„Entdeckung hochwirksamer antimikrobieller Peptide mit dem tiefen generativen Modell HydrAMP“
Heute stellen wir einen Forschungsartikel des Teams um Ewa Szczurek vor, der in Nature Communications veröffentlicht wurde. In dieser Studie wurde ein tiefes generatives Modell namens HydrAMP entwickelt, ein bedingter Variations-Autoencoder (cVAE), der neuartige antimikrobielle Peptide (AMPs) mit hoher antimikrobieller Aktivität generiert, indem er kontinuierliche niedrigdimensionale Repräsentationen von Peptiden lernt. Diese Arbeit ist die erste, die die kontrollierte Generierung von Analoga bekannter aktiver/inaktiver Peptide erreicht. Die außergewöhnlichen antibakteriellen Wirkungen der generierten Peptide wurden in Laborexperimenten validiert. Sie bietet ein leistungsstarkes Werkzeug für das computergestützte Design, um der globalen Krise der Antibiotikaresistenz zu begegnen.
Abb. 1. HydrAMP-Architektur und Übersicht der Datentraversierung.
01 Forschungshintergrund
Mikrobielle Infektionen, insbesondere solche durch arzneimittelresistente Bakterien, haben sich zu einer globalen Gesundheitsbedrohung entwickelt und werden voraussichtlich bis 2050 die häufigste Todesursache sein. Antimikrobielle Peptide (AMPs) stellen aufgrund ihrer geringeren Resistenzneigung vielversprechende Alternativen zu herkömmlichen Antibiotika dar. Traditionelle Methoden zur AMP-Entdeckung basieren jedoch auf der schrittweisen Modifizierung bekannter Peptidsequenzen – ein mühsamer, zeitaufwändiger und durch bestehende Sequenzstrukturen begrenzter Prozess. Herkömmliche computergestützte Verfahren wie Klassifikatoren, QSAR-Modelle, autoregressive Modelle und genetische Algorithmen können entweder nicht direkt neue Sequenzen generieren oder haben aufgrund der geringen Dichte hochdimensionaler diskreter Sequenzräume Schwierigkeiten, wirklich vielfältige und hochwirksame AMPs zu erzeugen. Daher besteht ein dringender Bedarf an neuen generativen Modellen, die in einem kontinuierlichen, niedrigdimensionalen Raum operieren und direkt für verschiedene Aufgaben optimiert werden können (z. B. Analogon-Generierung, De-novo-Generierung).
02 Innovative Highlights
Multitasking-optimiertes, tiefgreifendes generatives Modell: HydrAMP ist das erste cVAE-Modell, das speziell für die direkte Generierung von Peptidanaloga (sowohl aus aktiven als auch inaktiven Prototypen) und für unbeschränkte Generierungsaufgaben optimiert wurde. Seine innovativen Trainingsziele (Rekonstruktion, Analogon, unbeschränkt) und Regularisierungsterme (z. B. Jacobian-Disentanglement-Regularisierung) gewährleisten herausragende Leistung bei vielfältigen Aufgaben.
Parametrisch steuerbare „Kreativität“: Führt einen Temperaturparameter (τ) ein, der den Grad der Abweichung zwischen generierten Analoga und dem Prototyp-Peptid präzise steuert (τ=1 für konservativ, τ=5 für explorativ), wodurch eine flexible Steuerung des Generierungsprozesses ermöglicht und Ähnlichkeit mit Innovation in Einklang gebracht werden kann.
Die umfassende Plattform mit hoher Validierungsrate bietet neben dem Modellcode auch eine integrierte Pipeline mit Konsens-Screening mittels Hilfsklassifikatoren und Vorscreening mittels Molekulardynamik-Simulation (MD) sowie einen benutzerfreundlichen Webservice (https://hydramp.mimuw.edu.pl/). Die Validierungsrate ist deutlich höher als bei bestehenden Methoden; beispielsweise erreichte sie gegen E. coli ATCC 25922 für hochaktive Peptide (MIC ≤ 32 μg/ml) 38 %.
03 Ergebnisse und Diskussion
3.1 Modellarchitektur und Trainingsstrategie
Kern des HydrAMP-Modells ist ein bedingter Variations-Autoencoder (cVAE), der niedrigdimensionale, kontinuierliche latente Repräsentationen (z) von Peptidsequenzen lernt. Die Bedingungen (c) umfassen, ob ein Peptid ein antimikrobielles Peptid (AMP) (cAMP) ist und ob es eine hohe Aktivität (niedrige minimale Hemmkonzentration, cMIC) aufweist. Das Modell besteht aus einem Encoder, einem Decoder und einem vortrainierten Klassifikator. Das Training erfolgt in drei Modi: Rekonstruktionsmodus (Lernen der Peptidstruktur), Analogon-Generierungsmodus (Lernen der bedingten Generierung basierend auf einem Prototyp) und unbeschränkter Generierungsmodus (Lernen der bedingten De-novo-Generierung). Dies gewährleistet die Multifunktionalität des Modells (Abb. 1).
3.2 Die Leistung der analogen Signalerzeugung übertrifft bestehende Verfahren
Bei der Generierung von Analoga übertraf HydrAMP die Vergleichsmodelle (PepCVAE, Basic, Joker) deutlich. Unabhängig davon, ob aktive Analoga ausgehend von aktiven Peptiden (positive Prototypen) oder inaktiven Peptiden (negative Prototypen) generiert wurden, erzielte HydrAMP die besten Ergebnisse hinsichtlich des Anteils an Prototypen, die die Kriterien „Basisentdeckung“ (Generierung eines hochaktiven AMP) und „Verbesserte Entdeckung“ (Generierung eines dem Prototyp überlegenen Peptids) erfüllten. Beispielsweise fand HydrAMP (τ=5) bei der Generierung ausgehend von negativen Prototypen für 399 Prototypen Analoga, die den Kriterien der Basisentdeckung entsprachen, und übertraf damit Joker (108) und Basic (41) deutlich. Durch die Anpassung von τ konnte HydrAMP die Sequenzdifferenz (Levenshtein-Distanz) zwischen generierten Analoga und Prototypen (z. B. Pexiganan, CAMEL) effektiv steuern und so die Kreativität parametrisch kontrollieren (Abb. 2).
Abb. 2 | Analoggenerierungsleistung in Bezug auf die Anzahl der generierten Analoga von HydrAMP (rot) im Vergleich zu PepCVAE (dunkelblau), Basic (hellblau) und Joker (dunkelgrün).
3.3 Unbeschränkte Generierung erzeugt Peptide, die den gewünschten Bedingungen entsprechen
Bei der unbeschränkten Generierungsaufgabe entsprachen die von HydrAMP generierten Peptide besser den vorgegebenen antimikrobiellen (cAMP) und hochwirksamen (cMIC) Bedingungen. Der Median der Verteilungen für die vom Klassifikator vorhergesagte antimikrobielle Wahrscheinlichkeit (PMAMP) und die Wahrscheinlichkeit für eine niedrige minimale Hemmkonzentration (PMMIC) der generierten positiven Peptide lag jeweils nahe bei 1 und übertraf damit PepCVAE, Basic und andere generative Modelle wie AMP-LM und Dean-VAE deutlich (Abb. 4a–d). Unter 50.000 generierten Kandidatenpeptiden erzeugte HydrAMP die höchste Anzahl an Peptiden, die gleichzeitig die Kriterien für hohe PMAMP (>0,8) und hohe PMMIC (>0,5) erfüllten – fast 44 % mehr als AMP-GAN (Abb. 3).
Abb. 3. Unbeschränkte generative Leistung von HydrAMP (rot) im Vergleich zu PepCVAE (dunkelblau), Basic (hellblau), AMP-LM (grün), Dean-VAE (rosa), Muller-LSTM (aquamarin) und AMP-GAN (orange) (Methoden auf der x-Achse angegeben).
3.4 Die generierten Peptide weisen wünschenswerte physikochemische Eigenschaften auf
Die Analyse zeigte, dass die mit HydrAMP generierten Analoga signifikante Veränderungen wichtiger physikochemischer Eigenschaften (z. B. isoelektrischer Punkt, Ladung, hydrophober Anteil, Aromatizität) von inaktiven Prototypen hin zu den Eigenschaften aktiver Peptide aufwiesen und die Eigenschaften aktiver Prototypen weiter verbessern konnten – Veränderungen, die andere Vergleichsmodelle (z. B. PepCVAE, Basic) nicht erreichten. Dies belegt die Fähigkeit von HydrAMP, entscheidende Struktur-Wirkungs-Beziehungen von AMPs abzubilden (Abb. 4).
Abb. 4. Physikalisch-chemische Eigenschaften von Analoga, die mittels HydrAMP erzeugt wurden, und Vergleich von Methoden zur Analogaerzeugung für Nicht-AMP- oder AMP-Prototypen im Vergleich zu realen und zufälligen Daten.
3.5 Validierung im Nasslabor bestätigt hochaktive neuartige AMPs
Die Studie umfasste zwei Validierungsrunden im Labor. In der ersten Runde wurden ohne zusätzliches Vorscreening sieben Analoga der Prototypen Pexiganan und Temporin-A getestet. Dabei wurden zwei hochaktive Peptide (z. B. Hydraganan-1, MHK = 2 μg/ml gegen E. coli) erfolgreich validiert, was einer positiven Validierungsrate von 29 % entspricht (Tabelle 1). Molekulardynamiksimulationen zeigten, dass das aktive Peptid Hydraganan-1 eine stabilere α-Helix-Struktur aufwies und tiefer in den Membrankern eindrang (höherer S-Parameter), während dies beim inaktiven Analogon Pex-P1-4 nicht der Fall war.
Tabelle 1. Pexiganan- und Temporin-A-Analoga, die im Analogon-Generierungsprozess ohne zusätzliche Vorselektion erhalten wurden.
Die zweite Versuchsrunde umfasste ein Vorscreening-Verfahren basierend auf Konsensusklassifikatoren und MD-Simulationen. Dabei wurden 24 Kandidatenpeptide generiert, die auf klinisch relevante Peptidprototypen (OP-145, Omiganan, Syphaxin) und das inaktive Peptid GQ20 abzielen. Die Ergebnisse zeigten, dass die Erfolgsrate von HydrAMP (AMP-Erfolgsrate) bei strengeren Aktivitätsschwellen (z. B. MHK ≤ 8 μg/ml) signifikant höher war als bei Modellen wie Joker und CLaSS (Abb. 5). Schließlich wurden mehrere neue AMPs mit hoher Aktivität (MHK bis zu 2–4 μg/ml) gegen multiresistente Stämme (einschließlich MRSA und Acinetobacter baumannii) und geringer hämolytischer Toxizität gewonnen, darunter Sophieganan und Ratigan, die aus dem inaktiven Peptid GQ20 generiert wurden. Besonders bemerkenswert ist, dass alle 6 Analoga von GQ20 als aktive AMPs validiert wurden, was die hohe Leistungsfähigkeit von HydrAMP bei der Erzeugung neuartiger aktiver Peptide aus einem inaktiven Ausgangspunkt unterstreicht.
Abb. 5. AMP-Erfolgsraten in Abhängigkeit vom Aktivitätsschwellenwert.
04 Schlussfolgerung und Zukunftsperspektiven
Diese Studie entwickelte erfolgreich HydrAMP, ein hochfunktionales, generatives Deep-Learning-Modell für antimikrobielle Peptide. Die Kernvorteile liegen in: 1) der kontrollierbaren, vielfältigen und effizienten Generierung antimikrobieller Peptide (AMPs) durch Multi-Task-Optimierung und Lernen in einem kontinuierlichen latenten Raum; 2) der Einführung parametrischer Kreativitätskontrolle und innovativer Regularisierungsmethoden; und 3) der Etablierung einer vollständigen Pipeline, die computergestütztes Pre-Screening und experimentelle Validierung sowie einen zugänglichen Webservice umfasst. Experimentelle Ergebnisse zeigen, dass HydrAMP neuartige AMPs mit hoher Aktivität gegen verschiedene klinisch relevante, arzneimittelresistente Bakterien und geringer Toxizität generieren kann und dabei eine deutlich höhere Validierungsrate als bestehende Methoden erzielt. Diese Arbeit stellt ein leistungsstarkes Werkzeug zur Beschleunigung der Entdeckung neuer Antibiotika dar und ist ein wichtiger Schritt im Kampf gegen Antibiotikaresistenzen. Zukünftige Arbeiten könnten das Modell weiter ausbauen, beispielsweise durch die Integration von Toxizitätsoptimierungszielen, die Fokussierung auf andere bakterielle Zielstrukturen (z. B. grampositive Bakterien) und die Erforschung komplexerer sequenzabhängiger Modellierungen (z. B. durch Einbeziehung von Aufmerksamkeitsmechanismen), um das Potenzial der generierten Peptide für die Arzneimittelentwicklung kontinuierlich zu verbessern.
Originalartikel:
Szymczak P, Możejko M, Grzegorzek T, Jurczak R, Bauer M, Neubauer D, Sikora K, Michalski M, Sroka J, Setny P, Kamysz W, Szczurek E. Entdeckung hochwirksamer antimikrobieller Peptide mit dem tiefen generativen Modell HydrAMP. Nat Commun. 2023 15. März;14(1):1453.