链式提示深度学习框架实现抗菌脂肽从头设计
De novo design of lipopeptides with antimicrobial potency enabled by a chain-as-prompt deep learning framework
研究团队提出链式提示深度学习框架,用于抗菌脂肽的从头设计。该模型结合领域自适应迁移学习,从 96,911 个细菌基因组中选取 2657 条经进化筛选的 RiPP 衍生核心肽序列,虚拟连接 C6 至 C18 的七种 N 端脂肪酸链后筛选出 6197 条候选序列;按 KRH 比例不低于 0.3 及 C12、C16 尾链进一步筛至 289 条。
链式提示机制结合领域自适应迁移学习,摘要给出的 95.7% 合成阳性率和小鼠感染模型结果可供评估该设计流程的筛选效率。
已发表论文 · journal · 10.1038/s41467-026-78763-8
本站摘要基于收录版本 v1(2026-10-26),原始摘要与 AI 导读固定保留。
IF(5) 18.9 · 2025 · 期刊参考指标
抗菌脂肽(AMLPs)是应对全球抗生素危机的一项极具前景的解决方案,但由于当前计算模型无法考虑 N 端脂肪酸修饰,其精准设计仍面临挑战。在此,我们开发了一种深度学习驱动的 AMLP 模型,用于 AMLPs 的从头设计,该模型将“链即提示”(chain-as-prompt)机制与领域自适应迁移学习相结合,有效弥合了肽序列与脂质诱导生物活性之间的表征鸿沟。利用该 AMLP 模型,我们从 96,911 个细菌基因组中选取了 2657 条经进化选择的 RiPP 衍生核心肽序列,对其虚拟脂化(采用七种 N 端脂肪酸链,C6–C18)并进行预测筛选,最终生成了 6197 条候选序列。值得注意的是,我们发现高 KRH 比例(≥ 0.3)以及常见的脂肪酸尾链(C12 和 C16)对于候选 AMLPs 的进一步筛选同样至关重要,由此得到 289 条序列。随后随机合成了其中 46 条,其中 44 条表现出抗菌活性(阳性率为 95.7%)。先导抗生素 LP630 通过靶向多种细菌细胞膜组分,对典型的革兰氏阳性菌、革兰氏阴性菌和分枝杆菌均展现出广谱活性,并在小鼠伤口感染模型中显示出显著的治疗效果。本研究为深度学习赋能的新型脂肽疗法高通量发现提供了一个简洁且通用的范式。作者展示了其“链即提示”深度学习框架,该框架所识别出的抗菌脂肽在实验室和动物模型中均对耐药致病菌表现出疗效。
来源:Nature Communications · doi.org