Nat. Microbiol. | 山东大学团队利用生成式人工智能发现多重耐药菌“克星”抗菌肽

DRUGONE

为应对不断加剧的抗生素耐药危机，研究人员开发了一种基于生成式人工智能的大规模抗菌肽（AMPs）发现策略。AMPs 具有广谱活性、快速杀菌机制以及较低的耐药风险，是传统抗生素的有前景替代物。本研究构建了一个名为 ProteoGPT 的蛋白质大语言模型（LLM），并通过迁移学习发展出多个子模型（AMPSorter、BioToxiPept、AMPGenix），形成一个串联的智能筛选流程，实现了对上亿肽序列的高通量筛选与生成。所挖掘和生成的 AMPs 在临床来源的碳青霉烯耐药鲍曼不动杆菌（CRAB）和耐甲氧西林金黄色葡萄球菌（MRSA）中表现出低耐药风险；在小鼠感染模型中，治疗效果与临床抗生素相当甚至更优，且无器官损伤或肠道菌群紊乱。机制研究显示，这些 AMPs 通过破坏细胞质膜并引发膜去极化实现杀菌。本研究展示了一种生成式人工智能驱动的抗菌肽发现框架，为多重耐药菌治疗提供了新方向。

世界卫生组织已将多重耐药细菌列入紧急威胁名单，其中碳青霉烯耐药鲍曼不动杆菌（CRAB）居首。碳青霉烯类抗生素是“最后防线”，但极易失效。相比传统药物，抗菌肽具有较低的耐药发生速率，因此被视为理想替代方案。

大语言模型（LLMs）作为自然语言理解的重要突破，凭借庞大的参数和Transformer架构，正在重塑科学研究。然而通用 LLM 对科学数据（如蛋白质、基因、分子）理解有限，因此需要开发面向科学领域的专用模型。研究人员据此构建了一个专为蛋白序列空间设计的 LLM —— ProteoGPT，并通过迁移学习扩展其功能，以实现高通量的抗菌肽挖掘与生成。

方法

研究人员构建了一个含 1.24 亿参数 的蛋白语言模型 ProteoGPT，以 UniProtKB/Swiss-Prot 数据库的 60 万余条高质量蛋白序列为训练基础。随后通过迁移学习建立三个子模型：

• AMPSorter：用于区分抗菌肽与非抗菌肽；
• BioToxiPept：用于预测肽的细胞毒性；
• AMPGenix：用于生成潜在抗菌肽序列。

这三者组成了一个自动化管线 SPEL (Sequential Pipeline Ensembled by LLMs)，集成数据挖掘与生成式设计两种策略，并结合湿实验验证以评估候选肽的抗菌活性和安全性。

结果

ProteoGPT 的构建与迁移学习

ProteoGPT 在自监督任务上预训练后，表现出良好的泛化性。其基于高质量 Swiss-Prot 数据构建，与依赖未筛选数据的模型相比，具备更高的生物学合理性。迁移学习后：

• AMPSorter 在基准测试中取得 AUC = 0.97，显著优于其他 AMP 分类模型；
• BioToxiPept 对毒性肽识别准确率达 92%；
• AMPGenix 可生成具有高多样性与高活性的短肽，生成结果更接近真实抗菌肽分布。

高通量抗菌肽挖掘与生成

利用滑动窗口技术，研究人员从 60 万条蛋白序列中提取出 4.1 亿条短肽（8–30 个氨基酸），通过 AMPSorter 与 BioToxiPept 筛选得到 1.21 亿条候选抗菌肽（m_AMPs），其中 8,000 万条被评为无毒肽。

同时，AMPGenix 生成了约 7,798 条全新肽序列（g_AMPs），其中约 76% 被预测为抗菌肽。

在初步实验中，生成的 PT 系列肽 中有 18/20 展现抑菌活性，其中 6 条（PT-1, 4, 12, 15, 18, 20）对多种细菌及真菌表现出广谱效应，最低 MIC 达 1 μg/mL。

体外抗菌与毒性实验

通过抑菌圈、MIC 和细胞毒性测试，共评估了 154 条 m_AMPs 与 42 条 g_AMPs：

• 约 76% m_AMPs 与 62% g_AMPs 显示抑菌效应；
• 20 条肽经验证具备强抑菌且低毒性，其中 g_AMP41 与 m_AMP76 对 MRSA 与 CRAB 均表现显著。
• 7 条代表性肽被选入后续动物实验。

小鼠感染模型验证

在 CRAB 与 MRSA 大腿感染模型中：

• 五种 AMP（g_AMP14、g_AMP33、g_AMP42、m_AMP46、m_AMP76）使细菌数量减少约 70%；
• 其中 g_AMP42 与 m_AMP76 的杀菌率分别为 83% 与 87%，与临床药物相当；
• 这些肽未引起明显器官损伤或肠道菌群紊乱。

耐药实验表明，AMPs 经过 20 代传代后 MIC 变化不显著，而对照抗生素（如多黏菌素B、万古霉素）耐药性显著上升。

作用机制解析

扫描电镜与荧光探针分析显示：

• AMPs 可导致细胞膜皱缩、破裂，增强 PI 荧光信号，表明膜通透性增加；
• DiSC3-(5) 检测发现 AMPs 可快速诱导膜去极化；
• 转录组分析揭示 AMP（m_AMP76，命名为 Arkwillin）显著下调膜相关蛋白基因 slyB、bamD、pagP 等，抑制脂多糖合成与生物膜形成，提升膜通透性。

讨论

本研究提出了一个统一的生成式人工智能框架，能够同时执行抗菌肽的挖掘与生成，显著提升新型抗菌分子的发现效率。

ProteoGPT 及其子模型的优势在于：

• 融合通用 LLM 的语言理解与蛋白序列知识迁移；
• 具备可扩展性，可适用于其他生物活性肽领域；
• 通过实验验证证明生成肽的高效与低毒性。

生成模型（AMPGenix）所产生的 g_AMPs 在活性和多样性上普遍优于数据挖掘获得的 m_AMPs，说明生成式学习能捕获更丰富的抗菌结构模式。

未来，研究人员计划进一步引入量化预测模块，以克服当前 QSAR 偏向带电肽的局限，实现更全面的 AMP 活性预测。

整理 | DrugOne团队

参考资料

Wang, Y., Zhao, L., Li, Z. et al. A generative artificial intelligence approach for the discovery of antimicrobial peptides against multidrug-resistant bacteria. Nat Microbiol (2025).

https://doi.org/10.1038/s41564-025-02114-4

内容为【DrugOne】公众号原创｜转载请注明来源