OmegAMP：通过生物学信息驱动的靶向 AMP 发现
机器学习
2025-10-30 v2 人工智能
生物大分子
摘要
深度学习的抗菌肽 (AMP) 发现面临关键挑战，如可控性有限、缺乏有效建模抗菌性质的表征，以及实验击中率低。为此，我们引入 OmegAMP，一个旨在实现可靠 AMP 生成并提高可控性的框架。其扩散基于的生成模型利用新颖的条件机制，实现对所需生理化学性质的精细控制，并将生成导向特定活性轮廓，包括针对特定物种的有效性。这进一步通过一种生物学信息驱动的编码空间显著提升了整体生成性能。补充这些生成能力的是一种新颖的合成数据增强策略，用于训练 AMP 过滤器的分类器，大幅降低了误报率，从而提高了实验成功的可能性。我们的 in silico 实验表明，OmegAMP 在 AMP 发现管道的关键阶段均实现了最先进的性能，使我们能够在湿实验中实现前所未有的成功率。我们测试了 25 个候选肽，24 个 (96%) 显示出抗菌活性，即使针对多药耐药株系也有效。我们的发现凸显了 OmegAMP 在打击抗菌药抗性方面具有显著潜力。
引用
@article{arxiv.2504.17247,
title = {OmegAMP: Targeted AMP Discovery through Biologically Informed Generation},
author = {Diogo Soares and Leon Hetzel and Paulina Szymczak and Marcelo Der Torossian Torres and Johanna Sommer and Cesar de la Fuente-Nunez and Fabian Theis and Stephan Günnemann and Ewa Szczurek},
journal= {arXiv preprint arXiv:2504.17247},
year = {2025}
}