抗生素发现的深度强化学习平台
机器学习
2025-09-24 v1 生物大分子
摘要
抗菌药物抗性（AMR）预计到 2050 年将导致最高达 1000 万例死亡，凸显了迫切需要新抗生素的紧迫性。本文提出了 ApexAmphion，这是一个用于原生设计抗生素的深度学习框架，将 64 亿参数的蛋白语言模型与强化学习相结合。该模型首先在精选的肽数据上进行微调，以捕捉抗菌序列规律，然后通过结合来自学习的最小抑菌浓度（MIC）分类器预测与可微生物化学目标的复合奖励进行优化。对 100 种设计肽的体外评估显示，所有候选物均具有低 MIC 值（部分情况为纳摩尔范围），达到 100% 的命中率。此外，99% 的化合物表现出对至少两种临床相关细菌的广谱抗菌活性。领先分子主要通过强力靶向细胞质膜杀灭细菌。通过将生成、评分和多目标优化统一于单个管道中的深度强化学习方法，我们快速产生多样化且高效的候选分子，为肽抗生素提供可扩展的路径，并在数小时内为针对效力和可开发性的迭代引导提供平台。
引用
@article{arxiv.2509.18153,
title = {A deep reinforcement learning platform for antibiotic discovery},
author = {Hanqun Cao and Marcelo D. T. Torres and Jingjie Zhang and Zijun Gao and Fang Wu and Chunbin Gu and Jure Leskovec and Yejin Choi and Cesar de la Fuente-Nunez and Guangyong Chen and Pheng-Ann Heng},
journal= {arXiv preprint arXiv:2509.18153},
year = {2025}
}
备注
42 pages, 16 figures