通过深度强化学习 (deep reinforcement learning) 绘制具有抗菌功能的
Ruihan Dong1,2,3, Qiushi Cao2, Chen Song1,2
1Center for Quantitative Biology, Academy for Advanced Interdisciplinary Studies, Peking University, Beijing, 100871, China.
Advanced science (Weinheim, Baden-Wurttemberg, Germany)
|September 12, 2025
概括
AMPainter是一种新的深度强化学习模型,可以有效地设计用于药物发现的抗菌 (AMP). 它增强了现有的AMP并产生了新的AMP,显示了抗微生物功效的显著改善,并降低了最小的抑制度.
科学领域:
- 生物技术和制药科学 生物技术和制药科学
- 计算生物学和化学信息学
- 传染病与微生物学
背景情况:
- 后抗生素时代的起需要新型抗菌剂,其抗性潜力降低.
- 抗微生物 (AMP) 是有希望的候选人,因为它们的诱导耐药性的倾向较低.
- 现有的计算AMP设计工具缺乏优化和生成的统一框架,限制了可用性.
研究的目的:
- 介绍AMPainter,一种用于设计抗微生物 (AMP) 的新型计算模型.
- 将AMP优化和de novo生成任务集成到一个单一的,用户友好的框架中.
- 评估AMPainter与现有模型的性能,以提高AMP活动和发现新的代理.
主要方法:
- 开发AMPainter,这是一个基于深度强化学习的计算模型.
- 应用AMPainter对已知AMP,信号 (SP) 和随机序列.
- 对AMPainter与其他十种计算AMP设计模型进行比较分析.
主要成果:
- AMPainter显著增强了已知的AMP的抗微生物功效和多样性,其中一些显示最小抑制度 (MIC) 减少了128倍.
- 该模型成功地从膜活性SPs进化出有效的AMP,实验成功率为80%.
- 从随机序列设计的新设计的AMP获得了针对四种细菌菌株的平均MIC为2.88μM,验证了预测的得分.
结论:
- AMPainter提供了一个统一的框架,用于优化和生成抗菌,克服了以前方法的局限性.
- 该模型显示了抗微生物功效的显著改善,并扩大了发现新型AMP的序列空间.
- 在后抗生素时代,AMPainter是加速发现和开发新抗菌剂的强大工具.
