贼（细菌）很难学会如何阻止它们。

旧方法 vs. 新方法 (AMPGAN v3)

以前，科学家使用人工智能来设计这些微型蛋白质钥匙。但旧的 AI 模型有两个重大缺陷：

它们只能制造“标准”钥匙： 它们只能使用自然界中存在的 20 种标准构建模块（氨基酸）。而现实世界的药物通常需要“特殊”的构建模块（例如 D-氨基酸或末端的化学封帽）才能在人体内生存。旧的 AI 无法制造这些。
它们不稳定： 想象一下，如果你尝试用一个只有十分之一成功率的食谱来烤蛋糕。旧的 AI（AMPGAN v2）经常会崩溃，或者只是一遍又一遍地输出同一个无聊的词汇。

迎来 AMPGAN v3：
团队构建了一个新的 AI，AMPGAN v3，它就像一位大师级厨师，现在可以使用任何食材，包括实现真实药物所需的特殊非天然成分。

秘诀所在： 他们将“评委”拆分为两个独立的角色。一个评委检查食谱看起来是否像真实的蛋白质（对抗性）；另一个评委检查它是否真的能杀死细菌（活性）。这种分离阻止了 AI 崩溃，使其成功率达到了 70%（从之前的 10% 提升而来）。
结果： 它成功设计出了包含特殊“D-氨基酸”和化学封帽的肽，而之前的 AI 模型无法做到这一点。

“机器人团队” (PepCraft)

设计药物不仅仅是编写食谱；你还需要检查食材是否安全、食谱是否独特以及它是否真的是全新的。手动做这些工作就像试图用手去筛选一百万粒沙子一样。

研究人员构建了 PepCraft，一个“机器人团队”（一个智能体框架）来处理这些繁琐的工作：

规划者 (The Planner)： 团队领导，负责接收目标（例如：“为大肠杆菌制作一把钥匙”）并将其分解为任务。
生成器 (The Generator)： 厨师，负责使用 AMPGAN v3 创造新的食谱。
过滤器 (The Filter)： 质量控制检查员，负责检查食谱是否太长、太重或化学性质不稳定。
验证者 (The Verifier)： 图书管理员，负责查阅图书馆，确保这个食谱不在任何书里（已知的药物），并且它确实是全新的。

规划者可以发出指令：“该食谱未通过质量检查，厨师，请尝试使用不同的食材再试一次”，从而创建一个自动优化结果的循环。

现实世界测试 (实验室)

团队并没有止步于计算机。他们将 AI 最好的五个设计方案拿到了实验室进行物理构建，以观察它们是否有效。

测试： 他们将这些微型蛋白质钥匙暴露在不同类型的细菌面前。
成功案例： 五分之二 的设计奏效了！
- 其中一把钥匙 (HY-P60322) 对枯草芽孢杆菌（一种常见的革兰氏阳性菌）非常强效，在极低浓度下就能将其杀死。
- 另一把钥匙 (HY-P60325) 也对同一种细菌有效。
意外发现： 有趣的是，尽管 AI 被要求专门为大肠杆菌或金黄色葡萄球菌设计钥匙，但实际起作用的钥匙却杀死了不同的细菌（枯草芽孢杆菌）。AI 学习到了“杀手钥匙”的一般“形状”，但具体的针对性指令在最终结果中并未完美转化。

机器人团队的报告

当他们让 PepCraft 机器人团队对这五个候选对象进行评估时，“验证者”和“规划者”查看了数据并表示：“候选人 1 看起来很有前景，因为它与数据库中已知的强力杀手相匹配。候选人 3 和 5 看起来很弱。”

酷炫之处： 机器人团队的预测与真实的实验室结果相吻合！他们推荐为“最佳”的那一个，确实是实验室中起作用的两个候选者之一。

总结

这项研究表明，通过结合一个更稳定、可以使用“特殊成分”的 AI (AMPGAN v3) 以及一个管理工作流的 AI 机器人团队 (PepCraft)，科学家可以更快、更可靠地发现新的药物候选物。他们通过将五个数字设计转化为现实，并发现其中两个成功杀死了细菌，证明了这一方法的有效性。

技术摘要：基于 AMPGAN v3 的智能体驱动非规范抗菌肽发现研究

问题陈述
抗生素耐药性（AMR）每年导致超过一百万人死亡，然而新型抗生素类别的发现自 2000 年以来便陷入停滞。虽然抗菌肽（AMPs）因其多机制作用和较慢的耐药性产生速度而成为极具前景的解决方案，但目前的生成式 AI 模型面临两个关键局限性：

结构与化学约束： 现有的模型主要生成由规范 L-氨基酸组成的 $\alpha$ -螺旋序列。这些短螺旋肽往往存在构象不稳定和易受蛋白酶降解的问题。现实世界的治疗应用需要非规范化学性质，例如 D-氨基酸和 N/C 端修饰（如酰胺化），以确保稳定性，而目前的模型无法生成此类内容。
训练不稳定性： 先前的条件 GAN 方法（如 AMPGAN v2）存在严重的训练不稳定性，仅有约 10% 的随机初始化能产生可用的模型，否则往往会坍缩为重复的单标记输出。
工作流可扩展性： 将计算机模拟设计转化为可测试的候选药物需要重复的过滤和数据库验证步骤，当手动执行时，其扩展性极差。

方法论
作者引入了 AMPGAN v3（一种多目标条件生成对抗网络，GAN）以及 PepCraft（一个用于端到端发现的多智能体框架）。

AMPGAN v3 架构：
- 扩展词表： 该模型在经过人工筛选的 34,275 条经实验验证的 AMP 序列（来自 DBAASP v3）数据集上进行训练，明确包含了 D-氨基酸和末端修饰。序列通过特殊标记对 N/C 端修饰和序列边界进行编码。
- 双判别器设计： 为了解决训练不稳定性，作者将对抗监督和活性感知监督分离到两个专门的判别器中：
  - $D_{adv}$ ：一个无条件判别器，用于判断序列是否具有合理的肽类特征（分布判断）。
  - $D_{mic}$ ：一个仅在真实序列上训练的条件判别器，用于根据目标物种回归最小抑菌浓度（MIC）值（效力判断）。
- 训练目标： 生成器通过四个损失函数的加权组合进行优化：长度损失 ( $L_{len}$ )、相似性损失 ( $L_{sim}$ )、对抗损失 ( $L_{adv}$ ) 和 MIC 回归损失 ( $L_{mic}$ )。模型使用 Gumbel-Softmax 来处理离散标记采样。
PepCraft 智能体框架：
- 一个 规划智能体（Planning Agent） 负责编排专门的 执行智能体（Executor Agents），以实现自动化发现流程。
- 生成智能体（Generating Agent）： 将自然语言目标转化为对 AMPGAN v3 和结构预测工具（SimpleFold）的结构化调用。
- 过滤智能体（Filtering Agent）： 应用连续的理化性质和结构筛选（电荷、疏水性、稳定性指数）。
- 验证智能体（Verifying Agent）： 执行针对 SwissProt 和 DBAASP 的 BLAST 同源性搜索，以评估新颖性并恢复已知活性。
- 系统进行迭代，如果中间结果偏离用户目标，规划智能体会使用修正后的参数重新调用执行器。

核心贡献

AMPGAN v3 模型： 首个支持 D-氨基酸和末端修饰的 AMP 生成模型，显著扩展了超越规范 L-氨基酸的可及化学空间。
稳定性提升： 通过解耦对抗监督和活性监督，该模型的成功率达到了约 70%（30 次运行中的 21 次），相比之下，AMPGAN v2 仅为约 10%，有效缓解了模式坍缩。
智能体工作流： PepCraft 的引入展示了如何将生成式 AI 与智能体系统结合进行科学发现，从而实现自适应控制流和自动化策展。
实验验证： 本文提供了一个从生成到湿实验测试的完整、小规模且真实的端到端流程验证。

结果

体外验证： 合成了涵盖三种结构类别（ $\alpha$ $α$ -螺旋、 $\beta$ $β$ -发夹、随机卷曲）并包含非规范化学性质的五个候选药物，并进行了测试。
- 两个候选药物对革兰氏阳性菌株表现出活性。
- 最优候选药物 HY-P60322 对 Bacillus subtilis（枯草芽孢杆菌）的 MIC 达到 8 µg/mL，对 Staphylococcus epidermidis（表皮葡萄球菌）的 MIC 为 16 µg/mL。
- 值得注意的是，这些活性候选药物并未抑制生成过程中作为条件设定（conditioning）的物种（例如，HY-P60322 是基于 E. coli 进行条件的，但在 B. subtilis 下表现出活性），这表明在此特定案例中，物种条件化并未转化为物种选择性活性。
计算机模拟性能：
- 在对比的模型（AMPGAN v2, HydrAMP, AMP-Designer）中，AMPGAN v3 实现了最高的预测 AMP 率（由 AMP Scanner v2 测得为 92.7%，由 amPEP 测得为 95.1%）。
- 嵌入空间分析（ESM2 + PCA）显示，AMPGAN v3 在保持覆盖度的同时，其保真度（逆 KL 散度）较其前代模型有了显著提升，尽管 AMP-Designer 由于其庞大的蛋白质先验知识，表现出更低的散度。
智能体效率：
- 对于规模不超过 20 个候选药物的任务，多智能体 PepCraft 框架比单智能体基准模型所需的工具调用次数更少。
- 通过将规划智能体路由至大型模型，并将执行器路由至较小、更廉价的模型，该多智能体方法显著降低了总输出标记的使用量，相比之下，必须将所有标记都通过大型模型进行路由的单智能体系统则无法做到这一点。
- 定性分析显示，智能体的优先级推荐与实际体外实验结果一致（将 HY-P60322 标记为优先考虑，而将其余候选药物标记为降级处理）。

意义与主张
本文声称，AMPGAN v3 和 PepCraft 代表了向“在小规模但真实的尺度上，检验生成式 AI 与智能体 AI 如何在治疗性多肽发现中进行组合”迈出的重要一步。作者强调，其贡献在于使生成的肽能够具备治疗可行性所需的化学稳定性（通过非规范氨基酸），并展示了一种智能体系统能够以极少的人为干预来编排生成、过滤和验证的工作流。这项工作规模适中，呈现了一个初步框架，其中智能体建议与湿实验结果之间的一致性令人鼓舞，但仍需进一步的前瞻性评估。作者指出，未来的工作将侧重于优化目标感知生成，并扩展包括环化在内的翻译后修饰化学词表。